1.一種用于在對象中測定每搏輸出量、心輸出量或全身性炎癥的設備，包括至少一個處理器和耦合到所述處理器的至少一個計算機可讀介質，所述至少一個計算機可讀介質包括通過所述至少一個處理器執行的一操作，所述操作為：
a.接收數據，所述數據選自腦電圖數據、心電圖數據和每次心跳通過一恒流發生器產生的電壓曲線中的一種或多種；
b.從所述數據中計算選自下組的至少3個參數：來自所述心電圖數據的心率變異性、來自所述心電圖數據的心率、來自所述心電圖數據的RMSSD、來自所述心電圖數據的SDSD、來自所述心電圖數據的pNNN50、來自所述心電圖數據的高頻、來自所述心電圖數據的歸一化的高頻、來自所述心電圖數據的低頻、每次心跳的所述電壓曲線下的面積、所述電壓曲線的導數、來自所述電壓曲線的最大正振幅、來自所述電壓曲線的最大負振幅，以及所述腦電圖數據與所述心電圖數據之間的傳遞熵；
其特征在于，所述至少一個計算機可讀介質還包括組合所述至少3個參數成一指標的操作，所述組合所述至少3個參數成一指標的操作通過一自適應神經模糊推理系統或任何其他分類器進行，所述指標選自心輸出量的最終指標、全身性炎癥的初始指標和每搏輸出量的最終指標中的一種或多種。
2.如權利要求1所述的設備，其特征在于，所述心率變異性是通過對R-R間期的總能量和子波段的能量采用快速傅里葉變換而進行計算得出，所述子波段的能量例如所述心電圖數據的高頻和低頻。
3.如權利要求1所述的設備，其特征在于，所述電壓曲線的導數是通過從所述電壓曲線數據中提取最大值的發生時間和最大值進行計算得出。
4.如權利要求1所述的設備，其特征在于，所述腦電圖數據與所述心電圖數據之間的所述傳遞熵，是經由迷走神經從所述腦電圖數據到所述心電圖數據的符號傳遞熵進行計算得出。
5.如權利要求1所述的設備，其特征在于，用于計算所述每搏輸出量的最終指標的所述至少3個組合參數，選自每次心跳的所述電壓曲線下的所述面積、所述電壓曲線的所述導數、來自所述電壓曲線的所述最大正振幅和所述最大負振幅中的一種或多種。
6.如權利要求1所述的設備，其特征在于，用于計算所述全身性炎癥的初始指標的所述至少3個組合參數，為所述高頻、所述RMSSD和從腦電圖到心電圖的所述傳遞熵。
7.如權利要求6所述的設備，其特征在于，所述至少一個計算機可讀介質還包括，從所述腦電圖數據中提取qCON催眠效應指標的操作，以及通過其修正所述全身性炎癥的初始指標以生成全身性炎癥的最終指標的操作。
8.如權利要求1所述的設備，其特征在于，所述設備還包括用于接收數據的至少一個傳感器，所述數據選自腦電圖數據、心電圖數據和每次心跳通過一恒流發生器產生的電壓曲線中的一種或多種。
9.如權利要求8所述的設備，其特征在于，用來測量所述腦電圖數據的所述傳感器包括至少3個電極，所述至少3個電極放置在所述對象的前額。
10.如權利要求8所述的設備，其特征在于，用來測量所述心電圖數據的所述傳感器包括至少2個電極，所述至少2個電極放置在所述對象的胸部。
11.一種用于在對象中測定每搏輸出量、心輸出量或全身性炎癥的方法，包括以下步驟：
a.接收數據，所述數據選自腦電圖數據、心電圖數據和每次心跳通過一恒流發生器產生的電壓曲線中的一種或多種；
b.從所述數據中計算選自下組的至少3個參數：來自所述心電圖數據的心率變異性、來自所述心電圖數據的心率、來自所述心電圖數據的RMSSD、來自所述心電圖數據的SDSD、來自所述心電圖數據的pNNN50、來自所述心電圖數據的高頻、來自所述心電圖數據的歸一化的高頻、來自所述心電圖數據的低頻、每次心跳的所述電壓曲線下的面積、所述電壓曲線的導數、來自所述電壓曲線的最大正振幅、來自所述電壓曲線的最大負振幅，以及所述腦電圖數據與所述心電圖數據之間的傳遞熵；
其特征在于，所述方法還包括組合所述至少3個參數成一指標的步驟，所述組合所述至少3個參數成一指標的步驟是通過一自適應神經模糊推理系統或任何其他分類器進行，所述指標選自心輸出量的最終指標、全身性炎癥的初始指標和每搏輸出量的最終指標中的一種或多種。
12.如權利要求11所述的方法，其特征在于，所述心率變異性是通過對R-R間期的總能量和子波段的能量采用快速傅里葉變換而進行計算得出，所述子波段的能量例如所述心電圖數據的高頻和低頻。
13.如權利要求11所述的方法，其特征在于，所述電壓曲線的導數是通過從所述電壓曲線數據中提取最大值的發生時間和最大值進行計算得出。
14.如權利要求11所述的方法，其特征在于，所述腦電圖數據與所述心電圖數據之間的所述傳遞熵，是經由迷走神經從所述腦電圖數據到所述心電圖數據的符號傳遞熵進行計算得出。
15.如權利要求11所述的方法，其特征在于，用于計算所述每搏輸出量的最終指標的所述至少3個組合參數，選自每次心跳的所述電壓曲線下的所述面積、所述電壓曲線的所述導數、來自所述電壓曲線的所述最大正振幅和所述最大負振幅中的一種或多種。
16.如權利要求11所述的方法，其特征在于，用于計算所述全身性炎癥的初始指標的所述至少3個組合參數，為所述高頻、所述RMSSD和從腦電圖到心電圖的所述傳遞熵。
17.如權利要求16所述的方法，其特征在于，所述至少一個計算機可讀介質還包括，從所述腦電圖數據中提取qCON催眠效應指標的操作，以及通過其修正所述全身性炎癥的初始指標以生成全身性炎癥的最終指標的操作。
18.如權利要求11所述的方法，其特征在于，所述接收數據的步驟，是通過至少一個傳感器來執行，所述數據選自腦電圖數據、心電圖數據和每次心跳通過一恒流發生器產生的電壓曲線中的一種或多種。
19.一種用于在對象中測定每搏輸出量、心輸出量或全身性炎癥的裝置，所述裝置包括：
a.用來接收數據的至少一個傳感器，所述數據選自腦電圖數據、心電圖數據和每次心跳通過一恒流發生器產生的電壓曲線中的一種或多種；
b.至少一個處理器；以及
c.耦合到所述處理器的至少一個計算機可讀介質，所述至少一個計算機可讀介質包括通過所述至少一個處理器執行的一操作，所述操作是從所述數據中計算選自下組的至少3個參數：來自所述心電圖數據的心率變異性、來自所述心電圖數據的心率、來自所述心電圖數據的RMSSD、來自所述心電圖數據的SDSD、來自所述心電圖數據的pNNN50、來自所述心電圖數據的高頻、來自所述心電圖數據的歸一化的高頻、來自所述心電圖數據的低頻、每次心跳的所述電壓曲線下的面積、所述電壓曲線的導數、來自所述電壓曲線的最大正振幅、來自所述電壓曲線的最大負振幅，以及所述腦電圖數據與所述心電圖數據之間的傳遞熵；
其特征在于，所述至少一個計算機可讀介質還包括組合所述至少3個參數成一指標的操作，所述組合所述至少3個參數成一指標的操作通過一自適應神經模糊推理系統或任何其他分類器進行，所述指標選自心輸出量的最終指標、全身性炎癥的初始指標和每搏輸出量的最終指標中的一種或多種。
20.如權利要求16所述的裝置，其特征在于，用來測量所述腦電圖數據的所述傳感器包括至少3個電極，所述至少3個電極放置在所述對象的前額。
21.如權利要求20所述的裝置，其特征在于，用來測量所述心電圖數據的所述傳感器包括至少2個電極，所述至少2個電極放置在所述對象的胸部。
22.如權利要求20所述的裝置，其特征在于，所述腦電圖數據與所述心電圖數據之間的所述傳遞熵，是經由迷走神經從所述腦電圖數據到所述心電圖數據的符號傳遞熵進行計算得出。
23.如權利要求20所述的裝置，其特征在于，用于計算所述每搏輸出量的最終指標的所述至少3個組合參數，選自每次心跳的所述電壓曲線下的所述面積、所述電壓曲線的所述導數、來自所述電壓曲線的所述最大正振幅和所述最大負振幅中的一種或多種。
24.如權利要求20所述的裝置，其特征在于，用于計算所述全身性炎癥的初始指標的所述至少3個組合參數，為所述高頻、所述RMSSD和從腦電圖到心電圖的所述傳遞熵。
25.如權利要求24所述的裝置，其特征在于，所述至少一個計算機可讀介質還包括，從所述腦電圖數據中提取qCON催眠效應指標的操作，以及通過其修正所述全身性炎癥的初始指標以生成全身性炎癥的最終指標的操作。