System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术提出了一种基于神经网络的麻醉状态监测方法和系统,属于麻醉状态自动化监控。
技术介绍
1、基于神经网络的麻醉状态监测系统是通过神经网络和机器学习技术来监测患者的麻醉状态的一种系统。该系统通过分析患者的生命体征数据(如心率、呼吸频率、血压、脑电图等)以及其他相关数据,使用神经网络算法来评估患者的麻醉深度和状态。通过不断地分析和学习,系统可以提供关于患者麻醉状态的实时信息,以帮助麻醉医生更好地管理麻醉药物的给药,确保患者在手术期间保持适当的麻醉水平,并减少潜在的麻醉风险。然而,现有技术中的麻醉状态监控存在准确性和及时性较差的问题。
技术实现思路
1、本专利技术提供了一种基于神经网络的麻醉状态监测方法和系统,用以解决现有技术中的麻醉状态监控准确性和及时性较差的问题,所采取的技术方案如下:
2、一种基于神经网络的麻醉状态监测方法,所述基于神经网络的麻醉状态监测方法包括:
3、从医疗电子病历档案中调取患者的手术过程中的生理信号数据,利用所述生理信号数据生成训练数据集;
4、调取卷积神经网络模型,并利用训练数据集对所述卷积神经网络模型进行训练,获得训练后的卷积神经网络模型;
5、在患者手术过程中,实时采集患者的生理信号数据,并将所述生理信号数据输入至训练后的卷积神经网络模型中,通过训练后的卷积神经网络模型判定当前患者所处的麻醉状态。
6、其中,由于很多患者可能是第一次进行手术,因此其医疗电子病历档案中并没有手术过程中的生理信号
7、步骤一:设该患者在手术前第i类生理信号的均值为ai,i为生理信号类型编号,i大于等于1且小于等于i,i为总的生理信号类型数量。手术中t时刻患者第i类生理信号的值为ait,则患者t时刻第i类生理信号的变化量为:
8、δait=ait-ai
9、其中δait为患者t时刻第i类生理信号的变化量;
10、步骤二:设历史训练集中手术前第i类生理信号的总量为n,设j为历史训练集中数据的编号,j为大于等于1且小于等于n的整数,aij为手术前第i类生理信号的第j个数据,历史训练集中手术中t时刻患者第i类生理信号第j个数据值为aijt,则历史训练集中第j个数据t时刻第i类生理信号的变化量为:
11、δaijt=aijt-aij
12、其中,δaijt为患者t时刻第i类生理信号的变化量;
13、步骤三:根据步骤一和步骤二的结果,计算该患者当前的生理信号数据与历史训练集中第j个数据的相似度,计算公式如下:
14、
15、其中,sj为该患者当前的生理信号数据与历史训练集中第j个数据的相似度;
16、步骤四:从j=1到j=n采用步骤一至步骤三的算法依次计算相似度,对计算获得的相似度值降序排列,则排列第一的为相似度最高的训练集数据,令计算后获得的与该患者相似度最高的训练集数据编号为k,将卷积神经网络模型需要的该患者历史病历中缺失的生理数据用编号k的部分相关数据进行缺失值填补,以此形成患者完整的生理信号数据,即使该患者之前并无手术相关生理数据,依然可以通过此算法获取经验生理数据并进行准确填补,形成完整输入数据。
17、进一步地,从医疗电子病历档案中调取患者的手术过程中的生理信号数据,利用所述生理信号数据生成训练数据集,包括:
18、从医疗电子病历档案中调取患者的手术过程中的生理信号数据;
19、将所述患者的手术过程中的生理信号数据按照麻醉状态进行分类;获得多个生理信号数据集,其中,每个生理信号数据集对应一个麻醉状态;
20、将每个生理信号数据集划分为第一训练数据集和第二训练数据集;
21、将所述每个生理信号数据集对应的第一训练数据集合并为第一训练数据集组;
22、将所述每个生理信号数据集对应的第二训练数据集合并为第二训练数据集组;
23、其中,所述麻醉状态包括清醒、诱导、维持和苏醒。
24、进一步地,将每个生理信号数据集划分为第一训练数据集和第二训练数据集,包括:
25、针对清醒对应的生理信号数据集按照第一比例进行数据划分,获得所述清醒对应的第一训练数据集和第二训练数据集;
26、针对诱导对应的生理信号数据集按照第二比例进行数据划分,获得所述诱导对应的第一训练数据集和第二训练数据集;
27、针对维持对应的生理信号数据集按照第三比例进行数据划分,获得所述维持对应的第一训练数据集和第二训练数据集;
28、针对苏醒对应的生理信号数据集按照第四比例进行数据划分,获得所述苏醒对应的第一训练数据集和第二训练数据集。
29、进一步地,所述第一比例、第二比例、第三比例和第四比例为:
30、所述第一比例为:第一训练数据集:第二训练数据集=3:7;
31、所述第二比例为:第一训练数据集:第二训练数据集=4.5:5.5;
32、所述第三比例为:第一训练数据集:第二训练数据集=6.8:3.2;
33、所述第四比例为:第一训练数据集:第二训练数据集=5:5。
34、进一步地,调取卷积神经网络模型,并利用训练数据集对所述卷积神经网络模型进行训练,获得训练后的卷积神经网络模型,包括:
35、调取卷积神经网络模型,利用第一训练数据集组进行第一次模型训练;
36、利用第二训练数据集组对完成第一次模型训练的卷积神经网络模型进行第二次模型训练。
37、一种基于神经网络的麻醉状态监测系统,所述基于神经网络的麻醉状态监测系统包括:
38、生理信号数据调取模块,用于从医疗电子病历档案中调取患者的手术过程中的生理信号数据,利用所述生理信号数据生成训练数据集;
39、卷积神经网络模型训练模块,用于调取卷积神经网络模型,并利用训练数据集对所述卷积神经网络模型进行训练,获得训练后的卷积神经网络模型;
40、由于很多患者可能是第一次进行手术,因此其医疗电子病历档案中并没有手术过程中的生理信号数据,为了能够在这种条件下准确识别患者所处的麻醉状态,需要通过如下算法对患者的当前生理信号数据进行处理:
41、步骤一:设该患者在手术前第i类生理信号的均值为ai,i为生理信号类型编号,i大于等于1且小于等于i,i为总的生理信号类型数量。手术中t时刻患者第i类生理信号的值为ait,则患者t时刻第i类生理信号的变化量为:
42、δait=ait-ai
43、其中δait为患者t时刻第i类生理信号的变化量;
44、步骤二:设历史训练集中手术前第i类生理信号的总量为n,设j为历史训练集中数据的编号,j为大于等于1且小于等于n的整数,aij为手术前第i类生理信号的第j个数据,历史训练集中手本文档来自技高网...
【技术保护点】
1.一种基于神经网络的麻醉状态监测方法,其特征在于,所述基于神经网络的麻醉状态监测方法包括:
2.根据权利要求1所述基于神经网络的麻醉状态监测方法,其特征在于,从医疗电子病历档案中调取患者的手术过程中的生理信号数据,利用所述生理信号数据生成训练数据集,包括:
3.根据权利要求2所述基于神经网络的麻醉状态监测方法,其特征在于,将每个生理信号数据集划分为第一训练数据集和第二训练数据集,包括:
4.根据权利要求1所述基于神经网络的麻醉状态监测方法,其特征在于,对患者的生理信号数据进行数据处理,并且,数据处理的详细过程包括:
5.根据权利要求1所述基于神经网络的麻醉状态监测方法,其特征在于,调取卷积神经网络模型,并利用训练数据集对所述卷积神经网络模型进行训练,获得训练后的卷积神经网络模型,包括:
6.一种基于神经网络的麻醉状态监测系统,其特征在于,所述基于神经网络的麻醉状态监测系统包括:
7.根据权利要求6所述基于神经网络的麻醉状态监测系统,其特征在于,所述生理信号数据调取模块包括:
8.根据权利要求7所
9.根据权利要求6所述基于神经网络的麻醉状态监测系统,其特征在于,对患者的生理信号数据进行数据处理,并且,数据处理的详细过程包括:
10.根据权利要求6所述基于神经网络的麻醉状态监测系统,其特征在于,所述麻醉状态监测模块包括:
...【技术特征摘要】
1.一种基于神经网络的麻醉状态监测方法,其特征在于,所述基于神经网络的麻醉状态监测方法包括:
2.根据权利要求1所述基于神经网络的麻醉状态监测方法,其特征在于,从医疗电子病历档案中调取患者的手术过程中的生理信号数据,利用所述生理信号数据生成训练数据集,包括:
3.根据权利要求2所述基于神经网络的麻醉状态监测方法,其特征在于,将每个生理信号数据集划分为第一训练数据集和第二训练数据集,包括:
4.根据权利要求1所述基于神经网络的麻醉状态监测方法,其特征在于,对患者的生理信号数据进行数据处理,并且,数据处理的详细过程包括:
5.根据权利要求1所述基于神经网络的麻醉状态监测方法,其特征在于,调取卷积神经网络模型...
【专利技术属性】
技术研发人员:郑映纯,陈新准,高燕飞,郑文雅,
申请(专利权)人:广州市番禺区中医院,
类型:发明
国别省市:
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。