一种基于图卷积神经网络的麻醉深度监测方法及系统技术方案

本发明专利技术公开了一种基于图卷积神经网络的麻醉深度监测方法和系统，所述系统包括：数据预处理模块：用于对脑皮层电图信号进行预处理；功能网络构建模块：用于计算样本数据的相位滞后指数PLI，每个样本计算一个邻接矩阵，得到不同麻醉阶段的网络拓扑图样本；图转换模块：用于转换对偶图，将图样本转换为基于相位滞后指数构建的带权图，同时对节点特征构建新图；双流图卷积神经网络模块：用于存储双流图卷积神经网络的两个模型，模型1用于提取边权值信息，模型2用于提取节点特征信息，将两个模型输出预测概率分类相加，得出预测结果。本发明专利技术找到了区分不同麻醉状态的新特征，对清醒状态、中度麻醉状态、深度麻醉状态分类精度达到95.4%，可以很好监测出麻醉的不同状态。可以很好监测出麻醉的不同状态。可以很好监测出麻醉的不同状态。

【技术实现步骤摘要】
一种基于图卷积神经网络的麻醉深度监测方法及系统


[0001]本专利技术涉及生物医学信号处理技术及深度学习
，具体地指一种基于图卷积神经网络的麻醉深度监测方法及系统。

技术介绍

[0002]在全身麻醉的外科手术中，麻醉师需要实时监测病人的麻醉状态。麻醉监测仪可以辅助麻醉师掌握病人的麻醉深度并避免意外的术中意识的发生。如果麻醉过深，可能会使患者术后难以苏醒，甚至对神经系统产生不良后遗症；如果麻醉过浅，可能会导致患者在术中苏醒，给病人留下心理阴影。因此，在手术中对患者进行实时的麻醉深度监测非常重要。
[0003]目前，常用于监测麻醉深度的临床技术有EEG双频指数分析、听觉诱发电位(AEP)、麻醉熵等。这些技术都是通过处理EEG信号来进行麻醉深度监测的，EEG记录了大脑沟回的表面信号，具有非侵入、无损伤、易获得的优势。目前流行的麻醉深度监测技术仍具有一些缺陷，例如：BIS不对异氟醚诱导的麻醉有效，对不同人也存在较大差异，并且它的算法是不公开的。因此探索更加稳定的麻醉深度监测算法非常必要。

技术实现思路

[0004]本专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的麻醉深度监测方法，其特征在于：所述方法包括如下步骤：1）采集若干个通道的脑皮层电图信号，并对原始信号进行预处理；2）截取不同麻醉阶段的若干个时间片段作为数据样本，计算相位滞后指数PLI，每个样本计算一个邻接矩阵，得到不同麻醉阶段的网络拓扑图样本，所述麻醉阶段包括清醒阶段、中度麻醉阶段、深度麻醉阶段；3）将所述网络拓扑图的邻接矩阵转换为对偶图，转换得到的对偶图的边连接都相同，边权值信息保留在对偶图的节点特征上，转换后的图样本为基于相位滞后指数构建的带权图，同时将节点特征保留，并构建一个全连接矩阵，以表示这些节点特征的拓扑结构；4）构建双流图卷积神经网络，将所述图样本分为两流图数据，并找到两流图数据的两个公共邻接矩阵；所述两流图数据中，一流图数据为基于相位滞后指数构建的带权图，另一流图数据为保留原节点特征的全连接邻接矩阵；5）将两流图数据分别输入至双流图卷积神经网络两个模型，进行图粗化和快速池化，降低数据维度，聚合相似节点，通过全连接层输出各麻醉阶段的预测值；6）将双流图卷积神经网络两个模型输出的不同麻醉阶段的预测值分别相加，将预测值最大的类别作为麻醉阶段预测结果输出。2.根据权利要求1所述的一种基于图卷积神经网络的麻醉深度监测方法，其特征在于所述步骤1）中脑皮层电图信号为研究对象大脑额叶
‑
顶叶的16通道ECoG信号；所述预处理包括0.1~100HZ滤波、50HZ凹陷滤波和200HZ重采样。3.根据权利要求1所述的一种基于图卷积神经网络的麻醉深度监测方法，其特征在于：所述相位滞后指数PLI的计算方法为：设两个通道的信号序列为和，使用希尔伯特变换计算瞬时相位：其中，表示的希尔伯特(Hilbert)变换，i=1或2，j为虚数符号：式中，P.V.表示柯西主值，t为时间，τ为积分变量；两个通道之间的相对锁定计算为：式中，z2*(t) 为z2(t)的共轭复数；则PLI值计算如下：PLI的范围在0到1之间，0表示两个通道之间没有相位锁定，而1表示两个通道之间有完美的相位耦合。
4.根据权利要求1所述的一种基于图卷积神经网络的麻醉深度监测方法，...

【专利技术属性】
技术研发人员：马力，刘泉，艾青松，陈昆，谢田立，肖智文，明法畅，邹家喻，徐子严，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：