论文部分内容阅读
在临床手术中,麻醉是必不可少的一项措施。为了能够对病人的麻醉深度进行实时的自动监测控制,本文建立了一个基于Renyi排序熵(RPE)的麻醉闭环控制系统模型。本文提出的麻醉闭环控制系统包括:三房室药代学模型,由粒子群优化算法(Particle Swarm Optimization,PSO)辨识的药效学模型;蚁群PID(Ant Colony Optimization-Proportional Integral Derivative,ACO-PID)和模型预测控制(Model Predictive Control,MPC)控制器。为了评估两种控制方法的控制效果,采用上升时间、超调量、误差、中值误差、绝对中值误差和波动等指标对控制结果进行统计分析,结果证明RPE可以用于麻醉闭环控制系统中对病人的麻醉深度进行评估,两种控制方法都可以很快通过调整给药速度使麻醉深度达到期望值,并维持不同手术操作所需的麻醉深度,满足临床需求。为了实现在仿真中产生脑电信号,建立更接近临床实际的麻醉闭环控制系统模型,本文还提出了丘脑皮层神经群模型。此模型主要由丘脑-皮层中继细胞神经群(Thalamo-cortical relay cell population,TCR)、丘脑网状核神经群(Thalamic reticular nucleus,TRN)、锥体神经元(Pyramidal neurons),兴奋性神经元(Excitatory interneurons)、慢速动力学抑制性神经元(GABAA,slow)和快速动力学抑制性神经元(GABAA,fast)六个神经群组成。通过调整丘脑-皮层中继细胞神经群,丘脑网状核神经群和锥体神经元群的输入,模拟产生的脑电信号具有和实际脑电信号相同的频谱,可以实现不同麻醉状态的切换。同时,由于麻醉闭环控制系统中常用的麻醉深度指标均为单一尺度指标,而神经信号往往是多尺度信号,为了探索多尺度麻醉深度指标,本文提出了六种多尺度排序熵方法来量化EEG信号中的药物效应。六种多尺度排序熵由三种排序熵,即香农排序熵(Shannon permutation entropy,SPE)、Renyi排序熵(Renyi permutation entropy,RPE)、Tsallis排序熵(Tsallis permutation entropy,TPE),与两种多尺度分解方法-粗粒化方法(coarse-graining,CG)和移动均值化方法(moving-average,MA)组合构成,从跟踪麻醉深度的能力、抗噪性和区分不同麻醉状态等方面进行评估,探索最优的多尺度排序熵指标。