【技术实现步骤摘要】
本专利技术涉及医疗数据的挖掘，具体涉及基于人工智能的麻醉深度监测方法及系统。
技术介绍
1、为减轻患者在进行手术时伤口所带来的疼痛并保证手术的平稳进行，需要对患者进行麻醉处理，麻醉深度监测是手术中必不可少的步骤之一。麻醉深度的判断一般根据患者在进行麻醉后的心跳、呼吸、意识状态等特征，通常基于患者在麻醉状态下脉搏波上数据点的脉搏数据大小判断麻醉深度；患者进行手术所需的麻醉程度不同且患者的身体素质存在差异，虽然患者在麻醉状态下脉搏波的形状存在差异，但是不同患者在不同麻醉深度下脉搏波上数据点的脉搏数据较为相似，导致不同患者的较为接近的脉搏数据对应的麻醉深度存在较大差异，造成对患者麻醉深度监测出现误差。
技术实现思路
1、为了解决患者在不同麻醉深度下脉搏波上数据点的脉搏数据较为相似，导致不同患者的较为接近的脉搏数据对应的聚类簇的麻醉深度存在较大差异，导致麻醉深度监测出现误差的技术问题，本专利技术的目的在于提供一种基于人工智能的麻醉深度监测方法及系统，所采用的技术方案具体如下：
2、第一方面，本专利技术一个实施例提供了一种基于人工智能的麻醉深度监测方法，该方法包括：
3、获取训练型患者在药物麻醉时间段内不同时刻下脉搏数据的特征数据点；
4、根据每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，以及每个特征数据点的脉搏数据的偏离程度，将特征数据点划分为噪声数据点与正常数据点；
5、利用层次聚类算法对正常数据点进行迭代聚类
6、依据层次聚类树中每层中节点中正常数据点的脉搏数据之间的离散程度，从层次聚类树中筛选出最佳聚类层次；根据每个噪声数据点与所述最佳聚类层次中节点中正常数据点的脉搏数据之间的差异和欧式距离，对噪声数据点进行聚类，得到最终聚类簇；
7、基于最终聚类簇中特征数据点的脉搏数据对神经网络进行训练，利用训练后的神经网络监测检测型患者的麻醉深度。
8、进一步地，所述将特征数据点划分为噪声数据点与正常数据点的方法，包括：
9、基于所有特征数据点的脉搏数据，获取每个特征数据点的脉搏数据的标准分数；
10、结合每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，与药物麻醉时间段内相邻的特征数据点对应时刻之间的时间间隔之间的差异，以及每个特征数据点的所述标准分数，获取每个特征数据点的第一噪声度；
11、对于每个特征数据点，当特征数据点的所述第一噪声度大于预设噪声阈值时，特征数据点为噪声数据点；当特征数据点的所述第一噪声度小于或者等于预设噪声阈值时，特征数据点为正常数据点。
12、进一步地，所述每个特征数据点的第一噪声度的计算公式如下：
13、
14、式中，zs为每个特征数据点的所述第一噪声度；i为每个特征数据点对应时刻的预设时间段内特征数据点的总数量；为在每个特征数据点对应时刻的预设时间段内，第i个特征特征点与第i+1个特征数据点对应时刻之间的时间间隔；t1为预设时间段的时长；j为药物麻醉时间段内特征数据点的总数量；为在药物麻醉时间段内，第j个特征数据点与第j+1个特征数据点对应时刻之间的时间间隔；t2为药物麻醉时间段的时长；z为每个特征数据点的脉搏数据的标准分数；norm为归一化函数；为绝对值函数。
15、进一步地，所述获取每次迭代的每个节点的数据异常度的方法，包括：
16、对于每次迭代的每个节点，计算节点中正常数据点的脉搏数据中最大值与最小值的均值，作为节点的特征值；
17、对于节点中正常数据点，将节点中每个正常数据点与其下一个正常数据点对应时刻之间的时间间隔作为节点中每个正常数据点的时序值，计算节点中除最后一个正常数据点外的其余正常数据点的所述时序值的方差作为节点的时序离散值；
18、每次迭代的每个节点的数据异常度的计算公式如下：
19、
20、式中，no为每次迭代的每个节点的所述数据异常度；为每次迭代的每个节点中正常数据点的脉搏数据的方差；为每次迭代的每个节点的所述时序离散度；k为每次迭代的每个节点中正常数据点的总数量；tz为每次迭代的每个节点的所述特征值；为每次迭代的每个节点中第k个正常数据点的脉搏数据；为每次迭代的每个节点中第k个正常数据点的所述第一噪声度；norm为归一化函数；为绝对值函数。
21、进一步地，所述获取每次迭代的每个节点与其余各节点之间的聚类优先度的方法，包括：
22、对于每次迭代的节点，选取任意一个节点作为分析节点，选取除分析节点外的其余任意一个节点作为目标节点；将分析节点与目标节点的所述特征值之间的差值绝对值作为分析节点与目标节点之间的特征差异度；
23、根据所述特征差异度，目标节点以及分析节点与目标节点合并后的节点的所述数据异常度，获取分析节点与目标节点之间的聚类优先度；所述特征差异度、目标节点的数据异常度，分析节点与目标节点合并后的节点的数据异常度均与所述聚类优先度为负相关的关系。
24、进一步地，所述基于所述聚类优先度合并每次迭代的节点的方法，包括：
25、对于每次迭代的节点，将节点中正常数据点的所述第一噪声度的均值作为节点的第二噪声度；选取最小的所述第二噪声度对应的节点作为聚类节点，将除聚类节点外的其余节点作为待选节点；
26、对于聚类节点与每个待选节点之间的聚类优先度，将聚类节点与最大的所述聚类优先度对应的待选节点进行合并。
27、进一步地，所述从层次聚类树中筛选出最佳聚类层次的方法，包括：
28、计算层次聚类树的每层中节点中正常数据点的脉搏数据的类间方差作为每层的第一方差；获取层次聚类树的每层中节点的所述特征值的总方差作为第二方差；将所述第一方差与所述第二方差的均值作为层次聚类树中每层的聚类效果值；
29、将最大的所述聚类效果值对应的层次作为最佳聚类层次。
30、进一步地，所述最终聚类簇的获取方法，包括：
31、对于每个噪声数据点，根据噪声数据点的脉搏数据与最佳聚类层次中每个节点的所述特征值之间的差异，噪声数据点与最佳聚类层次中每个节点中正常数据点之间的欧式距离，以及噪声数据点的所述第一噪声度，获取噪声数据点与最佳聚类层次中每个节点之间的归属度；
32、从噪声数据点中选取特征噪声点，最佳聚类层次中至少存在一个节点与所述特征噪声点之间的所述归属度大于预设归属阈值；对于每个特征噪声点，将特征噪声点对应的最大的所述归属度对应的最佳聚类层次中的节点作为特征噪本文档来自技高网...
【技术保护点】
1.一种基于人工智能的麻醉深度监测方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述将特征数据点划分为噪声数据点与正常数据点的方法，包括：
3.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述每个特征数据点的第一噪声度的计算公式如下：
4.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述获取每次迭代的每个节点的数据异常度的方法，包括：
5.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述获取每次迭代的每个节点与其余各节点之间的聚类优先度的方法，包括：
6.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述基于所述聚类优先度合并每次迭代的节点的方法，包括：
7.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述从层次聚类树中筛选出最佳聚类层次的方法，包括：
8.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，
9.根据权利要求8所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述噪声数据点与最佳聚类层次中每个节点之间的归属度的计算公式如下：
10.一种基于人工智能的麻醉深度监测系统，其特征在于，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述权利要求1-9任意一项所述一种基于人工智能的麻醉深度监测方法的步骤。
...【技术特征摘要】
1.一种基于人工智能的麻醉深度监测方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述将特征数据点划分为噪声数据点与正常数据点的方法，包括：
3.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述每个特征数据点的第一噪声度的计算公式如下：
4.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述获取每次迭代的每个节点的数据异常度的方法，包括：
5.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述获取每次迭代的每个节点与其余各节点之间的聚类优先度的方法，包括：
6.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于...
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。