The invention discloses an anesthesia depth estimation method and system. The methods include: acquiring EEG training data; extracting the spectrum characteristic map of EEG training data; inputting the spectrum characteristic map into the convolution neural network model, using genetic algorithm to optimize the initial weight of the convolution neural network model, and obtaining the convolution neural network optimization model; using the spectrum characteristic map as the input of the convolution neural network optimization model, and mining. The weight of the convolutional neural network optimization model is adjusted by back propagation algorithm, and the trained convolutional neural network optimization model is obtained; the current EEG data of the person to be detected is obtained; the spectrum characteristic map of the current EEG data is extracted, and the spectrum characteristic map to be detected is obtained; the spectrum characteristic map to be detected is input into the trained convolutional neural network optimization model. Get the current status of the person to be tested. The invention can improve the accuracy of anesthesia depth prediction and has low computational complexity.
【技术实现步骤摘要】
一种麻醉深度估计方法及系统
本专利技术涉及麻醉监测
，特别是涉及一种麻醉深度估计方法及系统。
技术介绍
麻醉是临床手术过程中必不可少的关键环节，麻醉不当可能会造成患者术中知晓、术后疼痛、术后呕心等不良后果，严重时可致死。因而对麻醉深度的精确估计对于提高麻醉质量，保障手术安全有着重要意义。自Gibbs等人首次提出用脑电信号(Electroencephalogram，EEG)监测麻醉深度的可能性，已引起越来越多的人对应用EEG监测麻醉深度的研究。以往对EEG信号的研究大多需要从预处理后的信号中计算量化指标，由于人脑思维模式和大脑信号非常复杂，很多采集的信号没有找到明确的意义，手动提取特征会造成信息的损失。近年来，基于EEG的图像识别开始在麻醉学领域被关注。随着深度学习的兴起，卷积神经网络(ConvolutionalNeuralNetwork，CNN)受到研究者的广泛关注，并在图像、语音、视频等诸多领域都取得了一定的应用成果。对于生物电信号的分类，目前很少有人使用CNN去替代传统分类方法。CNN的权重共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减...
【技术保护点】
1.一种麻醉深度估计方法，其特征在于，所述方法包括：获取脑电信号训练数据；所述脑电信号训练数据为检测者在整个麻醉时期的脑电信号；提取所述脑电信号训练数据的频谱特征图；所述频谱特征图包括清醒期频谱图、麻醉期频谱图和恢复期频谱图；将所述频谱特征图输入至卷积神经网络模型中，采用遗传算法对所述卷积神经网络模型中的初始权重进行优化，得到卷积神经网络优化模型；将所述频谱特征图作为所述卷积神经网络优化模型的输入，采用反向传播算法对所述卷积神经网络优化模型中的权重进行调节，得到训练好的卷积神经网络优化模型；获取待检测者当前的脑电信号数据；提取所述当前的脑电信号数据的频谱特征图，得到待检测频...
【技术特征摘要】
1.一种麻醉深度估计方法，其特征在于，所述方法包括：获取脑电信号训练数据；所述脑电信号训练数据为检测者在整个麻醉时期的脑电信号；提取所述脑电信号训练数据的频谱特征图；所述频谱特征图包括清醒期频谱图、麻醉期频谱图和恢复期频谱图；将所述频谱特征图输入至卷积神经网络模型中，采用遗传算法对所述卷积神经网络模型中的初始权重进行优化，得到卷积神经网络优化模型；将所述频谱特征图作为所述卷积神经网络优化模型的输入，采用反向传播算法对所述卷积神经网络优化模型中的权重进行调节，得到训练好的卷积神经网络优化模型；获取待检测者当前的脑电信号数据；提取所述当前的脑电信号数据的频谱特征图，得到待检测频谱特征图；将所述待检测频谱特征图输入至所述训练好的卷积神经网络优化模型中，得到待检测者的当前状态；所述待检测者的当前状态为清醒期、麻醉期或恢复期。2.根据权利要求1所述的一种麻醉深度估计方法，其特征在于，所述将所述频谱特征图输入至卷积神经网络模型中，采用遗传算法对所述卷积神经网络模型中的初始权重进行优化，得到卷积神经网络优化模型，具体包括：构建卷积神经网络模型；所述神经网络模型包括卷积层、池化层和全连接层；确定所述卷积神经网络模型中卷积层和全连接层的初始权重；将所述初始权重进行二进制编码，得到初始化种群；所述初始化种群中每个个体对应一个卷积神经网络模型；将所述频谱特征图作为所述初始化种群中各卷积神经网络模型的输入，计算所述初始化种群中每个卷积神经网络模型的适应度值；判断是否存在适应度值小于预设分类误差值或当前迭代次数是否大于或等于预设迭代次数；若是，则将最大的适应度值对应的卷积神经网络模型确定为卷积神经网络优化模型；若否，则对所述初始化种群中的个体进行选择、交叉和变异操作，更新初始化种群以及当前迭代次数，并返回所述将所述频谱特征图作为所述初始化种群中各卷积神经网络模型的输入，计算所述初始化种群个体中每个卷积神经网络模型的适应度值。3.根据权利要求1所述的一种麻醉深度估计方法，其特征在于，所述将所述频谱特征图作为所述卷积神经网络优化模型的输入，采用反向传播算法对所述卷积神经网络优化模型中的权重进行调节，得到训练好的卷积神经网络优化模型，具体包括：将所述频谱特征图作为所述卷积神经网络优化模型的输入，前向计算所述卷积神经网络优化模型中每个神经元的输出值；第j个神经元的输出值为aj；反向计算所述卷积神经网络优化模型中每个神经元的误差项；第j个神经元的误差项为其中，Ed为卷积神经网络优化模型的损失函数，netj为第j个神经元的加权输入；依据各神经元的输出值以及各神经元的误差项计算各个神经元连接权重的梯度值；从神经元i连接到神经元j的连接权重wji的梯度值其中，ai为第i个神经元的输出值；依据所述梯度值，采用梯度下降法对所述卷积神经网络优化模型中的权重进行调节，得到训练好的卷积神经网络优化模型。4.根据权利要求1所述的一种麻醉深度估计方法，其特征在于，在所述获取脑电信号训练数据之后，还包括：对所述脑电信号训练数据进行预处理。5.根据权利要求4所述的一种麻醉深度估计方法，其特征在于，所述对所述脑电信号训练数据进行预处理，具体包括：采用第一高通滤波器去除所述脑电信号训练数据中的头动噪声，得到第一处理脑电信号；采用自适应滤波器去除所述第一处理脑电信号中的工频噪声，得到第二处理脑电信号；采用低通滤波器去除所述第二处理脑电信号中大于第一预设频率的噪声信号，得到第三处理脑电信号；采用第二高通滤波器去除所述第三处理脑电信号中小于第二预设频率的噪声信号，得到第四处理脑电信号。6.根据权利要求1所述的一种麻醉深度估计方法，其特征在于，所述脑电信号训练数据以及所述待检测者当前的脑电信号数据均是采用头戴式脑电信号采集系统采集得到的，且采样频率为128Hz。7....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。