文摘

在临床麻醉和危重患者的救助,动脉穿刺和导管插入术最常选择的方法为病人建立中央动脉访问。侵入性动脉穿刺和导管便于实时生命体征信息的掌握病人在手术过程中,加强病人在手术过程中监控和改善安全。然而,动脉穿刺的传统方法和管子通过触诊桡动脉经常出现机械损伤有关的并发症,如出血、血肿、动脉的意外穿孔。研究表明,超声引导下桡动脉穿刺和管子可以缩短穿刺中空的时间,降低并发症的发生率与穿刺管子,和提高穿刺成功率的管子。为了验证,本文采用实验组和对照组进行比较实验,使用神经网络方法评价这两种方法的影响。作为一个更加成熟的人工智能方法,BP神经网络广泛应用于广泛应用,概括能力强和快速收敛的特点,我们选择它作为基本模型。本文的具体工作如下:(1)深入研究BP神经网络的相关理论(摘要),专注于摘要的结构和算法的工作原理;亟待解决的问题,在临床麻醉效果评价奠定了理论基础建立一个改进摘要评价模型在以下章节。(2)引入遗传神经网络的基本原理,分析结合遗传神经网络的好处和摘要;详细介绍遗传算法优化过程中摘要的权值和阈值,并建立一个GA-BP评价模型。 The test proves the feasibility and superiority of the model.

1。介绍

与越来越多的主要临床操作和严重的需要治疗,动脉穿刺和导管插入术已经成为一个主要的入侵监测技术(1]。从第一个例桡动脉穿刺由人类,直到今天,这些操作在手术室的,icu,介入手术室。动脉穿刺和导管有300多年的历史2]。动脉穿刺插管的主要功能是实时连续监测动脉血压(3]。同时,它有许多优点。一方面,它可以观察血压的波动在特殊情况下。另一方面,病人的体积状态评估基于动脉波形,和液体疗法指导(4]。尽管有上述优点,各种因素会导致失败的桡动脉穿刺导管插入术,甚至并发症。一些研究总结了一系列的动脉穿刺和导管相关并发症。动脉痉挛和闭塞的发生率,血肿、感染、穿刺部位渗出,菌血症,永久的缺血性损伤,假动脉瘤,等等,最严重的并发症是穿刺的缺血性损伤的手5- - - - - -7]。临床麻醉医师是主要的表演者。当他们有一定的工作年限和经验,穿刺的成功率和管子不是非常不同。动脉穿刺的成功率中空初学者在麻醉是普遍偏低,和一个很长的学习曲线和一定数量的穿刺病例需要达到一定程度的操作。研究发现,传统的穿刺和管放置方法完全依赖麻醉师的触摸定位和临床经验,有极高的要求,麻醉师的操作技能和临床经验。由于缺乏操作经验的初学者,失败率很高,很容易引起并发症的患者(8]。动脉导管与现代超声技术的提高,超声波技术不断应用。应用超声引导动脉穿刺导管在临床麻醉的成功率越来越高。应用效果的分析超声引导动脉穿刺导管在临床麻醉中扮演一个重要的角色在促进动脉导管超声技术。

BP神经网络是一种基于BP算法的多层前馈网络,其网络结构简单、成熟的算法,具有自学习和自适应的非线性动力学特征。BP算法训练网络,通过输入和输出数据样本集,根据误差向后传播的原理,及其学习过程包括信息的正向传播过程和误差的反向传播两个过程的反复训练,和网络权重和计算偏差的变化不断的方向梯度下降法的相对误差函数,逐渐接近目标。神经网络具有其独特的特性提供了一种全新的途径的研究机器学习。目前,神经网络已经应用于很多方面,如模式识别、预测、控制的动态系统,和语言学习。相信在未来的研究和发展,将BP神经网络应用更广泛,和更多的成就。

在过去的十年里,深度学习技术的应用在医疗效果的评估已显示出增加的趋势,和分类算法已经广泛应用于各种疾病的治疗效果的研究9,10]。文献[11]介绍了机器学习在医学图像中的应用,主要包括使用机器学习技术来解决实际问题“肺癌病理细胞图像识别”和“前列腺CT图像分割”。文献[12)提出了一种结合转移学习和卷积神经网络方法,在癌症图像识别具有良好的效果。文献[13)提出了一种基于支持向量机胰腺癌检测方法,发现12个特征基因与胰腺癌密切相关。文献[14)使用semi-supervised学习图像卷积网络来预测患者是否得了癌症。文献[15提出了两种改进的支持向量机方法,SVM-PCA SVM-RFE,对宫颈癌的诊断和治疗效果的评价。基于上述研究背景,本文采用神经网络技术的应用效果评价超声引导下动脉在临床麻醉穿刺。本文的主要贡献如下:本研究阐述了标准BP网络的缺陷和动脉穿刺超声引导下需要解决的问题在临床麻醉效果评估,建立改进的BP网络模型为后续章节打下了理论基础。本文改进了传统的BP算法,并使用改进算法找到适当的BP网络的隐藏节点数量。其次,根据BP网络的缺陷和动脉超声引导穿刺,评价临床麻醉的特点,GA-BP建立评价模型。遗传神经网络和BP网络进行了分析,结合的优势引入遗传算法来优化BP网络权值和阈值的过程,并通过测试实例证明了模型的可行性和优越性。

2。相关工作

作为现代的“新听诊器”诊断和治疗,超声中发挥着越来越重要的作用在病人的监测和管理领域的麻醉,急救护理和紧急。在临床麻醉工作,近年来,随着技术的不断发展和普及,超声覆盖越来越多的领域,包括气道超声波,胃内容物超声波,胸部超声、腹部超声,循环评估、区域麻醉,围手术期心脏超声,和超声引导下血管穿刺等。16- - - - - -20.]。超声波将一个非常重要的日常技术在临床麻醉实践。近几十年来,超声应用的范围继续扩大,全身医疗点超声波的概念开始被引入到麻醉师的技术领域。动脉穿刺通常用于危重病人或病人正计划进行大手术。通过侵入性动脉导管,病人的血压可以实时连续监测和记录,这是方便临床医生及时调整作用于血管的药物的剂量,以维护病人的血流动力学的稳定。当病人需要频繁的动脉血气分析,可以获得动脉血液通过动脉导管容易和方便。此外,还可以使用动脉导管等心血管病变的介入治疗。动脉管子是一种常用的临床麻醉技术、急救和重症监护病房(21- - - - - -24]。动脉管子是麻醉医师的基本技能。然而,即使经历了运营商可能会遇到挑战时遇到新生儿患者中,肥胖病人,震惊、水肿、动脉痉挛等局部血肿穿刺部位甚至穿刺失败(25]。虽然动脉导管通常是一个相对安全的过程中,导管相关并发症,包括机械损伤、感染、血栓形成,还发生在1%至5%的患者。由于其表面的位置和血液供应的手一起尺动脉、桡动脉是动脉穿刺的并发症率最低的,所以它是第一个选择动脉穿刺和导管插入术26]。实时超声引导可以提高诊断和程序上的准确性,减少病人焦虑和不适,减少procedural-related并发症,花更少的时间和更高的成功率。没有绝对禁忌症超声指导。然而,应该注意的是,如果计划穿刺部位的皮肤或软组织感染或严重的周围血管疾病,或异常的血液供应当地组织或器官,或病人有严重的凝血系统疾病、动脉穿刺和导管本身是禁忌27- - - - - -29日]。在临床实践中,在很多医院,超声指导经常用于中央静脉导管,和许多研究已经证明,超声指导可以提高首次成功率和减少并发症30.]。近年来,越来越多的研究表明,超声指导也可以提高首次成功率和减少并发症时用于桡动脉穿刺[31日]。但是,与中央静脉,桡动脉的直径很小,尽管使用的超声波,其首次成功率尚未达到令人满意的水平。因此,近年来,研究人员一直试图提高超声引导桡动脉穿刺技术以提高首次成功率(32]。在临床实践中,超声波技术的迅速发展和普及,越来越多的运营商将选择超声波打捞桡动脉穿刺时遇到困难,甚至为第一选择超声指导操作。不幸的是,目前还没有对超声引导桡动脉心导管标准协议。然而,超声指导通常被认为是一种有效的辅助动脉管子。超声指导越来越被应用于手术室,应急部门,许多医疗设施和急救护理单位由于超声波技术的进步。

近年来,一直在努力探索更合理的评价方法在国内外,其中人工神经网络评价方法被广泛使用。人工神经网络模拟人类思维的方式。它不需要事先建立一定的模型对事物的判断和分类,只有采用直观推理和判断基于事物的基本特征(33]。因此,使用人工神经网络的应用效果评价超声引导动脉穿刺导管在临床麻醉不会受制于一定的模型,使评价结果更加客观。目前,人工神经网络用于评价大多是摘要,即误差反向传播网络和Hopfield网络。例如,文献[34)人工神经网络应用于动脉穿刺的效果评价和导管在临床麻醉。结果表明,人工神经网络在这种类型的评估,适应性强,评价结果客观、合理。因此,本文概述了BP神经网络的结构和算法的工作原理,以及分析网络的主要缺陷。还总结了与应用相关的挑战摘要评估动脉穿刺和管子,它提供了一个方法。评价模型的建立基于改进的动脉穿刺和导管插入术摘要奠定了理论基础。

3所示。方法

3.1。引入BP神经网络

摘要利用三层:一个输入层、隐藏层和输出层。有一个输入层和一个输出层,以及许多隐藏的可能性水平(16- - - - - -18]。每一层由多个神经元节点连接,虽然连接节点在同一层。由于缺少之间的耦合节点在同一层,每一层的神经元只对前一层神经元的输入;在每一层神经元的输出对前一层的输出没有影响。摘要的结构如图1。(1)输入层:根据具体情况,处理单元的数量可能被利用来表示网络输入的数量(19]。使用一个线性传递函数,也就是说, 。(2)隐藏层:用于表示输入处理单元之间的交互和所有使用非线性变换函数。处理单元的数量是由网络调试或经验公式: 在哪里隐层节点的数量,输入节点的数量,输出节点的数量。(3)输出层:用于表示网络的输出的数量。处理单元的数量取决于实际的问题,和一个非线性转换函数(20.]。最常用的非线性传递函数是双曲函数:

在公式,当自变量x趋向于积极的还是消极的无穷,函数值是常数,其值的范围是[0,1]。

网络的输入数据 首先通过从输入层、隐层节点,然后到达输出层节点,最后得到输出数据 。神经网络可以看作是一个高度非线性映射从输入到输出:

在实际应用程序中,可以使用带有多个隐藏层的摘要。没有准确和有效的理论和方法如何合理选择隐藏层和隐层的节点数的BP网络。输入层节点的数目确定BP网络的维度的输入向量 训练样本,在输出层节点的数目是由尺寸决定的输出向量 。

如果一个三层BP神经网络可以用来估计任何连续函数在闭区间,它还可以完成任何从n维空间到三维空间的映射(21]。即使两个隐藏层更容易陷入局部最小值而不是一个隐藏层,两个隐藏层的BP网络训练更加困难。

3.2。BP算法的改进算法

虽然摘要是应用最广泛的神经网络之一,它有许多显著的优点,但是它也有它的缺点,主要在以下三个方面。(1)摘要利用有一个缓慢的收敛速度。(2)很容易陷入局部最小值,和网络训练更有可能失败。(3)隐层节点数难以确定。正是因为缺陷的BP网络应用程序的过程中,遇到一些困难的问题,这就极大地限制了BP网络的进一步发展和应用。因此,这项工作雇佣了小说GA-BP方法构建评价模型,它是由合并遗传算法与BP算法。遗传算法能够做宏观和全局优化。这种方法搜索的另一个优点是,它不依赖于高阶像梯度信息,它可能会利用一个复杂的非线性问题的分布式方式与标准的搜索方法很难解决。摘要利用权重和阈值可能与摘要利用遗传算法优化。传统的BP神经网络代理模型拟合精度不足的问题,计算效率低。 The GA-BP neural network agent model is established by optimizing the initial weights and thresholds of the BP neural network using genetic algorithm (GA). The GA-BP neural network was trained to further improve the accuracy of the GA-BP neural network agent model. Although the above research has improved the fitting accuracy and computational efficiency of the agent model to a certain extent, the BP neural network model established based on GA still has problems such as premature maturation and slow convergence, and its optimization effect has certain limitations. Based on this, this paper introduces the thinking evolutionary algorithm (MEA) to optimize the initial weights and thresholds of the BP neural network, uses the BR algorithm to train the network that obtains the optimal initial values, proposes a reliability calculation method based on the MEA-BR-BP neural network agent model, and takes a truck bogie frame as an example to calculate its reliability, so as to verify the superiority of the method proposed in this paper. The following are the particular measures to take.(1)编码和创建第一轮居民的过程:采用实数编码技术由于网络的重量是一个实数。一个实数数组是由层叠摘要的权值和阈值的正确序列构造遗传算法的染色体。“三层BP网络拓扑是使用在本文中,在输入层节点的数目,隐藏层和输出层设置 , ,和 ,分别,然后编码的长度 随机生成米染色体的长度 ,形成一个初始种群。测定的人口数量米,如果太大,网络收敛缓慢;如果它太小了,它将减少网络的训练精度。(2)适应度函数的确定:分配摘要利用连接权值初始化种群,进行输入信号的正向传播,并计算平方误差的总和网络的输出值与期望输出。设置给定的适应度函数如下: 通过这种方式,评估标准遗传算法和BP网络可以集成。因此,健身f (k)越高,网络性能越好。(3)健身排序:选择的比例方法选择,也就是说,首先计算每个个体的适应度在人口,然后所有的个人组根据他们的健身,以分配每个人的概率被选中。 从公式可以看出(6),较高的个人健身更有可能被选中,和较低的个人健身不太可能被选中。(4)代的新的人口:创建新的种群,采用交叉和变异算子操作原来的人,插入新的个人到原始的人口,建立新的人群。它决定是否新的人口的健康通过优化要求通过计算其重量和比较它和摘要的连接。(5)代的BP网络初始权重:个体解码后实现定义性能指标或最大遗传代数理想的网络连接权重系数。此后,该方法终止时误差平方和等于或超过所需的准确性或规定的最大数量的迭代,取决于有多少需要迭代训练网络。

3.3。确定网络拓扑结构

确定网络结构是否合理直接影响到评价结果的客观性和准确性和网络模型的适用性。BP人工神经网络模型建立在很大程度上依赖于拓扑结构的推导。层数、节点和层,以及隐层的数量水平,和隐层节点的数量都是因素在确定网络结构。1)网络层的数量:隐藏层的数量决定了网络的数量水平以来的摘要架构所需的输入和输出层。网络的性能密切相关,隐藏层选择的数量。2)一个输入层、隐藏层和输出层组成的三层网络模型描述了在这个研究。输入和输出层节点数:表1显示我们的考试结果的八个评价指标:

因此,它可以确定输入层的节点数是8。有1的输出节点,最终的输出结果是决定根据总分的8个指标。根据分数,它分为5个层次:1,2,3,4,5。1级代表最好的效果,5级表示最严重的影响。3)确定隐层节点的数量:根据以下公式,确定隐层节点的范围(4,13]

最后,隐层节点的数量,最好的效果是通过实验获得的是8。

3.4。测定实验组和对照组

动脉穿刺是一种常见的入侵过程可以实时监测血压,评估体积响应,并提供方便的访问血气监测。径向、肘的和股动脉可作为穿刺点。这些血管穿刺,大多数医生选择利用表面桡动脉因为其最小风险的问题,其双重血液供应的手(径向和尺动脉),及其位置的手。为了更好地突出超声引导下动脉穿刺的应用效果在临床麻醉,对照组和观察组选择。对照组患者接受传统的触摸定位方法。麻醉师的左手需要探索患者桡动脉搏动的位置在水平方向。他拥有他的右手针插入针在一个角度30度。观察组接受超声引导下动脉穿刺。麻醉师的超声探头在左手,检查病人的动脉位置和用左手针插入点。他拥有他的右手针,注射针在30度角。 Ultrasound showed effort to enter the inside of the radial artery, and when the blood returned, the needle was reinserted 1 to 2 mm.

4所示。实验和分析

4.1。数据集

测试网络模型是否能反映样本中包含的法律,也就是说,它是否有能力推广,必须评估nontraining样本误差的大小。因此,本文将总样本划分为两个部分:训练样本和测试样本,利用测试样本的均方误差来判断网络的质量。本文使用Matlab构建网络。网络的隐层神经元传递函数采用乙状结肠正切函数,输出层神经元传递函数采用纯purelin线性函数,和训练函数采用trainlm,即LM算法。学习速率设置为0.5,预期的误差是0.001,次网络培训的最大数量是1000。本文样本来自共有1000名研究对象收到传统触摸定位法和超声引导下定位法在三级医院。

网络建成后,200组选择的1000组样本作为测试样本,和其他作为训练样本训练网络,每个网络模型的周期时间和训练样本的均方误差记录。因为重量阈值的神经网络不同的每次训练开始,即使相同的网络拓扑结构,周期为每一个培训和最终的数量均方误差是不同的。分别多次培训,采取最好的获取数据。排序的数据集如表所示2。索引表2是由每个标签表1。本文的实验环境如下:硬件环境是Linux系统,NVIDIA GTX 3080;软件环境是Python3.7 sklearn0.20.2和其他工具包。该方法在本文的训练数据集20世纪(圆)。训练方法如下:初始矢量模型设置为0.0001;用亚当优化器;批量大小设置为8(批大小指的是选择训练样本规模和设备GPU的大小限制,根据模型来选择最佳的优化和速度)。

4.2。实验来确定隐层节点的数目

根据第三章的描述,在隐藏层节点的数目范围从4到13日,所以本文选择的节点数为4,6,8,10,12,分别和14来模拟。最后,隐层节点的数量,最好的效果是决定根据实验结果,见图2- - - - - -4获取详细信息。在本文中,我们使用均方误差(MSE)作为损失函数,这在机器学习中很常见。在数理统计中,均方误差平方的期望值区别是参数估计和参数值,叫做MSE。MSE是一种方便的方法来测量平均误差,可以评估数据的变异程度。

比较实验结果图2补充图4中,我们可以看到,当隐藏节点的数量是8,其收敛速度是最快的,它在第十期达到收敛。此外,在收敛性能最优,训练效果是最好的,所以本文选择隐层节点的数量是8。

4.3。比较两种方法的实验结果

为了确保设置的合理性和权威评价水平,动脉穿刺的临床麻醉主任医师应邀集相对应的评价等级分数相当。最后的实验结果如表所示3。

基于上述实验结果,观察组用超声引导动脉穿刺导管插入术,成功率高于传统的触摸定位方法,而发生不良反应的患者也减少了。因此,超声可视化技术将更有效地分析动脉血液的情况,准确确定患者的穿刺点和针插入方向。此外,麻醉师还将有效地分析特定位置的针和动脉穿刺导管插入术,结合实际情况实现调整穿刺针位置和穿刺针的角度。对于促进穿刺的成功率,也会减少并发症的发生率。因此,超声引导下动脉穿刺管子有更高的优势。

5。结论

有充分的证据表明,超声引导下动脉穿刺优于传统的触诊,无论是成功率和并发症。超声引导的优点是不仅限于动脉管子与手术麻醉。最近的研究发现超声引导的重要优势当动脉血液气体提取是困难的在其他住院位置在手术室外面。目前,大多数研究都致力于提高穿刺技术增加成功率,降低并发症率。研究表明,表面击穿站点更容易穿透后壁或形成一个局部血肿。这是有别于传统的触诊方法穿刺动脉。使用触诊方法时,为了方便脉搏触诊,通常选择的表面位置桡动脉的远端,和深度的增加,刺穿的难度将会增加。与超声指导不同,它不是由深度有限。最后,本文完成了以下工作。理论的进一步研究BP神经网络、BP网络的主要研究算法的结构和工作原理。 Expounds the defects of standard BP network and arterial puncture under ultrasound-guided needs to solve the problems in the clinical anesthesia effect assessment, build the improved BP network model for subsequent chapters laid a theoretical foundation. In this paper, the traditional BP algorithm was improved, by using the improved BP network algorithm to find the suitable number of hidden layer nodes. Second, ga-BP evaluation model was established according to the defects of BP network and the characteristics of clinical anesthesia evaluation of ultrasound-guided arterial puncture. Genetic neural network and BP network are analyzed in this paper, with the advantage of combination of introduced genetic algorithm to optimize the process of BP network weights and threshold, and through the test instance proves the feasibility and superiority of the model. The experimental results demonstrate that the improved BP algorithm proposed in this paper can overcome the shortcomings of the BP algorithm, which tends to fall into local minima, and at the same time, the generalization ability of the neural network can be exploited to improve the application of ultrasound-guided arterial puncture cannulation in clinical anesthesia. In our future work, we plan to conduct a study on the application of overly convolutional neural networks to ultrasound-guided arterial puncture cannulation in clinical anesthesia.

数据可用性

在当前的研究中使用的数据集是可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。