一种脑年龄预测的方法和系统与流程

一项关于脑功能评估的发明，尤其涉及手术室场景下全身麻醉患者的脑功能评估。其改进之处是通过对患者麻醉深度监测采集的脑电数据进行“二次利用”，能在术中给出患者是否为“高龄脑”的预测，可指导麻醉医生后续的麻醉用药，并可作为一种脑功能体检，预测的结果可以作为评估患者术后远期阿尔兹海默症风险的辅助参考 。

背景技术：

1、 评估一个人的脑的老化程度，或者叫脑的生理年龄，是一个很新的研究领域。自2012年 katja franke和christian gaser提出“脑年龄”这个术语及利用核磁共振mri测量脑年龄的技术，才有10余年历史，见geropsych: the journal of gerontopsychology andgeriatric psychiatry, 25(4), 235–245. https://doi.org/10.1024/1662-9647/a000074。核磁共振是一种脑的结构成像，能测量脑室的大小、大脑皮层灰质的厚度等。而随着人年龄的增加，大脑在结构上会萎缩，表现为脑室变大、大脑皮层灰质变薄。利用核磁共振测量大量人群的脑结构数据后，就能建立一个脑结构影像特征随年龄变化的统计模型，将一个新的个体的脑结构影像特征输入这个模型后，就能得到一个年龄的预测值。这个值与实际年龄可能有偏差，称为脑年龄差距。 脑年龄的概念类似评估儿童生长发育的身高-体重曲线和骨龄曲线。

2、目前，绝大多脑年龄预测方面的学术文献和专利都是利用核磁共振mri。核磁共振为大型设备，数量较少且在大型医院和专业脑科学实验室才配备；拍摄一次核磁共振，费用高昂。限制了其广泛使用。而且脑结构的变化相比于脑功能的衰退有滞后（可能在肉眼可见的脑萎缩出现数年甚至数十年之前，脑功能就已经出现衰退了）。脑电eeg是一种脑功能测量设备，本发明采用脑电进行脑年龄的预测，相比于核磁共振，更方便、更便宜，更易广泛推广，且有可能更早发现脑的过早衰老。

3、相比于利用核磁共振进行脑年龄评估，基于脑电的脑年龄评估目前仍处于基础研究的探索阶段。目前，利用脑电进行脑年龄评估的学术文献和专利极少。从2020年以后，才零星有这方面的文献发表，目前国内外这方面文献的数量在十几篇左右。其主要的问题是，正常状态下的脑电信号随短期因素（精神状态、是否眨眼、情绪等）有巨大变化，而年龄因素对脑电信号的影响相比这些短期因素要弱得多。使得利用正常状态下的脑电信号去预测年龄变得极其困难，即利用正常状态下的脑电信号很难准确预测出脑年龄。专利cn110458066披露了一种利用静息态脑电进行年龄分段的方法，但其准确率只有52%。没有任何依据的随机猜测，准确率是50%。本发明提出利用全身麻醉这种极端条件下的脑电信号去进行脑年龄的预测，解决了上述难题。从本发明的实施例中展示的结果，本发明对“年轻脑”和“高龄脑”的预测准确率达到了95%以上，准度率达到了实用的水平 。

4、目前大部分利用脑电进行脑年龄预测的研究，都是采用专门的、用于科研的脑电采集设备，其布设非常麻烦耗时，被采集者需要先清洗头发，减少头皮油脂对脑电采集的不良影响，同时数十道电极依次布设上整个头皮上并调节其阻抗到符合要求。采集完成以后，由于在头皮上涂抹了导电凝胶，被采集者需要第二遍清洗头发。这是一个非常耗时的过程，一般需要一至两个小时。本发明利用的是临床麻醉中因麻醉深度监测而采集的脑电波信号，其采用贴放于前额的单通道脑电，整个过程只需要数秒时间，且患者不需要两次清洗头发，非常方便。本发明不需要进行脑电的额外采集，是对现成的脑电波信号的“二次利用”，是“零成本”。

5、现有几乎所有的脑年龄研究，无论是其采用核磁共振还是脑电，抑或是其他可能的神经影像技术，其建立的模型都是统计回归，这是一般研究者甚至非专业人士在想到“年龄预测”这个概念时会自然而然想到的统计模型 ，即通过模型要预测出一个年龄的数值。这种方法的可能缺陷是预测的脑年龄，除了反映脑的衰老程度以外，还夹杂与了与脑衰老无关的、先天遗传引起的脑结构个体差异。比如一个25岁的人，模型输出他的年龄为30岁,另一个同样为25岁的人，模型输出他的年龄为20岁。对于一个25岁、处于生理巅峰状态的青壮年，其大脑不可能衰老，上述这两个青年的脑年龄差异，更多反映的是脑结构自身的个体差异。对于麻醉临床，这种数值型的脑年龄最大的缺点是，没有一个明确的阈值标准，较难指导麻醉医生的临床操作。本发明采用“高龄脑”和“年轻脑”的二元分类机器学习，模型输出的是“高龄脑”/“年轻脑”二者择一的预测，可以给麻醉医生明确的指导。另外，在进行脑年龄预测时，一般研究者通常都会选择全年龄段的人群进行模型训练。本发明在模型训练时仅使用处于生理巅峰状态青壮年和极度衰老的高龄老人人群，虽然中间年龄段是数量最多的主体人群，本发明却异于常理地在模型训练时将其舍弃。而正是这个设计让本发明的脑年龄预测避免了与脑衰老无关的脑电个体差异的影响，使得预测的结果仅反映脑的衰老。

6、此外，检索到的唯一一篇利用脑电进行脑年龄预测的国内中文学术文献，其采用的是任务态脑电，即被测量者需要根据实验人员的指令，数十次至数百次的执行认知任务。这种方式明显不适于已处于无意识状态的麻醉患者。

技术实现思路

1、为了解决上述问题，本发明提供了一种基于全身麻醉患者脑电数据的脑年龄预测方法和系统，其目的在于，提供一种脑年龄评估的工具，能在术中给出患者是否为“高龄脑”的预测，可指导麻醉医生后续的麻醉用药，并可作为一种脑功能体检，预测的结果可以作为评估患者术后远期阿尔兹海默症风险的辅助参考。

2、为了实现上述目的，本发明所采用的技术方案如下：由基于大量患者麻醉监测历史数据的脑年龄预测分类模型训练方法和手术室场景下某个特定患者的脑年龄评估方法两部分组成。包括以下步骤：

3、步骤s1：收集大量全年龄段人群全身麻醉状态下的脑电数据，建立脑电数据集，用于机器学习的模型训练。

4、步骤s2：筛选出合适的麻醉患者脑电数据。排除6岁以下儿童，排除脑疾病和精神疾病人群、排除重度饮酒吸烟及服用精神类药品人群。

5、步骤s3：筛选出青壮年人群和高龄老人人群，分别标记为“年轻脑”和“高龄脑”，作为机器学习模型的输出。

6、步骤s4：分析麻醉呼吸机和输注泵记录的文件，标注患者的麻醉药类型。

7、步骤s5：从患者的麻醉脑电监测数据中筛选出麻醉深度适合、信号质量良好的脑电数据。

8、 步骤s6 当确认患者已从麻醉诱导阶段转入了麻醉维持阶段，并且麻醉深度适宜，既没有麻醉过深、也没有麻醉过浅时，则选择一定时长的脑电波数据计算相应的脑电特征。

9、步骤s7：构建训练数据集和测试数据集。在训练数据集上， 利用常用的统计学习模型，比如决策树、支持向量机、逻辑回归等，在上述两个数据集上训练出两个“年轻脑”和“高龄脑”的二元分类模型，分别是静脉丙泊酚麻醉麻醉时的脑年龄分类模型和氟烷吸入麻醉时的脑老化分类模型。在测试数据集上，测试模型的表现。

10、步骤s8：采集待检测患者的脑电波信号。

11、步骤s9：计算麻醉深度值、脑电爆发抑制和肌电值等，根据脑电特征，判断患者是否已进入了全身麻醉状态。

12、步骤s10：根据脑电特征，判断患者使用的麻醉药类型。

13、步骤s11：计算用于脑年龄评估的脑电特征。

14、步骤s12：将上述脑电特征输入脑年龄预测模型，得到预测结果 。将“高龄脑”的概率乘以100，转换为0-100，定义为“高龄脑指数”或“脆弱脑指数”或“麻醉风险指数”。进行多次预测，得到最终预测结果。此预测结果可用于指导麻醉医生后续麻醉操作。

15、整台手术结束以后，对整个麻醉过程中的脑电数据进行后处理，第二次计算脑年龄及相应高龄脑指数，其可以看作是对患者脑功能的体检，预测的结果作为评估患者术后远期阿尔兹海默症风险的辅助参考。