由于患者的血流動力學狀態(tài)可能發(fā)生較快的變化，所以心輸出量的持續(xù)監(jiān)測將提供用于快速調(diào)整治療的信息。

近30多年來，肺動脈導管(PAC)熱稀釋法已被普遍采納，且與其他方法相比仍然是臨床標準。

用于監(jiān)測心輸出量(CO)的參考方法是肺動脈導管(PAC)監(jiān)測。PAC也被叫做Swan-Ganz導管，以該項技術(shù)的發(fā)明者來命名。PAC被引入到腔靜脈，然后通過心臟，導管的尖端放置在肺動脈。

長期使用后，人們在技術(shù)、臨床應用和不足方面已有很多經(jīng)驗。多年以來，許多新技術(shù)嘗試取代這種熱稀釋法，既有侵入性方法，又有非侵入性方法。

五十年前，生物阻抗法被引進。作為一種簡單、低成本的方法，它以非侵入的方式給出關(guān)于心血管系統(tǒng)和/或機體的(脫)水合狀態(tài)的信息。為了改善相關(guān)胸阻抗方法，這些年以來，出現(xiàn)了多種胸阻抗測試系統(tǒng)。這些系統(tǒng)確定每搏輸出量(SV)或在一個逐搏時基上的CO。超過150項的有效性研究已經(jīng)被報道，并具有與參考方法相比的不同結(jié)果。當電極直接放入左室泵而非胸部時，這項技術(shù)的精確度增加了(伴隨它的侵入力)?；蛘?，可以通過采用先進的聲音處理或?qū)讉€參數(shù)結(jié)合到心輸出量的最終估計中而提高精確度。

背景技術(shù)：

本發(fā)明采用注入恒定的電流并測定電壓值。然而，由于測量電壓時的電流是恒定的，電壓與阻抗成正比，因此，將在接下來的部分對生物阻抗的概念進行描述。

最初Kubicek在1967.9.12申請的美國專利號3 340 867中描述了身體部位的生物阻抗測量。這項發(fā)明描述了阻抗體積描記法，特別是用于測量心輸出量的阻抗體積描記法。其權(quán)利要求包括胸腔較上面和較下面的電極的位置。

后來，優(yōu)先權(quán)日為1973.9.27、美國專利號3 835 840的美國專利中描述了身體部位的生物阻抗測量、阻抗體積描記法、裝置和方法。這項專利描述了采用電阻抗作為主動脈或其他動脈的血流量相關(guān)性的方法。

Sramek在1982.6.29申請了專利號為4450527的專利“無創(chuàng)持續(xù)心輸出量監(jiān)測儀”，其中對原始的Nyboer方程做了修正。

參數(shù)組合

為了定義每搏輸出量、心輸出量和炎癥指數(shù)，所述設(shè)備采用ANFIS模型來組合參數(shù)。

將從兩個傳感器和患者的人口統(tǒng)計數(shù)據(jù)提取的參數(shù)用作自適應神經(jīng)模糊推理系統(tǒng)(Adaptive Neuro Fuzzy Inference System(ANFIS))的輸入。

ANFIS綜述

ANFIS是模糊邏輯系統(tǒng)和神經(jīng)元網(wǎng)絡(luò)之間的雜化，它不采取任何數(shù)學函數(shù)來控制輸入和輸出的關(guān)系。ANFIS采用數(shù)據(jù)驅(qū)動方法，在該方法中訓練數(shù)據(jù)決定系統(tǒng)的行為。

圖6展示的五層ANFIS具有以下功能：

第一層的每個節(jié)點存儲用以定義鐘型隸屬函數(shù)的3個參數(shù)。每個節(jié)點與一個輸入節(jié)點準確連接，每個節(jié)點計算獲得的輸入值的隸屬度。

第二層的一個節(jié)點表示一條規(guī)則，每個節(jié)點被連接到上一層的所有節(jié)點，上一層的所有節(jié)點是從該規(guī)則的前提部分中得來。一個節(jié)點的所有輸入信號是隸屬度，所有輸入信號的乘積可以確定所代表的規(guī)則的完成程度(the degree of fulfilment)。

第3層，對于每條規(guī)則來說，都有一個節(jié)點來通過歸一化方程計算每條規(guī)則的相對完成程度。每個節(jié)點都被連接到第2層的所有規(guī)則節(jié)點。

第4層的節(jié)點被連接到所有輸入節(jié)點，并剛好與第3層的一個節(jié)點相連接。每個節(jié)點計算一條規(guī)則的輸出。

第5層的一個輸出節(jié)點通過將來自第4層的所有輸出信號求和來計算最終輸出。

將神經(jīng)元網(wǎng)絡(luò)理論中的標準學習算法應用到ANFIS中。采用反向傳播算法來學習前期參數(shù)，例如，隸屬函數(shù)；在規(guī)則的結(jié)論中，采用最小二乘估計來確定線性組合的系數(shù)。該學習算法中的一步具有兩次迭代。在第一次迭代中，輸入模式(輸入信號)正向傳遞，而此時為了通過訓練集的當前周期固定前提參數(shù)，并采用迭代的最小均方算法來評估最優(yōu)的結(jié)論參數(shù)。在第二次迭代中，模式再一次反向傳播。在這次迭代中，反向傳播用來修正前期參數(shù)，而結(jié)論參數(shù)仍被固定。根據(jù)所需訓練次數(shù)(epoch)，重復這個算法。由于LMS算法決定一次迭代中的最優(yōu)參數(shù)結(jié)果，如果基于專業(yè)知識最初的前期參數(shù)選擇恰當，一次就足夠；如果通過采用梯度下降法前期參數(shù)的變化不顯著，LMS計算的結(jié)果也將不會產(chǎn)生其他結(jié)果。例如，在一個2-輸入，2-規(guī)則系統(tǒng)，規(guī)則1被定義為：

如果x＝A，y＝B，那么f₁＝p₁x+q₁y+r₁

其中，p,q和r是線性的，被稱為結(jié)論參數(shù)或唯一結(jié)論。由于高階Sugeno fuzzy模型以較小的明顯優(yōu)點引入大的復雜性，最常見的f是一階。

種類數(shù)

ANFIS系統(tǒng)的輸入被模糊成許多預定的種類。種類的數(shù)目應大于或等于2。種類數(shù)可以由不同方法決定。在傳統(tǒng)的模糊邏輯中，由專家定義種類。但該方法只能應用在專家能夠顯而易見地知道在兩個種類之間的哪個位置放置地標的情況下。ANFIS優(yōu)化地標的位置，如果定義種類的參數(shù)的初始值很接近最優(yōu)值，然而梯度下降法更快地達到其最小值。默認地，通過將從所有數(shù)據(jù)的最小值到最大值的間隔分成n個相等的間隔(其中，n是種類數(shù))而選擇ANFIS初時地標。也可以通過將數(shù)據(jù)繪制在圖表中，視覺上決定種類的足夠數(shù)目，采用FIR，通過明顯的聚類方法或Markov模型進行排列來選擇種類的數(shù)目。本發(fā)明中默認選擇ANFIS，它顯示超過3個種類會在驗證階段帶來不穩(wěn)定性，因此，采用2或3個種類。

輸入的數(shù)目

種類數(shù)和輸入數(shù)都增加了模型的復雜度，例如，參數(shù)的數(shù)目。舉例來說，帶有4個輸入的體系，通過以下2個公式，每個輸入被模糊成由36個前期參數(shù)(非線性)和45個結(jié)論參數(shù)(線性)組成的3個種類：

前期參數(shù)＝種類數(shù)×輸入數(shù)×3

結(jié)論參數(shù)＝種類數(shù)^{輸入數(shù)}×(輸入數(shù)+1)

為獲得一個有意義的參數(shù)的解決方案，輸入-輸出的對數(shù)一般應是比參數(shù)的數(shù)目大很多(至少大10倍)。

穩(wěn)定基準(Stability criteria)

很遺憾在神經(jīng)-模糊系統(tǒng)中不存在對穩(wěn)定基準的定義。最有用的確保穩(wěn)定性的工具是在一個特定數(shù)據(jù)集的情況下通過與ANFIS或其他某些神經(jīng)-模糊系統(tǒng)工作獲得的經(jīng)驗，以及例如將模擬獲得的極端數(shù)據(jù)進行測試來獲得的經(jīng)驗。

次數(shù)(Number of epochs)

ANFIS采用均方根誤差(RMSE)來驗證訓練結(jié)果，在每次訓練后，RMSE驗證誤差可以從驗證數(shù)據(jù)集中計算出來。一次訓練(epoch)被定義成前期參數(shù)和結(jié)論參數(shù)的一次更新。訓練次數(shù)的增多將會減少訓練誤差。

其他術(shù)語

術(shù)語“腦電圖(electroencephalography(EEG))”在下文中指沿頭皮電活動的記錄。EEG測量由大腦神經(jīng)元內(nèi)離子電流流動引起的電壓波動。在臨床情況下，EEG指從放置在頭皮上的多個電極記錄下的大腦的自發(fā)性電活動的記錄。診斷應用一般把重心放在EEG的光譜內(nèi)容，即能在EEG信號中觀察到的神經(jīng)振蕩的類型。

術(shù)語“肌電圖(electromyography(EMG))”在下文指一項用于評估和記錄骨骼肌產(chǎn)生的電活動的技術(shù)。采用一個叫肌動電流描記器的設(shè)備來執(zhí)行EMG以產(chǎn)生一個叫肌電圖的記錄。肌動電流描記器探測肌肉細胞在電激活或神經(jīng)激活下產(chǎn)生的電勢。分析產(chǎn)生的信號可以探測醫(yī)療異常、激活水平、募集順序或分析人或動物運動的生物力學。

術(shù)語“qCON”指從EEG衍生來的催眠效應的指標。EEG是來自正面電極(圖1)(3)的記錄、放大(5)和數(shù)字化(7)。從EEG(8)提取特征，在這里計算qCON。qCON被定義為從0到99的等級，其中80-99代表醒著，60-80為鎮(zhèn)靜、40-60為麻醉的足夠深度、0-40為深麻醉。在這些文章中進一步描述了qCON：Jensen EW,Valencia JF,López A,Anglada T,Ramos Y,Serra R,Jospin M,Pineda P,Gambus P.Monitoring hypnotic effect and nociception with two EEG derived indices,qCON and qNOX,during general anaesthesia(在全身麻醉期間，用兩個腦電圖衍生的指標，qCON和qNOX,監(jiān)測催眠效應和傷害感受).Acta Anaesthesiol Scand.2014Sep；58(8):933-41。

術(shù)語“心電圖(electrocardiography(ECG)”在下文中指心臟在一周期內(nèi)的電活動的跨胸廓(穿過胸腔)解釋，它通過附加在皮膚表面的電極來檢測，并通過體外的設(shè)備來記錄。這項非入侵技術(shù)產(chǎn)生的記錄被稱為心電圖。一個ECG獲得心臟組織的去極化產(chǎn)生的電脈沖，并將其轉(zhuǎn)換成波形圖。然后將該波形圖用于測量心跳的頻率和規(guī)律性，以及心室的尺寸和位置，對心臟存在的任何傷害，用于調(diào)節(jié)心臟的藥物或設(shè)備的影響，例如起搏器。

術(shù)語“快速傅里葉變換(FFT)”在下文中指用于計算離散傅里葉變換(DFT)及其倒數(shù)的一種算法。一個傅里葉變換將時間(或空間)轉(zhuǎn)換成頻率，反之亦然；FFT快速計算這些變換。結(jié)果，快速傅里葉變換被廣泛用在工程、科學和數(shù)學。

術(shù)語“RR間期”指在ECG中相鄰R-峰之間的時間。

從RR間期中提取了以下參數(shù)，如表1所示。這些都是通過所述設(shè)備進行計算。NNi指RR間期。

表1時域和頻域變量

本發(fā)明中用于監(jiān)測心輸出量的詳細說明

本發(fā)明的新穎之處在于將從電壓體積描記曲線中提取的一些參數(shù)和心率變異性進行組合。所述電壓體積描記曲線是通過在胸腔上的上電極和最低電極之間采用400uA的恒定電流來實現(xiàn)，見圖1中的(1)和(2)。所述電壓體積描記曲線也指電壓體積描記圖(voltage plethysmogram(VP))或電壓曲線。所述電壓曲線是每次心跳所獲得，連續(xù)的曲線一般具有類似的形態(tài)。測量臨近上電極和最低電極(內(nèi)部電極)的電極之間的電壓。所述電流將尋求最低阻抗的路徑，例如，血液填充的動脈。所述電壓曲線和ECG也以同樣的電極(1)(2)進行記錄、放大(4)、數(shù)字化(6)。從所述電壓曲線和ECG中提取特征(9)，這些特征被送入ANFIS模型(11)，在這里輸出心輸出量(11)和最終的炎癥指標(12)。

每次心跳的電壓體積描記法與每搏輸出量(SV)相關(guān)。所述電壓體積描記圖(VP)會呈現(xiàn)周期性波動，可以從這檢測到心率(HR)。所述HR也能從ECG中檢測出來，這兩者相比可確保正確的性能。心輸出量(CO)可以從SV和HR中通過以下公式計算出來：

CO＝HR x SV.

圖2展示了電壓曲線的一個典型性例子。變量t_c是主動脈瓣的開放時間，區(qū)域A與SV初始關(guān)聯(lián)。A是通過將電壓體積描記圖對周期t_c進行積分而計算得出。t_c的起始時間被定義為VP在5-15％范圍內(nèi)增加，而t_c的結(jié)束時間被定義為VP穩(wěn)定在1-5％內(nèi)變化的區(qū)間的起點。

最大正振幅和最大負振幅是從電壓曲線評估得出。電壓曲線的最大正振幅(maxHpos)和最大負振幅(maxHneg)如圖2所示。此外，VP的導數(shù)也被計算。導數(shù)的最大值被叫做并用作ANFIS1模型的一項輸入。從dV/dt曲線中，左心室射血時間(LVET)可以被估計成在所述周期(RR間期)內(nèi)從dv/dt開始增加(圖3上B)后的20-30％直到dv/dt的最小值(圖3上X)的時間。

圖3展示了電壓體積描記圖的導數(shù)的示意例，這表明了左心室射血時間(LVET)。圖4展示了本發(fā)明中采用圖形用戶界面(GUI)顯示VP的記錄，而圖5展示了本發(fā)明中采用GUI的VP和ECG。

本發(fā)明中用于CO部分的完整處理系統(tǒng)包括2個ANFIS模型。

ANFIS1(710)將從所述電壓體積描記圖中提取的參數(shù)作為輸入，在一優(yōu)選實施例中，至少存在3個輸入，如圖7所示，然而較多的輸入也被包括在內(nèi)。由于ANFIS2(720)的輸入，也是用SV的簡單估計，叫做SV圓柱估計(SV cylinder estimate)

$SVcylinderestimate={\mathrm{kL}}^{2}max\left(\frac{dV}{dt}\right)t_c$

其中，L是軀干(可以是較低和較上電極對之間的距離)的長度，max(dV/dt)是電壓體積描記圖的導數(shù)的最大值，常數(shù)k調(diào)節(jié)SV至50-150ml的正常范圍。

RR間期也是ANFIS 2的一項輸入。RR是HR的倒數(shù)，因此CO可以被計算成：

CO＝SV/RR。

CO的范圍是0-25l/min，而正常生理學的范圍是4-8l/min。

最后，把性別、年齡也添加并輸入到ANFIS2中。ANFIS2的輸出是心輸出量(CO)的最終估計。ANFIS模型的訓練是用大量數(shù)據(jù)進行，從而讓患者知道CO。訓練界定所述ANFIS模型的參數(shù)，然后，當提交所述輸入到模型中時，ANFIS模型能預測CO。ANFIS模型的輸出界定CO。

炎癥指標的背景技術(shù)

Tracey的工作(Tracey,K.Understanding immunity requires more than immunology.Nat.Immunol.2010；11,561-564)已經(jīng)清楚地定義了迷走神經(jīng)的角色，迷走神經(jīng)作為從攻擊點到腦的傳入傳感器，從治療點的角度來說，由于它的刺激促進炎癥強度的過程，也許更重要的是其在反射的傳出神經(jīng)通路中。迷走神經(jīng)，第10對腦神經(jīng)，運送副交感神經(jīng)系統(tǒng)的神經(jīng)通路的纖維將其分支出去并到達每個器官。由炎癥應答引起的改變的細節(jié)被(Huston JM,Tracey KJ.The pulse of inflammation:heart rate variability,the cholinergic anti-inflammatory pathway and implications for therapy(炎癥的脈搏：心率變異性，膽堿能抗炎通路及對治療的啟示).J Intern Med.2011Jan；269(1):45-53)發(fā)表。

膽堿能性抗炎通路刺激迷走神經(jīng)。心臟的迷失神經(jīng)刺激導致心率變異性(HRV)的改變。采用數(shù)學技術(shù)，例如光譜分析來研究HRV，可以確認頻率。所述頻率與由副交感神經(jīng)主宰的變化增加的特異性有關(guān)，也可能與迷走神經(jīng)膽堿能活性的估計有關(guān)，根據(jù)1996年的ESC特別工作組(ESC Task Force)，通過分析HRV的快速頻率分量可以來估計迷走神經(jīng)膽堿能活性。

炎癥的機制誘導行為和機體的變化，構(gòu)成了與疾病有關(guān)的炎癥綜合癥。最初，炎癥是在控制之下，炎癥通過分子和細胞促進了愈合。但當炎癥不能適當補償時，炎癥對患者帶來嚴重后果。炎癥級聯(lián)反應對患者的自身組織是非常有攻擊性的，會導致敗血癥，甚至死亡。

至于外科攻擊和產(chǎn)生的神經(jīng)炎癥，正如已被動物實驗研究證實的一樣，所述補償?shù)娜鄙傺永m(xù)了炎癥神經(jīng)元的參與，導致介質(zhì)中的認知障礙。這個假設(shè)能證明檢測到的高比例的認知改變，與高年齡的發(fā)病率增加之外的其他病因無明顯關(guān)系。

專利申請PCT/IB2013/054615“METHOD AND SYSTEM FOR ASSESSING LIKELIHOOD OF SEPSIS”(用于評估敗血癥可能性的方法和系統(tǒng))公開了用于檢測敗血癥的系統(tǒng)，然而本專利的不同之處在于采用ANFIS模型來組合參數(shù)。PCT/IB2013/054615公開的系統(tǒng)采用本發(fā)明中未采用的射頻輸入。

專利申請PCT/CA2012/000243“METHOD AND SYSTEM FOR DETERMINING HRV AND RRV AND USE TO IDENTIFY POTENTIAL CONDITION ONSET”(用于確定HRV和RRV的方法和系統(tǒng)，及其在確認潛在病情發(fā)展的用途)公開了一種采用HRV和呼吸率變異性(RRV)用來在嬰幼兒患者中檢測敗血癥的系統(tǒng)，但是它沒有像本發(fā)明一樣采用ANFIS模型。

申請?zhí)枮?00501377484的美國專利申請“Method and apparatus for the early diagnosis of subacute,potentially catastrophic illness”(用于亞急性、潛在災難性疾病早期診斷的方法和裝置)旨在用到嬰幼兒和新生兒上，它本身沒有像本發(fā)明一樣覆蓋完整的年齡范圍，而且它沒有像本申請一樣采用ANFIS模型。

美國專利申請US7941199B2公開了一種用于評估敗血癥的方法，但它既沒有采用心率變異性，也沒有采用ANFIS，因此本發(fā)明顯著不同。

美國專利申請US 20110137852A1,“Sepsis Monitoring and Control”包括了心率的使用，但不包括心率變異性、ANFIS，因此，本發(fā)明是本質(zhì)上不同的。

本發(fā)明中用于計算炎癥指標的說明

本發(fā)明的第二個目的是監(jiān)控炎癥程度，通常但不一定是，重癥監(jiān)護病房的危重患者的炎癥程度，監(jiān)控炎癥程度是通過分析心率變異性來進行，以及以從腦電圖(EEG)衍生出的QCon催眠效應指數(shù)為評估例，通過修正麻醉深度的影響帶來的變化來監(jiān)控炎癥程度。

本發(fā)明記錄心電圖(ECG)，從ECG中提取R-R間期和其他特征，例如p，q，r和t峰間的間距。此外，對RR間期進行FFT，從中定義心率變異性(HRV)。從HRV中，提取不同頻段，例如HF和LF，見表1。

其他參數(shù)的提取也如表1所述，如RMSSD,SDSD,PNN50。

在ECG上直接進行FFT，心率的整體變化可以在光譜中檢測。如圖9所示，右側(cè)來自清醒健康的對象(910)的光譜比左側(cè)來自模擬ECG(900)的光譜寬很多。

如圖8所示，從ECG衍生出的參數(shù)被輸入到ANFIS模型(810)，在第二步中將它們與人口統(tǒng)計數(shù)據(jù)和qCON(820)相組合以確定炎癥的最終指標。

這一指標的新穎之處在于，在模型中使用EEG衍生的指標，qCON，用于補償HRV通常是受鎮(zhèn)靜期間患者的意識程度影響的這一事實。HRV通常由于麻醉的影響降低，但由于已知麻醉的深度是來自qCON的值，因此qCON和初始炎癥指標被輸入到ANFIS4模型，在這里以最終炎癥指標是為了補償麻醉深度的方式自動生成一條模糊規(guī)則。

本發(fā)明的另一新穎之處是應用從EEG到ECG的傳遞熵。符號轉(zhuǎn)移熵測量源信號X對目標信號Y的因果影響，且是基于信息理論。在這里EEG等于X，而ECG等于Y。從信號X到Y(jié)的信息轉(zhuǎn)移是通過兩個互信息值I[YF；XP,YP]和I[YF；YP]的差異來衡量，其中XP，YP和YF分別是源信號的過去、目標信號的過去和目標信號的將來。所述差異與從源信號XP的過去到目標信號YF的將來所傳遞的信息相一致，而不是從目標信號自身的過去到目標信號YF的將來所傳遞的信息相一致。因此這里納入文章“Vicente R,Wibral M,Lindner M,Pipa G:Transfer entropy—A model-free measure of effective connectivity for the neurosciences.J Comput Neurosci 2011；30:45–67”作為參考。(維森特R，威勒爾M，林德納M,皮帕G:傳遞熵—用于神經(jīng)科學的有效連接的無模型測量.計算神經(jīng)科學雜志2011；30:45-67)。從EEG到ECG的傳遞熵，并輸入到確定初始炎癥指標的ANFIS3(810)模型。傳遞熵的腦電心電信號送入anfis3(810)模型，定義了初始炎癥指數(shù)。在優(yōu)選實施例中，從腦電心電傳遞熵，計算出頻率最高的能量含量在腦電頻譜的高頻心電RR間期的。

在一優(yōu)選實施例中，從EEG到ECG的傳遞熵，是從EEG的FFT光譜中帶最高能量含量的頻率到ECG中R-R間期的HF而計算得出。

ANFIS4(820)的輸出是最終炎癥指標，當患者患敗血癥時，最終炎癥指標是低于50，當患者如圖10所示已經(jīng)康復時，最終炎癥指標是高于200。最終炎癥指標的范圍是0到300，而該指標是沒有單位的。

附圖說明

圖1是用于評估心輸出量和最終炎癥指標的完整系統(tǒng)。

圖2是電壓體積描記圖的原理圖。

圖3是電壓體積描記圖的一階導數(shù)示意圖。

圖4是記錄電壓體積描記圖的例子。

圖5是電壓體積描記圖和ECG的例子。

圖6是Sugeno型自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)的結(jié)構(gòu)。

圖7是用于評估心輸出量的含有2個ANFIS模型的數(shù)字信號處理途徑。

圖8是用于評估炎癥指標的含有2個ANFIS模型的數(shù)字信號處理途徑。

圖9是來自模擬信號(900)，以及來自清醒健康的受試者(910)的心率的變異性的一個例子。

圖10是從HRV和最終炎癥指標中提取的頻率參數(shù)的行為的例子。