买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南昌大学第一附属医院申请的专利一种基于患者体征数据的麻醉深度评估方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119791609B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510288279.6，技术领域涉及：A61B5/00；该发明授权一种基于患者体征数据的麻醉深度评估方法及系统是由唐芳;魏欣;易寒箫;易春芳;刘志毅;柯恬恬设计研发完成，并于2025-03-12向国家知识产权局提交的专利申请。

本一种基于患者体征数据的麻醉深度评估方法及系统在说明书摘要公布了：本发明公开了一种基于患者体征数据的麻醉深度评估方法及系统，涉及医疗麻醉技术领域。一种基于患者体征数据的麻醉深度评估系统，包括有：麻醉术前评估模块和麻醉术后评估模块。本发明通过结合术前体征数据分析、实时麻醉深度评估、麻醉代谢预测与后续麻醉管理，利用密集连接卷积网络、注意力机制以及动态时间序列分析，能够精准评估麻醉深度并实时调整麻醉方案，从而优化患者的麻醉管理，确保手术过程中麻醉深度的安全性与个性化，提升麻醉效果和患者安全性。

本发明授权一种基于患者体征数据的麻醉深度评估方法及系统在权利要求书中公布了：1.一种基于患者体征数据的麻醉深度评估系统，其特征在于，包括： 麻醉术前评估模块，包括有数据获取单元和术前分析单元；数据获取单元用于获取患者术前体征数据；患者术前体征数据包含有术前基本数据、术前生命体征数据、术前专业检查数据和患者实时监测数据；其中，患者实时监测数据基于患者实际状态变化；术前分析单元用于基于患者术前体征数据和麻醉深度术前评估模型进行分析，得到患者实时麻醉深度评估结果；麻醉深度术前评估模型通过结合数据预处理、特殊信号处理、指标评估和结果输出层，利用密集连接卷积网络和自适应注意力机制，能够有效分析患者术前体征数据，精确评估麻醉深度； 麻醉术后评估模块，包括有数据采集单元和术后分析单元；数据采集单元用于在患者手术过程中，持续收集患者实时麻醉深度评估结果，得到患者术中麻醉深度评估数据集；患者术中麻醉深度评估数据集中包含有N条患者实时麻醉深度评估结果Gn，n=1，2，…，N；术后分析单元用于基于患者术中麻醉深度评估数据集和患者麻醉代谢评估模型进行代谢评估预测，得到患者术后麻醉深度评估结果；患者麻醉代谢评估模型通过多层次特征提取和优化代谢预测，结合动态时间序列分析和回归优化，能够精准评估患者术后麻醉深度；基于患者术后麻醉深度评估结果进行后续麻醉管理； 麻醉深度术前评估模型包括有数据预处理层、特殊信号处理层、指标评估层和结果输出层； 数据预处理层用于对患者术前体征数据进行划分，得到特殊信号体征数据和基本体征数据；对基本体征数据进行预处理，得到预处理基本体征数据；其中，特殊信号体征数据为图像特征数据； 特殊信号处理层用于对特殊信号体征数据进行特征分析，得到特殊信号体征数据特征； 特殊信号处理层基于利用密集连接对传统卷积网络进行改进而成； 在特征信号处理层进行特征分析的具体步骤，包括： 在特征信号处理层中，包含有M个特征识别单元Dm，m=1，2，…，M；在特征识别单元Dm中，包含有密集特征识别块和自适应注意力块；设定Dm=[X1m，X2m，X3m]；其中，X1m表示在特征识别单元Dm中密集特征识别块的1*1卷积层的数量，X2m表示在特征识别单元Dm中密集特征识别块的3*3卷积层的数量，X3m在特征识别单元Dm中自适应注意力块的通道注意力系数； 患者麻醉代谢评估模型包括有主特征提取层、优化代谢预测层和术后结果输出层； 在主特征提取层中进行时序特征提取的具体步骤，包括： 主特征提取层中包含有多点数据连接层和动态时间特征提取层； 在多点数据连接层中对患者实时麻醉深度评估结果Gn进行自适应卷积特征提取，得到患者实时麻醉深度评估结果特征Gn’； 在动态时间特征提取层中基于所有患者实时麻醉深度评估结果特征Gn’进行时序特征提取，得到患者术中麻醉深度评估数据时序特征； 优化代谢预测层用于基于患者术中麻醉深度评估数据时序特征、患者实时麻醉深度评估结果特征Gn’和麻醉代谢回归函数进行优化代谢预测分析，得到患者术后麻醉深度评估结果； 构建麻醉代谢回归函数的具体步骤，包括： 基于线性回归分析和历史麻醉代谢数据构建初始麻醉代谢回归函数；历史麻醉代谢数据包含有若干患者的历史麻醉深度评估数据集； 构建K个预测函数调整因子个体Hk，k=1，2，…，K；其中，每一个预测函数调整因子个体包含有用于调整初始麻醉代谢回归函数的调整策略；将K个预测函数调整因子个体Hk组合，得到预测函数调整因子迭代种群；设定迭代次数p，p=1，2，…，P，P为最大迭代次数； 预测函数调整因子个体Hk的适应度为Sk，表示预测函数调整因子个体Hk对初始麻醉代谢回归函数预测能力提升度； 在种群迭代过程中，每次筛选预测函数调整因子迭代种群中适应度较差和适应度较优的预测函数调整因子个体组成叫交叉变异预测函数调整因子种群； 利用公式B（p）=B0*e-λp（1+β*avg（p））控制交叉变异预测函数调整因子种群的变异度； 其中，B（p）为变异度，B0为初始变异度，λ为衰减速率，β为控制个体分布对变异度的影响因子，avg（p）表示迭代次数为p时预测函数调整因子迭代种群的适应度均值； 根据B（p）对交叉变异预测函数调整因子种群进行更新，得到新的交叉变异预测函数调整因子种群；并将新的交叉变异预测函数调整因子种群和预测函数调整因子迭代种群结合，得到新的预测函数调整因子迭代种群；利用新的预测函数调整因子迭代种群进行下一次种群迭代； 当到达最大迭代次数时，输出当前适应度最大对应的预测函数调整因子个体，即为最优预测函数调整因子个体，基于最优预测函数调整因子个体对初始麻醉代谢回归函数进行优化，得到麻醉代谢回归函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌大学第一附属医院，其通讯地址为：330000 江西省南昌市东湖区永外正街17号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。