一種腦起搏器的電量監(jiān)測方法以及電量監(jiān)測系統(tǒng)的制作方法【專利摘要】本發(fā)明涉及一種腦起搏器的電量監(jiān)測方法，該方法包括：獲取腦起搏器的刺激參數(shù)；通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第一組電池功耗參數(shù)；通過支持向量機功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第二組電池功耗參數(shù)；以及將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶。本發(fā)明還涉及一種采用上述電量監(jiān)測方法的腦起搏器電量監(jiān)測系統(tǒng)?！緦＠f明】一種腦起搏器的電量監(jiān)測方法以及電量監(jiān)測系統(tǒng)
技術(shù)領(lǐng)域：
[0001]本發(fā)明涉及醫(yī)療器械相關(guān)
技術(shù)領(lǐng)域：
，尤其，涉及一種植入式醫(yī)療器械(ImplantableMedicalDevice，IMD)〇【
背景技術(shù)：
】[0002]腦起搏器，又稱腦深部電刺激(DeepBrainStimulation,DBS)，是目前治療晚期和藥物難治性運動障礙和精神障礙疾病的有效技術(shù)。特別是在帕金森病的治療上療效顯著。近期研究成果表明腦起搏器也可用于治療阿茲海默癥以及強迫癥、抑郁癥等精神類疾病。參見圖1，腦深部電刺激的實施器件即為腦起搏器，它是一套可植入式微電子裝置，包括脈沖發(fā)生器（IPG)、電極和延伸導(dǎo)線。腦起搏器開刺激后，脈沖發(fā)生器將根據(jù)體外程控儀設(shè)定的刺激參數(shù)產(chǎn)生持續(xù)電脈沖，電流經(jīng)由延伸導(dǎo)線通過電極觸點刺激丘腦底核或蒼白球內(nèi)側(cè)核的神經(jīng)核團。由于這些部件均需植入體內(nèi)，因此腦起搏器具有功耗低、體積小、安全性強等特點，同時對其材料特性、溫度特性和外形設(shè)計都有較高的要求。通過體外程控儀就可以調(diào)整刺激幅度、頻率和脈寬在內(nèi)的所有刺激參數(shù)。腦起搏器采用的電池包括可充電電池和不可充電電池。[0003]在臨床上需要知道腦起搏器植入者的DBS的不可充電電池的電量水平和剩余壽命。不準(zhǔn)確的電池壽命預(yù)測將會導(dǎo)致過早地進行DBS更換手術(shù)，造成電池的浪費和患者財產(chǎn)損失;或者過晚進行更換手術(shù)造成意外停機，對治療效果不利。對于DBS適應(yīng)癥患者而言，術(shù)后的刺激參數(shù)(幅度、頻率、脈寬）調(diào)節(jié)是保證療效最為重要的手段，幾乎每位DBS植入者都會經(jīng)歷調(diào)參的過程，目前的壽命預(yù)測方案只適用于典型（常用）刺激參數(shù)組合，并且刺激參數(shù)的每一次調(diào)整都將帶來誤差的累積，這使得預(yù)測結(jié)果很不可靠以致無法應(yīng)用于臨床。但從實際的角度看，目前只能采用這種近似估計的方法，因為在不考慮阻抗的前提下，幅度、頻率、脈寬三個刺激參數(shù)的組合有一百余萬種，其中電壓模式下就有五十余萬種組合，將每種參數(shù)組合下的功耗都測出來顯然是不切實際的。[0004]因此，需要尋求高精度的預(yù)測方法對腦起搏器進行電量預(yù)測，并且要求該預(yù)測方案可以實現(xiàn)與臨床特異性相結(jié)合的針對每一種刺激參數(shù)組合和患者個體情況的（如阻抗）DBS電量監(jiān)測和壽命評估，并且能夠給出對應(yīng)的誤差范圍和分布特點，具備一定的精度和可靠性，最終可應(yīng)用于臨床?！?br/>發(fā)明內(nèi)容】[0005]本發(fā)明提供一種腦起搏器的電量監(jiān)測方法以及電量監(jiān)測系統(tǒng)。[0006]-種腦起搏器的電量監(jiān)測方法，該方法包括:獲取腦起搏器的刺激參數(shù);通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第一組電池功耗參數(shù);通過支持向量機功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第二組電池功耗參數(shù)；以及將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶。[0007]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述刺激參數(shù)包括:幅度amp，脈寬pw，阻抗im，以及頻率cf;所述通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)的方法為:通過公式(1)-(2)計算腦起搏器的功耗Cd:[0009]n(amp)=-0·0007Xamp4+0·0178Xamp3-0·1590Xamp2+0·6172Xamp-0·0473(2)[0010]其中，n(amp)表示任意幅度下的效率。[0011]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述公式（1)中的空載功耗通過公式(3)-(5)計算，所述公式(1)中的負載理論功耗通過公式(6)計算：[0012]Ned(30)=-0.0091Xamp3+0.6963Xamp2+l.0049Xamp+9.7751(3)[0013]Ncd(150)=0.0903Xamp3-〇.6880Xamp2+15.059Xamp+14.909(4)[0014]Ncd(amp,cf)=Ncd(30)+(Ncd(150)-Ncd(30))/(150-30)·(cf-30)(5)[0015]負載理論功耗=1000XnXamp2·pw/(2·8Xim/cf)(6)[0016]其中，Ncd(30)和Ncd(150)分別表示頻率為30Hz和150Hz的空載功耗，Ncd(amp，cf)表示任意幅度和頻率下的空載功耗，公式(6)中當(dāng)腦起搏器為雙通道時n=2,當(dāng)腦起搏器為單通道時n=l。[0017]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)的方法進一步包括:根據(jù)公式(7)計算腦起搏器電量消耗D;根據(jù)公式(8)計算腦起搏器開機前剩余電量F;根據(jù)公式(9)計算腦起搏器η次調(diào)節(jié)參數(shù)后的剩余電量Q;以及根據(jù)公式(10)計算腦起搏器電池壽命Ρ:[0022]其中，公式(8)中，BC為電池初始容量，單位:mAh;tl為電池從購買到生產(chǎn)加工結(jié)束的時間，單位:月；t2為從腦起搏器出廠到開機前時間，單位:月。[0023]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述支持向量機功耗預(yù)測模型通過以下方法建立:步驟S10,確定所選的核函數(shù)，進入步驟S11;步驟S11，初始化核函數(shù)的參數(shù)，進入步驟S12;步驟S12,獲取實驗樣本數(shù)據(jù)，進入步驟S13;步驟S13,將樣本數(shù)據(jù)用于學(xué)習(xí)或預(yù)測對比，如果是學(xué)習(xí)，進入步驟S14,如果是預(yù)測對比，則進入步驟S18;步驟S14,對樣本數(shù)據(jù)進行預(yù)處理，進入步驟S15;步驟S15，判斷所選參數(shù)特征是否具有代表性，如果是，進入步驟S16,如果否，則返回步驟S14;步驟S16,算法訓(xùn)練建立模型，進入步驟S17;步驟S17,采用網(wǎng)絡(luò)搜索方法優(yōu)化參數(shù)，進入步驟S18;步驟S18,將預(yù)測數(shù)據(jù)與實驗數(shù)據(jù)進行對比，進入步驟S19;步驟S19,判斷誤差是否在允許范圍內(nèi)，如果是，進入步驟S20,如果否，則返回步驟S16;以及步驟S20,作為預(yù)測模型。[0024]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述步驟S10中，所選的核函數(shù)為:徑向基核函數(shù)K(xi，xj)=exp(-y||xi_xj||2)，γ>0;所述步驟S12中，獲取實驗樣本數(shù)據(jù)的方法為:利用自動測試系統(tǒng)采集三個維度的數(shù)據(jù)，幅度、頻率和脈寬;所述步驟S14中，對樣本數(shù)據(jù)進行預(yù)處理的方法為歸一化或取序列號。[0025]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述歸一化公式Xmin)/(Xmax-Xmin))-1(1)，其中，X為原數(shù)據(jù);XAX經(jīng)歸一化處理后的值;xmax和xmin分別為原數(shù)據(jù)X所在數(shù)據(jù)組中的最大值和最小值;所述取序列號的方法為:幅度序列號=幅度X20;脈寬序列號=(脈寬_30)/10;頻率序列號按照自然數(shù)以1為增量進行編號。[0026]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶的方法包括:比較該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)的誤差；以及將誤差較小的一組參數(shù)顯示給用戶。[0027]根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶的方法為將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)一起顯示給用戶。[0028]-種腦起搏器電量監(jiān)測系統(tǒng)，其包括:一控制模塊，所述控制模塊控制控制整個腦起搏器電量監(jiān)測系統(tǒng)的工作;一計算模塊，所述計算模塊用于通過上述任意一種方法進行計算;一顯示模塊，所述顯示模塊用于將所述計算模塊計算得到的結(jié)果顯示給用戶;一數(shù)據(jù)輸入模塊，所述數(shù)據(jù)輸入模塊用于輸入腦起搏器的數(shù)據(jù)信息；以及一存儲模塊，所述存儲模塊用于存儲數(shù)據(jù)信息。[0029]根據(jù)上述腦起搏器電量監(jiān)測系統(tǒng)，進一步包括一數(shù)據(jù)獲取模塊和一通訊模塊;所述數(shù)據(jù)獲取模塊用于通過該通訊模塊與所述腦起搏器的體外程控儀進行通訊，從而獲取腦起搏器的刺激參數(shù)。[0030]根據(jù)上述腦起搏器電量監(jiān)測系統(tǒng)，進一步包括一比較模塊和一提示模塊;所述比較模塊用于將所述計算模塊計算得到的結(jié)果與一安全閾值進行比較，從而在危險時通過該提示模塊進行提示;且所述示模塊通過一圖形用戶界面將所述計算模塊計算得到的結(jié)果顯示給用戶。[0031]相較于現(xiàn)有技術(shù)，本發(fā)明提供的腦起搏器的電量監(jiān)測方法以及電量監(jiān)測系統(tǒng)可以實現(xiàn)對對腦起搏器的電量進行高精度的預(yù)測，并且該預(yù)測方案可以實現(xiàn)與臨床特異性相結(jié)合的針對每一種刺激參數(shù)組合和患者個體情況的DBS電量監(jiān)測和壽命評估，具備一定的可靠性，最終可應(yīng)用于臨床。【附圖說明】[0032]圖1為本發(fā)明實施例采用的腦起搏器的工作原理圖。[0033]圖2為本發(fā)明實施例采用的腦起搏器與功耗相關(guān)的簡易電路原理圖。[0034]圖3為本發(fā)明實施例采用的腦起搏器的效率-幅度關(guān)系曲線圖。[0035]圖4為本發(fā)明實施例采用的腦起搏器不同幅度和供電電壓下的效率誤差圖。[0036]圖5為本發(fā)明實施例采用的腦起搏器幅度4.5V不同頻率、脈寬和阻抗下的效率誤差。[0037]圖6為本發(fā)明實施例采用的腦起搏器幅度4.5V不同頻率(不含2Hz)、脈寬和阻抗下的效率誤差。[0038]圖7為本發(fā)明實施例采用的腦起搏器效率誤差隨頻率和脈寬的分布等值線圖。[0039]圖8為本發(fā)明實施例采用的腦起搏器效率誤差隨頻率和阻抗的分布等值線圖。[0040]圖9為本發(fā)明實施例采用的腦起搏器效率誤差隨阻抗和脈寬的分布等值線圖。[0041]圖10為本發(fā)明實施例采用的腦起搏器幅度0.9V不同頻率、脈寬和阻抗下的效率誤差。[0042]圖11為本發(fā)明實施例采用的腦起搏器幅度0.9V不同頻率(不含2Hz)、脈寬和阻抗下的效率誤差。[0043]圖12為本發(fā)明實施例采用的腦起搏器空載功耗誤差隨頻率變化趨勢。[0044]圖13為本發(fā)明實施例采用的腦起搏器空載功耗誤差整體趨勢。[0045]圖14為本發(fā)明模擬腦起搏器電量實際監(jiān)測過程(電池容量變化）。[0046]圖15為本發(fā)明模擬腦起搏器電量實際監(jiān)測過程(電池容量百分比變化）。[0047]圖16為結(jié)構(gòu)風(fēng)險最小化示意圖。[0048]圖17為支持向量機的特征空間示意圖。[0049]圖18為核函數(shù)原理圖。[0050]圖19為支持向量機預(yù)測模型建模流程圖。[0051]圖20為SVM不對訓(xùn)練和測試樣本進行預(yù)處理的預(yù)測絕對誤差與曲線擬合預(yù)測絕對誤差對比圖。[0052]圖21為SVM不對訓(xùn)練和測試樣本進行預(yù)處理的預(yù)測相對誤差與曲線擬合預(yù)測相對誤差對比圖。[0053]圖22為SVM對訓(xùn)練和預(yù)測樣本進行取序列號預(yù)處理的預(yù)測絕對誤差與曲線擬合預(yù)測絕對誤差對比圖。[0054]圖23為SVM對訓(xùn)練和預(yù)測樣本進行取序列號預(yù)處理的預(yù)測相對誤差與曲線擬合預(yù)測相對誤差對比圖。[0055]圖24為SVM樣本歸一化和取序列號處理的預(yù)測絕對誤差對比圖。[0056]圖25為SVM樣本歸一化和取序列號預(yù)測相對誤差對比圖。[0057]圖26為SVM參數(shù)優(yōu)選mse等值線圖。[0058]圖27為本發(fā)明提供的腦起搏器電量監(jiān)測系統(tǒng)的結(jié)構(gòu)示意圖。[0059]圖28為本發(fā)明提供的腦起搏器電量監(jiān)測系統(tǒng)的圖形用戶界面示意圖。[0060]主要元件符號說明[0062]如下具體實施例將結(jié)合上述附圖進一步說明本發(fā)明。【具體實施方式】[0063]本發(fā)明提供了一種腦起搏器的電量監(jiān)測方法以及采用該方法的腦起搏器電量監(jiān)測系統(tǒng)。該方法可以預(yù)測不可充電電池的電量和可充電電池的電量消耗情況。對不可充電電池尤為重要。[0064]對腦起搏器進行電量監(jiān)測和壽命評估的前提是知道電池容量的消耗情況，而電池容量的消耗除了與其內(nèi)部化學(xué)反應(yīng)相關(guān)的自放電和腦起搏器在關(guān)刺激時由于電路內(nèi)部的時鐘和內(nèi)存管理仍在運行而產(chǎn)生的靜態(tài)功耗以外，最重要的一部分就是不同刺激參數(shù)(幅度、頻率、脈寬）和阻抗影響下的由脈沖發(fā)生器的刺激電流產(chǎn)生的功耗。而刺激參數(shù)的調(diào)整將伴隨每個DBS植入者，對其癥狀改善有著重要意義。由于自放電和靜態(tài)功耗可以認為是不變的，用于治療的刺激電流所產(chǎn)生的功耗卻受刺激參數(shù)和阻抗的影響很大，甚至可以認為幅度、頻率、脈寬和阻抗決定了刺激電流所產(chǎn)生功耗的大小。并且在開刺激時這部分功耗就是總的功耗，自放電和靜態(tài)功耗只有在關(guān)刺激時才有意義。因此，構(gòu)建電量監(jiān)測和壽命管理系統(tǒng)的基礎(chǔ)是對受刺激參數(shù)和阻抗影響的刺激電流產(chǎn)生功耗的準(zhǔn)確預(yù)測，本發(fā)明分別采用將傳統(tǒng)的最小二乘法與腦起搏器電路原理相結(jié)合建立基于電路原理的最小二乘回歸和專門適用于多維、小樣本、非線性問題的支持向量機預(yù)測方法構(gòu)建功耗預(yù)測模型。[0065]本發(fā)明提供一種腦起搏器的電量監(jiān)測方法，該方法包括:獲取腦起搏器的刺激參數(shù);通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第一組電池功耗參數(shù);通過支持向量機功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第二組電池功耗參數(shù)；以及將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶。[0066]本發(fā)明首先介紹基于電路原理的最小二乘回歸模型?；陔娐吩淼淖钚《嘶貧w模型是根據(jù)簡易電路原理圖，在不同的刺激參數(shù)組合和負載下通過分別計算負載理論功耗、效率和空載功耗來獲得對應(yīng)的功耗預(yù)測值。其中效率和空載功耗是利用最小二乘法擬合曲線得到的計算公式。[0067]請參見圖2,為與功耗相關(guān)的腦起搏器簡易電路原理圖。從能量損耗的角度來講，假若沒有DC-DC轉(zhuǎn)換電路，從電池流出的能量應(yīng)該和負載端消耗的能量相等。這里負載理論功耗就是在不考慮DC-DC轉(zhuǎn)換電路的情況下負載端消耗的能量，由刺激參數(shù)幅度amp、頻率cf、脈寬pw、阻抗im(圖2中的R)以及電池供電電壓U決定。然而，實際上在腦起搏器電路中有一個很重要的部分，即DC-DC轉(zhuǎn)換電路。這一部分電路中包含有儲能電容，可以將較低的電池供電電壓以倍數(shù)的形式抬升到治療所需的刺激電壓(刺激幅度）。這勢必會產(chǎn)生能量的損耗，而在圖2中從電池流出的能量和負載端消耗的能量都是可以相對準(zhǔn)確地計算出來的，但是DC-DC轉(zhuǎn)換電路所消耗的能量是未知的，就如同一個黑盒子一樣，并且會受刺激參數(shù)設(shè)定、人體阻抗、電池供電電壓等影響，所以這一部分能量的損耗步不但是未知的而且是不確定的，這給功耗預(yù)測和電量監(jiān)測帶來了很大的難題。[0068]基于電路原理的最小二乘回歸模型在這個問題上的處理想法是，通過計算DC-DC電路的轉(zhuǎn)換效率來將這一部分的能量損耗考慮進來。效率即為負載理論功耗與負載實際功耗相除。在特定的頻率（150Hz)、脈寬(90ys)、阻抗（1000Ω)、供電電壓(2.8V)下擬合一條效率-幅度關(guān)系曲線，并利用最小二乘法由該曲線獲得效率和幅度之間的關(guān)系式，作為在不同刺激參數(shù)組合、阻抗和供電電壓下的效率計算公式。這里相當(dāng)于認為DC-DC電路的轉(zhuǎn)換效率只與設(shè)定的刺激幅度有關(guān)，而沒有考慮其他刺激參數(shù)、阻抗以及電池供電電壓的影響。這種做法顯然會存在誤差，會在后面對誤差來源和影響范圍進行全面分析。不過這種想法也有其合理性，這就要追溯到在腦起搏器電路中加入DC-DC轉(zhuǎn)換電路的原因。對于大部分的DBS適應(yīng)癥而言，脈沖發(fā)生器典型的刺激幅度設(shè)定為2-5V，這也是臨床常用的刺激幅度，特殊情況下某些治療需要刺激幅度高達10V。通常腦起搏器電池在其壽命初期可以提供3V左右的電壓，而在植入人體后的長期工作中實際提供的電壓會小于這個值，一般認為是2.8V左右。這就造成了一種不平衡，刺激所需電壓為2-5V，甚至是10V，而電池實際可提供電壓卻只有2.8V。為了從較低的電壓供應(yīng)中獲得所需的刺激幅度，需要在腦起搏器電路中加入電容堆或電荷栗等結(jié)構(gòu)，即DC-DC轉(zhuǎn)換電路。雖然這些結(jié)構(gòu)可以幫助增大電壓，但是所增加的電壓的傳送卻是以產(chǎn)生額外功耗為代價，并且是非線性的。這使得對DC-DC轉(zhuǎn)換電路所消耗能量的預(yù)測變得很困難。因DC-DC電路最本質(zhì)的作用是將較低的電池供電電壓抬升到所需的刺激電壓幅度，所以刺激幅度對DC-DC轉(zhuǎn)換電路的效率的影響一定是最大的，這就為在除幅度外的其他刺激參數(shù)、阻抗和供電電壓固定的基礎(chǔ)上建立效率與刺激幅度的關(guān)系式提供了充分的合理性。然而，這種做法仍然存在誤差。首先，這種非線性擬合本身就存在誤差。既然刺激幅度是對效率產(chǎn)生影響的最大的因素，那么這個誤差也將會是最大的誤差來源。其次，從刺激參數(shù)的角度，除幅度外的刺激參數(shù)對效率的影響都沒有考慮，即便通過上面的分析，幅度對效率的影響是最大的，而其他刺激參數(shù)對效率的影響可能很小，但是當(dāng)這些刺激參數(shù)組合在一起的時候情況又會有所不同。舉個例子，可以在頻率為150Hz，脈寬90ys，阻抗1000Ω，供電電壓2.8V下繪制一條效率和幅度之間的關(guān)系曲線，而當(dāng)頻率、脈寬、阻抗和供電電壓改變后又可以再擬合一條效率和幅度關(guān)系曲線，這兩條曲線之間必然會存在偏差。表面上看，只是改變了對效率影響因素很小的刺激參數(shù)(頻率和脈寬），但實際上改變的是刺激參數(shù)的組合，而這個組合當(dāng)中包含了幅度對效率的影響。因此這也是誤差來源之一。再次，DBS電池供電電壓的變化也將會對效率造成影響。[0069]如上所述，引入DC-DC轉(zhuǎn)換電路的效率是為了解決這部分電路對能量的消耗，相當(dāng)于效率是用來表征其對能量消耗的一種方式。而DC-DC電路之所以會有能量損耗源于其工作原理或者說它存在的原因，就是要將較低的供電電壓抬升到所需的較高的刺激電壓。由于隨著DBS電池的使用，電池供電電壓會逐漸下降。為了達到相同的刺激幅度，供電電壓越小就需要DC-DC轉(zhuǎn)換電路將其乘以更大的倍數(shù)，也就是將其電壓值抬高得更多，那么勢必會使DC-DC轉(zhuǎn)換電路產(chǎn)生更大的能量損耗，效率也會隨之變化。所以，電池供電電壓的變化會對效率產(chǎn)生影響。舉個例子，在電池壽命初期，供電電壓較大，為達到需要的刺激幅度，經(jīng)過DC-DC轉(zhuǎn)換電路電壓被抬高了2倍;而隨著電池的使用，在其壽命末期，供電電壓會變小，為了達到同樣的刺激幅度，電壓則需要被抬高3倍，從而在DC-DC轉(zhuǎn)換電路上產(chǎn)生更大的能量消耗。也就是說，在DBS電池壽命的初期和末期，由于電池供電電壓有較大的變化，DC-DC轉(zhuǎn)換電路的效率也會發(fā)生改變。簡言之，DC-DC轉(zhuǎn)換電路的效率會隨電池供電電壓的變化而變化。雖然如此，但由電池放電曲線，在電池壽命的很長一段時間內(nèi)供電電壓都是幾乎不變的，也就是斜率的絕對值很小幾乎為0,只有當(dāng)供電電壓小于2.5V以后，斜率的絕對值會較大，供電電壓衰減的會比較快，但這時DBS電池電量也所剩無幾，就是說供電電壓衰減較快的這一階段只占了DBS電池壽命中很少的一段時間。綜上所述，DBS電池的放電特點決定了供電電壓對DC-DC轉(zhuǎn)換電路效率的影響會很小，幾乎可以忽略。[0070]空載功耗是指腦起搏器電路上除了負載實際功耗(包含負載理論功耗和DC-DC轉(zhuǎn)換電路的效率)之外的電路部分所消耗的能量，包括時鐘電路和內(nèi)存管理模塊的能量損耗。[0071]利用最小二乘法建立的回歸模型的功耗計算原理公式(1)如下：[0073]以下將上述公式(1)分解，對每一部分進行分析如下。[0074]1，負載理論功耗公式(2)以及由公式(2)可以得到公式(3)如下：[0077]其中，U為電池電壓(供電電壓），單位為V;I為刺激電流(負載消耗/功耗），單位為μA;amp為刺激幅度，單位為V;pw為刺激脈寬，單位為ys;cf為刺激頻率，單位為Hz;im為阻抗(負載），單位為Ω;T為刺激周期，T=l/cf，單位為s。公式(2)中乘以2是因為本發(fā)明實施例采用雙通道腦起搏器為例。如果采用單通道腦起搏器則不需要乘以2。[0078]2,效率公式(4)如下：[0080]其中效率用的是頻率150Hz，脈寬90ys，負載1000Ω，2.8V供電電壓下采集數(shù)據(jù)擬合的效率-幅度關(guān)系曲線和公式，其中負載理論功耗代入式(3)獲得。實測負載功耗和空載功耗則是通過編寫計算機能夠識別的腳本利用自動測試系統(tǒng)采集的實際數(shù)據(jù)。最終確定的是效率和幅度之間的定量關(guān)系式，即n=f(amp)。[0081]參見圖3,為效率-幅度關(guān)系曲線。利用最小二乘法擬合的效率公式(5)為：[0082]q(amp)=-0·0007Xamp4+0·0178Xamp3-0·1590Xamp2+0·6172Xamp-0·0473(5)[0083](R2=0.9539)，[0084]其中，amp為刺激幅度，單位為V。[0085]3,空載功耗[0086]頻率為30Hz的空載功耗公式(6)，頻率為150Hz的空載功耗公式（7)以及任意頻率和幅度下的空載功耗公式(8)分別為：[0087]Ned(30)=-0.0091Xamp3+0.6963Xamp2+l.0049Xamp+9.7751(6)[0088](R2=0.9776)[0089]Ncd(150)=0.0903Xamp3-〇.6880Xamp2+15.059Xamp+14.909(7)[0090](R2=0.9800)[0091]Ncd(amp,cf)=Ncd(30)+(Ncd(150)-Ncd(30))/(150-30)·(cf-30)(8)[0092]其中，Ncd(30)和Ncd(150)分別表示頻率為30Hz和150Hz的空載功耗;Ncd(amp，cf)表示任意幅度和頻率下的空載功耗。[0093]由于空載功耗與頻率之間呈線性關(guān)系，分別用30Hz和150Hz下的空載功耗-幅度曲線的最小二乘法擬合公式來計算其他任意頻率的空載功耗。因此最終確定的空載功耗是刺激幅度和刺激頻率的函數(shù)，即Ned=f(amp，cf)。[0094]根據(jù)上面分別對負載理論功耗、DC-DC轉(zhuǎn)換電路的效率和空載功耗的理論分析和擬合公式，可以獲得在任意刺激參數(shù)組合(刺激幅度、頻率、脈寬）、阻抗和供電電壓下的功耗計算公式?；陔娐吩淼淖钚《嘶貧w模型最終確定的功耗計算公式(9)如下：[0096]其中，amp:幅度;pw:脈寬；im:阻抗;cf:頻率;Ned:空載功耗;η:效率。[0097]以下對基于電路原理的最小二乘回歸模型的功耗預(yù)測誤差來源和分布特點進行分析。[0098]根據(jù)公式（1)，預(yù)測任意刺激參數(shù)組合下的功耗需要計算三個量：負載理論功耗、效率和空載功耗。由于負載理論功耗是根據(jù)腦起搏器電路原理和能量守恒定律計算出來的，不太可能會產(chǎn)生誤差。因此對最小二乘預(yù)測模型的誤差來源和影響范圍進行分析主要從兩個方面:效率和空載功耗。[0099]1，方法固有誤差來源--效率[0100]回顧式公式(4)和公式(5)以及圖3,由于效率曲線僅在頻率150Hz，脈寬90ys，阻抗1000Ω和電池供電電壓2.8V這樣一種參數(shù)組合下利用最小二乘法繪制效率-幅度變化曲線擬合的效率計算公式，下面分析當(dāng)刺激參數(shù)改變時對效率計算產(chǎn)生的誤差。在這里沒有考慮到的可能會影響效率計算的可變參數(shù)有:頻率、脈寬、阻抗和供電電壓。另外，雖然擬合曲線已經(jīng)考慮了幅度變化對效率的貢獻，但是由于最小二乘法的擬合方式本身就存在一定的誤差，也就是說在上述的特定參數(shù)組合下的效率-幅度變化曲線是否能用四階多項式去擬合，或者說由于這種擬合所產(chǎn)生的效率誤差有多大，呈現(xiàn)什么樣的分布特點，這一部分會作為幅度對效率誤差的影響考慮進來。[0101](1)分析不同幅度和電池供電電壓下的效率誤差的分布特點。效率誤差指的是在不同幅度和供電電壓下利用效率計算公式(5)預(yù)測的效率與利用自動測試系統(tǒng)在對應(yīng)的參數(shù)組合下采集實測負載功耗和空載功耗并根據(jù)式(4)計算的實際效率之差的絕對值。簡言之，這個效率誤差指的是在某一參數(shù)組合下的模型預(yù)測效率和實際效率之間的絕對誤差。[0102]參見圖4,不同幅度和供電電壓下的效率誤差是在頻率150Hz、脈寬90US，阻抗1K下采集的數(shù)據(jù)，自變量是幅度和供電電壓，因變量是效率誤差。由此可以得出兩個主要結(jié)論：①這6條曲線的整體趨勢極為相近，都呈現(xiàn)"U"型。這體現(xiàn)了幅度對效率誤差的貢獻，不同幅度對效率誤差的影響非常明顯，幅度在2-7V時效率計算誤差很小，小于0.05，而在幅度值的兩側(cè)特別是在IV和9.5V附近效率誤差較大，最尚達到0.2，差不多是幅度在2-7V時效率誤差的4倍。②比較不同曲線效率誤差趨勢之間的差異，即為供電電壓對效率誤差的影響?？梢娺@個影響很小，可以忽略。只有當(dāng)電池供電電壓〈2.2V時，效率誤差才會變得越來越大，不過在腦起搏器實際使用時當(dāng)電池電壓〈2.2V時基本就認為電量已消耗殆盡不再使用。[0103](2)分析不同頻率、脈寬和阻抗下的效率計算誤差的分布特點。既然不同幅度對效率誤差影響差異很大，并呈現(xiàn)中間低兩端高的"U"型趨勢，在這一部分分別取幅度為4.5V和0.9V作為代表分別來對不同頻率、脈寬和阻抗下的效率誤差進行分析。忽略電池供電電壓的影響，均取為2.8V。[0104]①幅度amp=4.5V時，由式(5)，得到n(4.5)=0.84533125,這是由最小二乘法擬合公式得到的刺激幅度為4.5V時的效率值，顯然這個值是不隨頻率、脈寬和阻抗的變化而變化的，這與實際情況并不相符，會存在一定誤差，下面就來計算這個誤差，并對其分布特點和影響范圍進行分析。在不同頻率、脈寬和阻抗下的實際效率則通過在對應(yīng)參數(shù)組合下利用自動測試系統(tǒng)采集實測負載功耗和空載功耗并根據(jù)式(4)進行計算得到。再將計算效率(0.84533125)和實際效率作差取絕對值，從而得到對應(yīng)參數(shù)組合下的效率誤差。[0105]參見圖5和圖6。圖5為不同頻率、脈寬和阻抗下的效率誤差。其中頻率取2,30,70，110，130，150，170，200，250(單位Hz);脈寬取30，70，110，150，200，350，450(單位ys);阻抗取300,500，1000,2000,2500(單位〇)。共315個參數(shù)組合(包括阻抗），并且圖5和圖6是按照頻率、脈寬、阻抗從低到高進行繪制的。以阻抗為300Ω為例，如下表1所示：[0106]表1效率誤差米集數(shù)據(jù)分布[0108]從圖7-圖9的對應(yīng)不同參數(shù)組合下的效率誤差分布圖中，可以看出在不同的頻率、脈寬和阻抗的組合下效率誤差的分布情況。從中可以很明顯的看到，高頻、高脈寬、低阻抗效率誤差較大。這意味著，在高頻高脈寬低阻抗時利用基于電路原理的最小二乘回歸模型預(yù)測的功耗值較為不準(zhǔn)確，并且誤差會很大。這在之后會做詳細分析。[0109]②幅度amp=0.9V時，由式（2-5)，得到n(〇.9)=0.39190693。利用同樣的方法分析在幅度為0.9V時不同頻率、脈寬和阻抗下的效率誤差的大小和分布特點。[0110]參見圖10-圖11，可以得出以下結(jié)論：（1)效率計算誤差隨刺激參數(shù)和阻抗的變化趨勢跟4.5V時相近，但誤差值整體要更大，差不多是4.5V時的4倍，這與圖4是相吻合的；（2)低頻(<30Hz)低阻抗(〈500Ω)、頻率脈寬都較高時效率誤差較大；（3)阻抗小于1000Ω時效率誤差大部分在〇.2-0.4(4.5V時效率誤差范圍是0.05-0.1，0.9V時是4.5V時的4倍）；（4)阻抗大于1000Ω時效率誤差大部分在0.1-0.3(4.5V時效率誤差范圍是小于0.05)。總結(jié)而言，0.9V時效率誤差隨頻率、脈寬和阻抗的變化趨勢與4.5V時相近，只是相應(yīng)誤差值抬高了4倍。[0111]2.方法固有誤差來源空載功耗[0112]對于空載功耗，我們認為空載功耗和頻率呈線性變化，脈寬對空載功耗沒有影響。以下分析不同頻率、脈寬和幅度下空載功耗計算誤差的分布情況。由圖12-13可以得出結(jié)論：（1)空載功耗計算誤差隨刺激頻率的增大而增大，在頻率為110-150Hz之間較為平穩(wěn)(在刺激幅度為4.5V，脈寬90ys，供電電壓2.8V下繪制）；（2)刺激幅度對空載功耗計算誤差的影響較為明顯，整體呈現(xiàn)"U"型趨勢，這種趨勢與刺激幅度對效率預(yù)測誤差的影響是類似的。當(dāng)幅度值在2-5V時空載功耗計算誤差較小，而在幅度值的兩側(cè)誤差較大。[0113]當(dāng)效率和空載功耗分別有Δτι和Δb的誤差時，會對功耗Cd產(chǎn)生ΔCd的功耗預(yù)測誤差。以下是效率和空載功耗計算誤差對最終預(yù)測功耗值誤差產(chǎn)生影響的理論推導(dǎo)。[0116]其中，a為負載理論功耗，b為空載功耗，η為效率，Cd為負載功耗。[0117]負載理論功耗的計算公式(13)為：[0119]根據(jù)對效率誤差和空載功耗計算誤差在不同參數(shù)組合下的分布特點的分析，Δη在低頻、低阻抗和高頻、高脈寬時較大并且隨幅度變化呈現(xiàn)"U"型趨勢，即在刺激幅度為2-7V時△η較小，而在幅度值的兩側(cè)△η較大；△b隨頻率的增大而增大，與幅度呈"υ"型趨勢，即在刺激幅度為2-5V時△b較小，在幅度值的兩側(cè)△b較大。結(jié)合式（12)，△η項后面乘以的是負載理論功耗a，由式（13)，a與幅度的平方、頻率和脈寬成正比，與阻抗成反比。這意味著通過因子a的作用將會放大△τι的影響因素(不同參數(shù)組合)對△Cd的作用。例如：△τι在低阻抗時較大，而阻抗越小a越大，那么△Cd在低阻抗時將會很大；同樣，Δη在高頻、高脈寬時較大，而頻率和脈寬越大a值也會越大，那么△Cd在高頻、高脈寬時將會很大。而對于空載功耗誤差A(yù)b直接會對功耗預(yù)測誤差△Cd產(chǎn)生線性作用，也就意味著，△b的影響因素(不同參數(shù)組合)對△Cd的作用是一樣的，并沒有被放大或縮小，因此△b和△Cd隨不同參數(shù)組合的分布規(guī)律一致。[0120]因此，效率誤差和空載功耗計算誤差在不同參數(shù)組合下的分布特點可以代表最小二乘回歸模型最終的功耗預(yù)測誤差的分布情況。或者說，基于電路原理的最小二乘回歸模型功耗預(yù)測誤差的分布符合這樣的特點：只有在典型刺激參數(shù)和阻抗范圍內(nèi)，幅度2-5V，頻率30-150HZ，脈寬小于300ys，阻抗大于500Ω，可以保持相對較好的功耗預(yù)測精度。而在高頻高脈寬、低阻抗、幅度值不在2-5V內(nèi)時功耗預(yù)測精度很低。[0121]以下介紹采用最小二乘法構(gòu)建的最小二乘回歸模型的電量狀態(tài)的長期監(jiān)測方法。[0122]在某種確定的刺激參數(shù)組合下的某段時間內(nèi)的腦起搏器電池電量消耗就是在這種參數(shù)組合下的功耗對時間的積分，即式(14):[0124]其中，D為腦起搏器在時間t內(nèi)的電池電量消耗;Cd為功耗，通過功耗預(yù)測模型獲得。[0125]對于DBS植入者而言，術(shù)后刺激參數(shù)的調(diào)節(jié)是改善癥狀非常重要的一個環(huán)節(jié)?？梢哉f幾乎每個DBS植入者都需要進行刺激參數(shù)調(diào)節(jié)以找到更適合他癥狀的刺激參數(shù)，這個過程很可能要一直伴隨著他。而每一次刺激參數(shù)的調(diào)整，功耗值都將會發(fā)生改變，并且隨著時間的延長，電量消耗將會越來越大。電量狀態(tài)的長期監(jiān)測指的是記錄患者每一次調(diào)節(jié)的刺激參數(shù)，利用功耗預(yù)測模型估計該刺激參數(shù)組合下的功耗，再將這個功耗值對兩次調(diào)參的時間間隔進行積分，就得到了在一段時間內(nèi)的DBS電量消耗值，每一次調(diào)參都給出預(yù)測的DBS剩余電量和該預(yù)測方法的可能誤差。[0126]在腦起搏器電量的實際監(jiān)測過程中需要考慮電池從購買到生產(chǎn)加工結(jié)束這段期間的自放電現(xiàn)象以及從腦起搏器出廠到開機前數(shù)月的電池靜態(tài)功耗而產(chǎn)生的電量損耗。將這兩部分電量損耗考慮進去，在設(shè)定刺激參數(shù)前，先計算出腦起搏器開機前的總的電量損耗。[0127]根據(jù)腦起搏器電池放電特點，自放電每年消耗電池電量的1%，靜態(tài)功耗為9-10μΑ，為了保險起見，這里取靜態(tài)功耗為ΙΟμΑ。腦起搏器開機前剩余電量計算式(15)為：[0128]F=BC-BCX1%Xti/12-10X24X30t2/1000(15)[0129]其中，BC為電池初始容量，單位:mAh;11為電池從購買到生產(chǎn)加工結(jié)束的時間，單位:月；t2為從腦起搏器出廠到開機前時間，單位:月。[0130]模擬一次調(diào)參后，DBS電池剩余電量(單位:mAh)計算式(16)為：[0131][0132]模擬5次調(diào)參后，DBS電池剩余電量(單位:mAh)計算式(17)為：[0133][0134]模擬η次調(diào)參后，DBS電池剩余電量(單位:mAh)計算式（18)為：[0135][0136]參見圖14-圖15是模擬五次調(diào)參過程的電量狀態(tài)監(jiān)測情況，兩幅圖的不同在于縱坐標(biāo)，也就是電池剩余電量的評估依據(jù)不同，圖14是電池剩余容量，圖15是以百分比的形式來體現(xiàn)電池剩余容量。五次腦起搏器刺激參數(shù)調(diào)整情況已在圖中標(biāo)出。由于取的刺激參數(shù)都是臨床常用的典型數(shù)值組合，并且功耗值都較小，因此電量剩余狀態(tài)的預(yù)測值和實際值并沒有偏差很大。[0137]本發(fā)明進一步通過公式(19)計算電池壽命：[0139]其中，P為使用壽命(年）；BC為電池總?cè)萘?mAh);Cd為功耗(μΑ)，通過功耗預(yù)測模型獲得。為了保險起見，本發(fā)明實施例，腦起搏器電池初始容量取為7200mAh(電池生產(chǎn)廠家給出的數(shù)據(jù)是7500mAh)。[0140]參見如下表2,本發(fā)明實施例隨機抽取4組刺激參數(shù)組合，進行對應(yīng)的功耗預(yù)測和壽命評估。[0141]表2功耗預(yù)測和壽命評估情況[0143]接下來介紹本發(fā)明的支持向量機(SVM)預(yù)測模型。[0144]統(tǒng)計學(xué)習(xí)理論(StatisticLearningTheory,SLT)是一種專門研究小樣本情況下機器學(xué)習(xí)規(guī)律的基本理論和數(shù)學(xué)架構(gòu)。由Vapnik提出的基于結(jié)構(gòu)風(fēng)險最小化的學(xué)習(xí)機器支持向量機(SupportVectorMachine,SVM)作為一種非常有潛力的回歸分類技術(shù)，是一種基于統(tǒng)計學(xué)習(xí)理論的模式識別方法。函數(shù)回歸估計是一種常見的機器學(xué)習(xí)問題，SVM在這個問題上通過同時控制函數(shù)的復(fù)雜度和逼近精度，獲得了很好的推廣能力，用SVM逼近函數(shù)的方法即為支持向量回歸（SupportVectorRegression，SVR)。[0145]SVM方法是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，是一種專門研究小樣本情況下機器學(xué)習(xí)規(guī)律的理論。在這種理論下的統(tǒng)計推理規(guī)則不僅考慮了對漸進性能的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。SVM理論與神經(jīng)網(wǎng)絡(luò)等其他學(xué)習(xí)方法相比，具有核的參數(shù)能夠自動地通過優(yōu)化的方法計算出來，并且避免了局部最小點、過學(xué)習(xí)等缺陷?？偨Y(jié)而言，SVM方法用于回歸估計問題不但能夠很好地解決以往困擾很多學(xué)習(xí)方法的小樣本、過學(xué)習(xí)、高維數(shù)、局部最優(yōu)等實際難題，而且有很強的泛化能力。[0146]-方面，基于電路原理的最小二乘回歸模型功耗預(yù)測的精度有限，并且只有在典型刺激參數(shù)組合和阻抗附近有相對于它自己的較好的預(yù)測精度。而在非典型參數(shù)下功耗預(yù)測精度則很低。另一方面，由于在不考慮不同阻抗和電池供電電壓影響的前提下，光是在電壓模式下刺激參數(shù)組合就有五十余萬種，如果再將阻抗考慮進來，這個數(shù)值將會以倍數(shù)的形式增長。而自動測試系統(tǒng)每采集一個參數(shù)組合的功耗值需要至少半分鐘，將所有刺激參數(shù)組合下的功耗都采集出來很難實現(xiàn)。鑒于該問題有刺激幅度、頻率、脈寬和阻抗四個變化的刺激參數(shù)，屬于高維、小樣本(最多只能采集2萬余種參數(shù)組合）、非線性問題，很難直接進行數(shù)據(jù)擬合。于是嘗試采用支持向量機進行預(yù)測，并且獲得了很好的預(yù)測效果，可使功耗預(yù)測誤差遠小于最小二乘回歸模型，同時其誤差分布更均勻、更平坦，預(yù)測功耗的絕對誤差和相對誤差趨勢互補，更有利于進行后期的電量監(jiān)測和壽命評估，不至因誤差的長期積累給壽命預(yù)測帶來太大的影響。[0147]下面介紹SVM用于回歸預(yù)測的基本思想和理論基礎(chǔ)。[0148]神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗風(fēng)險最小化原則，但是真正能夠直接影響模型實際預(yù)測效果的是期望風(fēng)險或者說實際風(fēng)險，而結(jié)構(gòu)風(fēng)險直接決定了期望風(fēng)險。經(jīng)驗風(fēng)險最小難以保證實際風(fēng)險最小，這是神經(jīng)網(wǎng)絡(luò)易出現(xiàn)過擬合的原因。在解釋過擬合之前，首先要理解訓(xùn)練數(shù)據(jù)集精度和測試數(shù)據(jù)集精度是兩個不同的概念。所謂過擬合，簡單的理解就是，如果一個分類器，其在訓(xùn)練數(shù)據(jù)集精度越高，在測試數(shù)據(jù)集精度越低，就說明出現(xiàn)了過擬合。[0149]不同于神經(jīng)網(wǎng)絡(luò)，支持向量機SVM是基于結(jié)構(gòu)風(fēng)險最小化原則，而結(jié)構(gòu)風(fēng)險是由經(jīng)驗風(fēng)險和置信范圍共同決定的。其中經(jīng)驗風(fēng)險表征了模型的擬合精度，置信范圍則代表模型的推廣能力。參見圖16,若想期望風(fēng)險最小，則需要經(jīng)驗風(fēng)險和置信范圍達到一個平衡，也就是在點h*處，可以使結(jié)構(gòu)風(fēng)險最小，既不會出現(xiàn)欠學(xué)習(xí)也不會出現(xiàn)過學(xué)習(xí)現(xiàn)象，使得模型的擬合精度和預(yù)測精度都較高。簡言之，SVM的基于結(jié)構(gòu)風(fēng)險最小化原則中包含兩個優(yōu)化指標(biāo):經(jīng)驗風(fēng)險和置信區(qū)間。兩者共同決定了支持向量的實際風(fēng)險。對于線性可分?jǐn)?shù)據(jù)，SVM的原理是固定經(jīng)驗風(fēng)險，最優(yōu)化VC置信范圍。這就需要最小化VC維，最終倒向了最基本的問題，就是最大化Margin。從此，該問題變成了純數(shù)學(xué)問題。而對于線性不可分?jǐn)?shù)據(jù)，則需要加入懲罰因子或者提高維度，將其轉(zhuǎn)變?yōu)榫€性可分問題。相比之下，神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)方法都是固定置信范圍，最小化經(jīng)驗風(fēng)險，因此易出現(xiàn)擬合精度很高而預(yù)測精度很低，也就是過擬合的情況。SVM基于結(jié)構(gòu)風(fēng)險最小化，能夠在保證擬合精度的同時最大化置信范圍以保證其推廣能力。所以，SVM的泛化能力要比神經(jīng)網(wǎng)絡(luò)好。[0150]參見圖17,支持向量機的基本思想是引入特征空間的概念，通過一個非線性映射把原數(shù)域上的非線性問題轉(zhuǎn)化為特征空間上的線性問題，同時還引入核函數(shù)的概念，把特征空間上的線性問題又返還到原數(shù)域上實施，而不涉及特征空間和非線性映射的具體形式，這樣就能在不提高計算復(fù)雜度的同時獲得最好的推廣能力。[0151]為了在高維特征空間中構(gòu)造最優(yōu)分類超平面，并不需要以顯式形式來考慮特征空間，而只需要能夠計算支持向量與特征空間中向量的內(nèi)積，也就是以核函數(shù)的方式來計算。使用核函數(shù)帶來的好處是，可以將輸入空間中的非線性分類面轉(zhuǎn)化為高維的特征空間F中的線性超平面來處理。參見圖18,為核函數(shù)原理圖，體現(xiàn)了將輸入空間的非線性分類映射到特征空間的線性分類的過程。[0152]總結(jié)而言，利用SVM可以把樣本X通過非線性映射Φ(χ)映射到高維特征空間F，并在F中求解最優(yōu)回歸函數(shù)。簡單地說，支持向量機可以實現(xiàn)將低維空間的非線性回歸轉(zhuǎn)化為高維空間中的線性回歸。而核函數(shù)則通過計算支持向量與特征空間中向量內(nèi)積的方式將高維空間中的線性問題又返還到原輸入空間實施。因此，在最優(yōu)回歸函數(shù)中采用適當(dāng)?shù)暮撕瘮?shù)Κ(x，xi)代替高維空間中的向量內(nèi)積Φ(Χι)·Φ(χ)，就可以實現(xiàn)某一非線性變換后的線性擬合，而計算復(fù)雜度卻沒有增加。可以說對于支持向量機算法而言，核函數(shù)扮演著重要的角色。因此核函數(shù)的選擇非常重要，將在后面具體分析。[0153]支持向量回歸分線性回歸和非線性回歸。對于線性回歸，考慮用線性回歸函數(shù)(20)[0154]y=f(χ)=ω·χ+b(20)[0155]對于非線性回歸，則把樣本χ通過非線性映射Φ(χ)映射到高維特征空間F，并在F中求解最優(yōu)回歸函數(shù)，并且采用適當(dāng)?shù)暮撕瘮?shù)K(x，xi)代替高維空間中的向量內(nèi)積Φ(χ〇·Φ(X)，從而實現(xiàn)某一非線性變換后的線性擬合。[0156]f(x，ω)=(ω·φ(χ))+b(21)[0157]其中，Φ(χ)是將樣本點映射到高維空間的非線性變換。[0158]SVM回歸機可表示為[0160]其中，為松弛變量，不能完全滿足式（22)的前兩個約束條件(不包括UPf)下引入。[0161]滿足約束：[0163]>0,1；'>0,/=1,2,···,/.[0164]優(yōu)化函數(shù)(22)為二次型，約束條件是線性的，因此是個典型的二次規(guī)劃問題，可用拉格朗日乘子法求解。引入拉格朗日乘子h，<，ru，<,可得[0168]將式(25)代入式(24)，將線性可分條件下的原問題變換為其對偶問題，求解如下的極大化問題：[0170]求解上述模型的Lagrange對偶問題，得到回歸函數(shù)：[0172]其中，K(Xi，x)=iKxi)·Φ(χ)為核函數(shù)。[0173]在這個模型中有三個非常重要的參數(shù)，分別是懲罰系數(shù)C，允許的誤差范圍ε(在模型訓(xùn)練時ε選為0.01)、核參數(shù)γ。懲罰系數(shù)C相當(dāng)于是對誤差的寬容度，C越大說明你越不能容忍出現(xiàn)誤差;核參數(shù)γ隱含地決定了數(shù)據(jù)映射到新的特征空間的分布。一般地，C越大，擬合誤差越小，預(yù)測誤差越大；ε越大，預(yù)測誤差越大，擬合誤差與ε之間沒有明顯的單調(diào)增大或者減小的關(guān)系。對于這三個參數(shù)的選擇沒有明確的規(guī)則，一般通過試驗給出。由于將允許誤差范圍ε選定為0.01，還需進行選擇的參數(shù)有懲罰因子C和核參數(shù)γ，關(guān)于C和γ的最佳組合的選取會在后面詳細介紹。[0174]以下介紹SVM預(yù)測模型建模方法流程。SVM建模方法通過Matlab編程實現(xiàn)。參見圖19，SVM預(yù)測模型建模方法包括以下步驟：[0175]步驟S10，確定所選的核函數(shù)，進入步驟SI1;[0176]步驟SI1，初始化核函數(shù)的參數(shù)，進入步驟SI2;[0177]步驟S12，獲取實驗樣本數(shù)據(jù)，進入步驟S13;[0178]步驟S13,將樣本數(shù)據(jù)用于學(xué)習(xí)或預(yù)測對比，如果是學(xué)習(xí)，進入步驟S14，[0179]如果是預(yù)測對比，則進入步驟S18;[0180]步驟S14，對樣本數(shù)據(jù)進行預(yù)處理，進入步驟S15;[0181]步驟S15,判斷所選參數(shù)特征是否具有代表性，如果是，進入步驟S16，[0182]如果否，則返回步驟S14;[0183]步驟S16,算法訓(xùn)練建立模型，進入步驟S17;[0184]步驟S17,采用網(wǎng)絡(luò)搜索方法優(yōu)化參數(shù)，進入步驟S18;[0185]步驟S18,將預(yù)測數(shù)據(jù)與實驗數(shù)據(jù)進行對比，進入步驟S19;[0186]步驟S19，判斷誤差是否在允許范圍內(nèi)，如果是，進入步驟S20，如果[0187]否，則返回步驟S16;以及[0188]步驟S20,作為預(yù)測模型。[0189]上述方法中，主要的三步是步驟S10,核函數(shù)的選擇;步驟S14,數(shù)據(jù)預(yù)處理；以及步驟S17,參數(shù)優(yōu)化。[0190]所述步驟S10中，在支持向量機中使用的核函數(shù)主要有四類：[0191](1)線性核函數(shù)K(Xl，Xj)=Xl·Xj[0192](2)多項式核函數(shù)K(xi，xj)=[γ(xi·Xj)+coef0]d,γ>0[0193](3)徑向基核函數(shù)（高斯、RBF)K(xi,xj)=exp(-yI|xi_xj|I2),γ>0[0194](4)Sigmoid函數(shù)K(Xi，Xj)=tanh(v(Xi·Xj)+coef0)[0195]對于支持向量機算法而言，核函數(shù)的選擇非常關(guān)鍵。通常而言，徑向基核函數(shù)(高斯核函數(shù)、RBF核函數(shù))是合理的首選。這個核函數(shù)將樣本非線性地映射到一個更高維的空間，與線性核不同，它能夠處理分類標(biāo)注(輸入特征)和屬性(輸出功耗值)的非線性關(guān)系。并且，線性核是RBF的一個特例，因此，使用一個懲罰因子C的線性核與某些參數(shù)(C，γ)的RBF核具有相同的性能。同時，Sigmoid核的表現(xiàn)很像一定參數(shù)的RBF核。第二個原因，超參數(shù)(hyperparameter)的數(shù)量會影響到模型選擇的復(fù)雜度（因為參數(shù)的選擇只能靠試驗），而多項式核比RBF核有更多的超參數(shù)。最后，RBF核有更少的數(shù)值復(fù)雜度（numerica1difficulties)，而多項式核涉及高階運算。此外，Sigmoid核在某些參數(shù)下不是合法的（例如:不是兩個向量的內(nèi)積）。當(dāng)然，也存在一些情形RBF核是不適用的。特別地，當(dāng)特征維數(shù)非常大的時候，很可能只能適用線性核。對于線性核相當(dāng)于沒有將樣本映射至高維空間，線性區(qū)分(或回歸)在原始特征空間中被完成，這是最快的選擇。[0196]綜合上述分析，由于無論是小樣本還是大樣本，高維還是低維等情況，RBF核函數(shù)均適用，具有較寬的收斂域。并且對于非線性模型來說，RBF核函數(shù)是較為理想的回歸依據(jù)函數(shù)，因此選擇徑向基RBF核函數(shù)。[0197]值得注意的是，上面這些核函數(shù)中都包含可調(diào)節(jié)的參數(shù)，比如多項式核函數(shù)中的參數(shù)γ，coefO，d;RBF核函數(shù)中的參數(shù)γ以及Sigmoid核函數(shù)中的參數(shù)v，coef0等。根據(jù)核函數(shù)參數(shù)以及式(22)中懲罰因子C和式(23)中允許的誤差范圍ε選取的不同，模型的預(yù)測精度可能會有很大差異。這就是SVM方法的參數(shù)選擇問題，又稱模型選擇問題。將在下面進行具體分析。[0198]所述步驟S12中，將需要采集的數(shù)據(jù)分為三組，共14561個樣本：[0199]第一組：共630個。幅度（￥):0-0.9(8七6?:0.1);頻率（他）：2,30,70，110，130，150，170，200，250;脈寬（ys):30，70，110，150，200，350，450[0200]第二組：共13175個。幅度（V):l-4(step：0.1);頻率(Hz):2,10,30,50,70,90,110，130-185(step:5)，200-250(step:10);脈寬（ys):30-120(step:10)，150-450(step:50)。[0201]第三組:共756個。幅度(￥):4.5-10(8七6?:0.5);頻率(抱）：2,30,70，110，130，150，170，200，250;脈寬（ys):30，70，110，150，200，350，450。[0202]以上樣本的阻抗均為1000Ω。用這14561個樣本在不考慮阻抗和電池供電電壓的前提下去預(yù)測53萬余個刺激參數(shù)(幅度、頻率、脈寬)組合。（僅考慮電壓模式）[0203]利用自動測試系統(tǒng)采集三個維度的數(shù)據(jù)，即幅度、頻率和脈寬。由于增加一個維度會給數(shù)據(jù)采集和預(yù)測精度帶來影響，因此并沒有加入阻抗信息，會在后面作為修正因數(shù)考慮。[0204]下面詳細解釋一下為什么增加一個維度會給數(shù)據(jù)采集和預(yù)測精度帶來影響。從數(shù)據(jù)采集的角度，現(xiàn)在需要采集的樣本數(shù)量為14561個，如果增加阻抗信息，例如加入300，500，1000，2000，3000(單位Ω)這五個阻抗值，那么意味著將需要采集14561X5=72805個樣本，自動測試系統(tǒng)每采集一個樣本需要至少30s的時間，原本只需5天的數(shù)據(jù)采集時間，加入阻抗信息后至少需要25天?？梢娫黾右粋€維度給數(shù)據(jù)采集工作帶來了一定的困難。從模型預(yù)測精度的角度，對于支持向量機本身而言，輸入樣本的特征越多，也就是維度越高，SVM預(yù)測精度會越低。[0205]所述步驟S14中，樣本數(shù)據(jù)預(yù)處理是指對樣本數(shù)據(jù)的輸入特征幅度、頻率和脈寬的數(shù)值進行處理。適用于本問題的樣本預(yù)處理方式主要有兩種：歸一化和取序列號。歸一化是較為常用的數(shù)據(jù)預(yù)處理方式，而取序列號是筆者根據(jù)所研究問題的實際情況提出的。參見圖20-圖25,通過仿真圖形和對比表可以看出，取序列號的處理方案會使模型預(yù)測精度大大改善。歸一化方案分為兩種，一種是對樣本的所有輸入特征和輸出功耗都進行歸一化處理；另外一種是只對樣本的所有輸入特征進行歸一化處理，而輸出功耗則不進行處理，使用其原始數(shù)據(jù)。圖像仿真說明這兩種不同的歸一化方式，在模型預(yù)測精度上有較大的差異，前者預(yù)測精度非常低，后者預(yù)測精度比前者高很多，且僅略低于取序列號的方案。下面分別對這三種樣本數(shù)據(jù)預(yù)處理方案進行分析，并繪制功耗預(yù)測的仿真圖形，進行預(yù)測誤差對比。[0206]所述歸一化處理為按照如下歸一化方式對數(shù)據(jù)進行處理：[0207]Xl=2((X-Xmin)/(Xmax-Xmin))~1(28)[0208]其中，X為原數(shù)據(jù);XiSX經(jīng)歸一化處理后的值;Xmax和Xmin分別為原數(shù)據(jù)X所在數(shù)據(jù)組中的最大值和最小值。[0209]所述取序列號的方法為:幅度序列號=幅度X20;脈寬序列號=(脈寬_30)/10;頻率序列號按照從自然數(shù)0-61以1為增量進行編號。如下表3所示。[0210]表3對輸入樣本特征值取序列號預(yù)處理[0212]參見表4,為分別采用不對樣本預(yù)處理、歸一化和取序列號的方式模型預(yù)測精度對比：[0213]表4[0214][0216]其中，Xl為預(yù)測值，X為實際值，n為測試集樣本數(shù)。[0217]通過對以上3組6幅Matlab仿真圖和采用不同樣本預(yù)處理方案模型預(yù)測精度的對比表2,可以得出如下結(jié)論：[0218]第一，在支持向量機算法中，如果不對訓(xùn)練和預(yù)測樣本進行預(yù)處理，模型預(yù)測精度會非常差，甚至遠不如最小二乘回歸模型。如圖20和圖21，以及模型預(yù)測精度對比表2中的第二列。[0219]第二，由圖22-圖25,對樣本輸入特征(幅度、頻率、脈寬)取序列號的方式是最適用于本文所研究問題的樣本預(yù)處理方案，通過取序列號可使模型預(yù)測精度最高。對其原因進行簡要分析:①幅度是等比例放大，變?yōu)樵瓉淼?0倍;②頻率進行編號處理，降低較大數(shù)據(jù)值的同時，較小數(shù)據(jù)并沒有變得更小，在保證數(shù)據(jù)之間關(guān)系的同時縮小了數(shù)據(jù)之間的差距，并且增強了數(shù)據(jù)之間的內(nèi)部特征規(guī)律和聯(lián)系，同時使數(shù)據(jù)范圍變小且更有效，數(shù)據(jù)分布得更合理;③對脈寬做了一個線性變換pw=30+10Xn(pw為實際脈寬值，η為對應(yīng)的序列號），由于實際可調(diào)脈寬值在30-450US之間，可使數(shù)據(jù)值有效減小，在減小時也并未打破數(shù)據(jù)之間的內(nèi)部特征關(guān)系。并且不是直接縮小10倍，而是有一個截距，從而保證了數(shù)據(jù)的完整性，使得變換后的數(shù)據(jù)從0開始，并且數(shù)值也更小。綜上，對樣本的輸入特征通過取序列號這樣的映射關(guān)系可以完整的保存不同特征值內(nèi)部之間的關(guān)系，而不會打破特征值內(nèi)在的關(guān)聯(lián)。另外，根據(jù)仿真圖形，取序列號和只對樣本的所有輸入特征進行歸一化處理，而輸出功耗不進行處理使用其原始數(shù)據(jù)這兩種樣本預(yù)處理方案的模型預(yù)測精度相當(dāng)，由于篇幅等原因這里沒有給出仿真圖形對比。[0220]第三，圖24和圖25中的歸一化方案采用的是對樣本的所有輸入特征和輸出功耗都進行歸一化處理的方式?？梢钥闯鲞@種樣本預(yù)處理方案相比于取序列號預(yù)測精度略差。對其原因進行簡要分析。這種處理方式和只對樣本的所有輸入特征進行歸一化處理，而輸出功耗則不進行處理使用其原始數(shù)據(jù)的方案有一個很大的差別，就是這種方式由于對訓(xùn)練樣本的輸出功耗進行了歸一化，那么SVM經(jīng)訓(xùn)練學(xué)習(xí)后得到的功耗預(yù)測值相當(dāng)于也是歸一化后，這時就需要對其進行反歸一化。即如果先將整個數(shù)據(jù)集(包括訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù))進行歸一化，然后訓(xùn)練SVM模型，再用模型去做預(yù)測，再將得到的預(yù)測結(jié)果進行反歸一化，得到預(yù)測的功耗數(shù)據(jù)。在這個過程本身存在一個問題，就是反歸一化時由于并不知道預(yù)測值對應(yīng)的功耗的最大和最小值，而是仍然用的實測訓(xùn)練數(shù)據(jù)集中功耗的最大最小值，除非這兩者的最大最小值相同，否則必然會存在偏差。[0221]因此，對于SVM算法的訓(xùn)練，要想得到好的預(yù)測效果，最重要的就是數(shù)據(jù)，即對于原始數(shù)據(jù)的特征提取和處理。采用不同的樣本預(yù)處理方案可能會對模型預(yù)測精度產(chǎn)生意想不到的較大影響。仿真結(jié)果說明，對樣本輸入特征(幅度、頻率、脈寬）取序列號的數(shù)據(jù)預(yù)處理方式可使模型預(yù)測精度最高，其預(yù)測樣本的標(biāo)準(zhǔn)差是最小的。并且盡量不要對樣本輸出特征即功耗值做任何處理(例如:歸一化和反歸一化），這會使預(yù)測精度大打折扣。[0222]所述步驟S17中，在所選取的核函數(shù)的基礎(chǔ)上，對其參數(shù)進行優(yōu)化選擇。核函數(shù)的選擇和參數(shù)優(yōu)選是決定SVM回歸預(yù)測精度的關(guān)鍵，這往往需要一定的先驗知識，目前還沒有一般性的結(jié)論，這里采用網(wǎng)格搜索的方式對懲罰系數(shù)C和核參數(shù)γ進行優(yōu)選。[0223]優(yōu)化的目標(biāo)函數(shù)是均方誤差mse，參加優(yōu)選的參數(shù)是懲罰因子C和核參數(shù)γ，優(yōu)選范圍為：l〇g2C=-15:15，log2γ=-15:15，C和γ的組合共有961種。參數(shù)優(yōu)化方案是利用網(wǎng)格搜索的方式選擇使均方誤差mse最小的一組參數(shù)作為最優(yōu)的C與γ。在最優(yōu)參數(shù)組合處，SVM的經(jīng)驗風(fēng)險和置信范圍接近最佳的組合(結(jié)構(gòu)風(fēng)險最小化示意圖16中h*處），既不會出現(xiàn)過學(xué)習(xí)現(xiàn)象，也不會出現(xiàn)欠學(xué)習(xí)現(xiàn)象，此時SVM具有很好的推廣能力。同時，訓(xùn)練時隨機生成訓(xùn)練樣本和測試樣本，并將3折交叉驗證和參數(shù)優(yōu)選相結(jié)合，以防止過擬合，提高模型的泛化能力。[0224]圖26為某一次參數(shù)優(yōu)選的示意圖（刺激幅度0-0.9V，阻抗1000Ω，供電電壓2.8V;樣本數(shù)據(jù)預(yù)處理方式采用取序列號的方案）。圖中橫坐標(biāo)為l〇g2C，縱坐標(biāo)為l〇g2y，不同顏色的線表示均方誤差mse等值線，越接近紅色（暖色)表示mse越大，越接近藍色(冷色)表示mse越?。▓D中有標(biāo)出mse的具體數(shù)值）。圖26中圈出的位置為mse最小處，此時log2C=14，l〇g2y=_1〇,即bestC=16384，besty=9.76563X10-4。[0225]參見圖27,為本發(fā)明提供的腦起搏器電量監(jiān)測系統(tǒng)10,其包括:一控制模塊100以及與該控制模塊100連接的計算模塊101、數(shù)據(jù)獲取模塊102、通訊模塊103,顯示模塊104、數(shù)據(jù)輸入模塊105以及存儲模塊106。[0226]所述控制模塊100控制控制整個腦起搏器電量監(jiān)測系統(tǒng)10的工作。所述數(shù)據(jù)獲取模塊102用于獲取所述腦起搏器的刺激參數(shù)，例如:幅度amp，脈寬pw，阻抗im，以及頻率cf。所述數(shù)據(jù)獲取模塊102可以通過通訊模塊103與所述腦起搏器的體外程控儀進行通訊，從而獲取腦起搏器的刺激參數(shù)。所述數(shù)據(jù)輸入模塊105用于輸入電池總?cè)萘?、電池從購買到加工結(jié)束的時間以及腦起搏器從出廠到開機的時間等信息。所述計算模塊101用于通過上述公式根據(jù)刺激參數(shù)計算所述腦起搏器的功耗、剩余電量以及使用壽命。所述顯示模塊104將所述計算模塊101計算得到的結(jié)果顯示給用戶。參見圖28,所述顯示模塊104通過一圖形用戶界面將監(jiān)控數(shù)據(jù)顯示給用戶，其中，顯示數(shù)據(jù)包括：電池總?cè)萘?、電池從購買到加工結(jié)束的時間、腦起搏器從出廠到開機的時間、功耗、剩余電量、誤差以及刺激參數(shù)幅度amp，脈寬pw，阻抗im，以及頻率cf。所述存儲模塊106用于存儲數(shù)據(jù)信息。[0227]進一步，所述腦起搏器電量監(jiān)測系統(tǒng)10也可以沒有數(shù)據(jù)獲取模塊102和通訊模塊103,完全通過數(shù)據(jù)輸入模塊105來手動輸入數(shù)據(jù)信息。[0228]進一步，所述腦起搏器電量監(jiān)測系統(tǒng)10也可以通過通訊模塊103將所述計算模塊101計算得到的結(jié)果發(fā)送至手機等客戶端。[0229]進一步，所述腦起搏器電量監(jiān)測系統(tǒng)10還可以包括一比較模塊107和一提示模塊108。所述比較模塊107用于將所述計算模塊101計算得到的結(jié)果與一安全閾值進行比較，從而在危險時通過該提示模塊108進行提示。[0230]以上已經(jīng)給出了本發(fā)明的多個實施方式，可以理解的是，在不偏離本公開內(nèi)容精神以及范圍的情況下，可以做出各種變化、替換、以及改變，這些實施方式也在本發(fā)明的保護范圍內(nèi)?！局鳈?quán)項】1.一種腦起搏器的電量監(jiān)測方法，該方法包括：獲取腦起搏器的刺激參數(shù)；通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第一組電池功耗參數(shù)；通過支持向量機功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)獲得第二組電池功耗參數(shù)；W及將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶。2.根據(jù)權(quán)利要求1的腦起搏器的電量監(jiān)測方法，其特征在于，所述刺激參數(shù)包括:幅度amp,脈寬PW，阻抗im，W及頻率cf;所述通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)的方法為:通過公式(1)-(2)計算腦起搏器的功耗Cd:η(amp)=-0.0007Xamp4+〇.0178Xamp3-〇.1590Xamp2+〇.6172Xamp-0.0473(2)其中，ri(amp)表示任意幅度下的效率。3.根據(jù)權(quán)利要求2的腦起搏器的電量監(jiān)測方法，其特征在于，所述公式（1)中的空載功耗通過公式(3)-(5)計算，所述公式(1)中的負載理論功耗通過公式(6)計算：Ned(30)=-0.0091Xamp^+0.6963Xamp^+1.0049Xamp+9.7751(3)Ned(150)=0.0903Xamp3-〇.6880Xamp2+l5.059Xamp+14.909(4)化d(amp，cf)=化d(30)+(Ncd(150)-Ncd(30))/(150-30)·kf-30)(5)負載理論功耗=1000XnXamp2·pw/(2.8Xim/cf)(6)其中，Ned(30)和Ned(150)分別表示頻率為30Hz和150Hz的空載功耗，Ned(amp,cf)表示任意幅度和頻率下的空載功耗，公式(6)中當(dāng)腦起搏器為雙通道時n=2,當(dāng)腦起搏器為單通道時n=l。4.根據(jù)權(quán)利要求2的腦起搏器的電量監(jiān)測方法，其特征在于，所述通過最小二乘算法功耗預(yù)測模型計算該腦起搏器的電池相關(guān)參數(shù)的方法進一步包括:根據(jù)公式(7)計算腦起搏器電量消耗D;根據(jù)公式(8)計算腦起搏器開機前剩余電量F;根據(jù)公式(9)計算腦起搏器η次調(diào)節(jié)參數(shù)后的剩余電量Q;W及根據(jù)公式(10)計算腦起搏器電池壽命Ρ:其中，公式(8)中，BC為電池初始容量，單位:mAh;11為電池從購買到生產(chǎn)加工結(jié)束的時間，單位:月；t2為從腦起搏器出廠到開機前時間，單位:月。5.根據(jù)權(quán)利要求1的腦起搏器的電量監(jiān)測方法，其特征在于，所述支持向量機功耗預(yù)測模型通過w下方法建立：步驟S10,確定所選的核函數(shù)，進入步驟S11;步驟S11，初始化核函數(shù)的參數(shù)，進入步驟S12;步驟S12，獲取實驗樣本數(shù)據(jù)，進入步驟S13;步驟S13,將樣本數(shù)據(jù)用于學(xué)習(xí)或預(yù)測對比，如果是學(xué)習(xí)，進入步驟S14,如果是預(yù)測對比，則進入步驟S18;步驟S14，對樣本數(shù)據(jù)進行預(yù)處理，進入步驟S15;步驟S15,判斷所選參數(shù)特征是否具有代表性，如果是，進入步驟S16,如果否，則返回步驟S14;步驟S16，算法訓(xùn)練建立模型，進入步驟S17;步驟S17，采用網(wǎng)絡(luò)捜索方法優(yōu)化參數(shù)，進入步驟S18;步驟S18,將預(yù)測數(shù)據(jù)與實驗數(shù)據(jù)進行對比，進入步驟S19;步驟S19,判斷誤差是否在允許范圍內(nèi)，如果是，進入步驟S20,如果否，則返回步驟S16;W及步驟S20,作為預(yù)測模型。6.根據(jù)權(quán)利要求5的腦起搏器的電量監(jiān)測方法，其特征在于，所述步驟S10中，所選的核函數(shù)為:徑向基核函數(shù)K(xi，xj)=exp(-丫I|xi-xj|I2)，丫〉0;所述步驟S12中，獲取實驗樣本數(shù)據(jù)的方法為：利用自動測試系統(tǒng)采集Ξ個維度的數(shù)據(jù)，幅度、頻率和脈寬；所述步驟S14中，對樣本數(shù)據(jù)進行預(yù)處理的方法為歸一化或取序列號。7.根據(jù)權(quán)利要求6的腦起搏器的電量監(jiān)測方法，其特征在于，所述歸一化公式（1)為:Xi=2((X-Xmin)/(Xmax-Xmin))-1(1)，其中，X為原數(shù)據(jù);Xl為X經(jīng)歸一化處理后的值;Xmax和Xmin分別為原數(shù)據(jù)X所在數(shù)據(jù)組中的最大值和最小值;所述取序列號的方法為:幅度序列號=幅度X20;脈寬序列號=(脈寬-30)/10;頻率序列號按照自然數(shù)為增量進行編號。8.根據(jù)權(quán)利要求1的腦起搏器的電量監(jiān)測方法，其特征在于，所述將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶的方法包括：比較該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)的誤差；W及將誤差較小的一組參數(shù)顯示給用戶。9.根據(jù)權(quán)利要求1的腦起搏器的電量監(jiān)測方法，其特征在于，所述將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)中的至少一組顯示給用戶的方法為將該第一組電池功耗參數(shù)和第二組電池功耗參數(shù)一起顯示給用戶。10.-種腦起搏器電量監(jiān)測系統(tǒng)，其包括：一控制模塊，所述控制模塊控制控制整個腦起搏器電量監(jiān)測系統(tǒng)的工作；一計算模塊，所述計算模塊用于通過上述權(quán)利要求1至9所述的任意一種方法進行計算；一顯示模塊，所述顯示模塊用于將所述計算模塊計算得到的結(jié)果顯示給用戶；一數(shù)據(jù)輸入模塊，所述數(shù)據(jù)輸入模塊用于輸入腦起搏器的數(shù)據(jù)信息；W及一存儲模塊，所述存儲模塊用于存儲數(shù)據(jù)信息。11.根據(jù)權(quán)利要求10的腦起搏器電量監(jiān)測系統(tǒng)，其特征在于，進一步包括一數(shù)據(jù)獲取模塊和一通訊模塊;所述數(shù)據(jù)獲取模塊用于通過該通訊模塊與所述腦起搏器的體外程控儀進行通訊，從而獲取腦起搏器的刺激參數(shù)。12.根據(jù)權(quán)利要求10的腦起搏器電量監(jiān)測系統(tǒng)，其特征在于，進一步包括一比較模塊和一提示模塊;所述比較模塊用于將所述計算模塊計算得到的結(jié)果與一安全闊值進行比較，從而在危險時通過該提示模塊進行提示;且所述示模塊通過一圖形用戶界面將所述計算模塊計算得到的結(jié)果顯示給用戶?！疚臋n編號】G01R31/36GK106093795SQ201610630392【公開日】2016年11月9日【申請日】2016年8月3日公開號201610630392.9,CN106093795A,CN106093795A,CN201610630392,CN-A-106093795,CN106093795A,CN106093795A,CN201610630392,CN201610630392.9【發(fā)明人】曲薇,胡春華,馬伯志,黃俊,陳浩,郝紅偉,薛林,李路明【申請人】北京品馳醫(yī)療設(shè)備有限公司,清華大學(xué)