一种麻醉深度估计方法及系统与流程

本发明涉及麻醉监测技术领域，特别是涉及一种麻醉深度估计方法及系统。

背景技术：

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，减少了权重的数量，能够避免人工设计的特征抽取器，依靠反向传播学习算法将不同层变为合适的特征抽取器。cnn是比较适合于像eeg一样随着时间变化很大的信号，可用于分析识别eeg频谱信息。然而，传统的cnn对初始权重的依赖性很大，若初始值设置不当，cnn的训练过程容易陷入局部最优，预测准确性会受到很大影响。

因此，目前麻醉深度估计方法的预测准确度有待提高。

技术实现要素：

基于此，有必要提供一种麻醉深度估计方法及系统，以提高麻醉深度预测的准确性。

为实现上述目的，本发明提供了如下方案：

一种麻醉深度估计方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

本发明还提供了一种麻醉深度估计系统，所述系统包括：

第一数据获取模块，用于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；

第一提取模块，用于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；

权重优化模块，用于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；

权重调节模块，用于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；

第二数据获取模块，用于获取待检测者当前的脑电信号数据；

第二提取模块，用于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；

预测模块，用于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。

可选的，所权重优化模块，具体包括：

模型构建单元，用于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；

初始权重确定单元，用于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；

编码单元，用于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；

第一计算单元，用于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；

判断单元，用于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；

迭代单元，用于若不存在适应度值小于预设分类误差值且当前迭代次数小于预设迭代次数，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；

优化模型确定单元，用于若存在适应度值小于预设分类误差值或当前迭代次数大于或等于预设迭代次数，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。

可选的，所述权重调节模块，具体包括：

第二计算单元，用于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；

第三计算单元，用于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；

第四计算单元，用于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；

调节单元，用于依据所述梯度值，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。

可选的，所述系统还包括：预处理模块，用于对所述脑电信号训练数据进行预处理；

所述预处理模块，具体包括：

第一处理单元，用于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；

第二处理单元，用于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；

第三处理单元，用于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；

第四处理单元，用于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。

与现有技术相比，本发明的有益效果是：

本发明提出了一种麻醉深度估计方法及系统，所述方法通过遗传算法优化卷积神经网络中各层的权重，避免训练过程陷入局部最优，提高了预测精度；采用反向传播算法调整权重，保证了预测模型的可靠性，能够更加精确地识别待检测者的麻醉深度状态，为术中麻醉深度的监测提供了更加方便可靠的途径。并且本发明还能够降低传统的特征指标计算的复杂程度，多个角度无监督学习eeg的图像特征，避免了信息丢失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种麻醉深度估计方法的流程图；

图2为本发明实施例脑电信号训练数据示意图；

图3为本发明实施例脑电信号训练数据的整体频谱特征图；

图4为本发明实施例脑电信号训练数据不同时期的频谱特征图；

图5为本发明实施例卷积神经网络模型的结构示意图；

图6为本发明实施例一种麻醉深度估计系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例一种麻醉深度估计方法的流程图。

参见图1，实施例的麻醉深度估计方法，包括：

步骤s1：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，如图2所示。

步骤s2：提取所述脑电信号训练数据的频谱特征图。

该步骤首先依据所述脑电信号训练数据得到整个麻醉时期对应的整体频谱特征图，如图3所示；然后，将整体频谱特征图划分为不同时期的频谱特征图，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，如图4所示，其中图4(a)部分为清醒期频谱图，图4(b)部分为麻醉期频谱图，图4(c)部分为恢复期频谱图。

步骤s3：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。

所述步骤s3，具体包括：

301：构建卷积神经网络模型。参见图5，所述神经网络模型由输入、卷积层、池化层、全连接层和输出构成，所述卷积层和所述全连接层各设置三层，利用卷积核提取输入图片的每个特征平面的特征，然后在池化层进行降采样处理，重复叠加三层卷积层加池化层的结构进行学习，最后叠加三个全连接层，输出分类结果。所述卷积层的激活函数采用relu函数，所述全连接层利用softmax函数输出分类结果。

其中，所述relu函数为：f(x)＝max(0,x)，

所述softmax函数为：x表示对应函数的输入，即上一层的输出与本层权重的积再加偏置项。

302：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。该步骤随机选择均值为零的较小区间中的数作为初始权重，例如选取区间[-0.3,+0.3]中的数作为初始权重。

303：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，选择初始化种群中个体数目为50。

304：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。本实施例中将分类正确率作为适应度值，所述分类正确率为正确分类训练样本数占训练集总样本数的百分比。

305：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。本实施例中，分类误差值表示错误分类的样本占输入训练样本总数的百分比，所述预设迭代次数的取值为[100,500]。

步骤s4：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。

所述步骤s4，具体包括：

401：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。

402：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。

403：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。

404：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。具体的：

其中，wji′表示调节后的连接权重，η为学习速率。

步骤s5：获取待检测者当前的脑电信号数据。

步骤s6：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。

步骤s7：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。

作为一种可选的实施方式，由于原始的麻醉eeg信号中存在肌电、眼电、头动噪声、基线漂移等噪声，因此，在所述获取脑电信号训练数据之后，还要对所述脑电信号训练数据进行预处理。预处理过程具体为：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。

同样的，在所述当前的脑电信号数据之后，还包括：对所述当前的脑电信号数据进行预处理。具体预处理过程与上述相同，即依次经过第一高通滤波器、自适应滤波器、低通滤波器和第二高通滤波器去除噪声。

作为一种可选的实施方式，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。该实施方式中，第一高通滤波器采用eegfilt函数去除所述脑电信号训练数据中的头动噪声，去掉幅值较大的噪声信号，采用自适应滤波器去除的是第一处理脑电信号中的50hz工频噪声，第一预设频率为45hz，第二预设频率为0.1hz。

本实施例的麻醉深度估计方法，通过遗传算法优化卷积神经网络中各层的权重，利用麻醉不同时期频谱特征作为麻醉深度估计指标，能够实现基于图像的麻醉状态识别，摆脱卷积神经网络初始权重对分类准确率的影响，使麻醉深度的监测更加准确避；采用反向传播算法调整权重，保证了预测模型的可靠性；能够降低传统的特征指标计算的复杂程度，多个角度无监督学习eeg的图像特征，避免了信息丢失。

本发明还提供了一种麻醉深度估计系统，图6为本发明实施例一种麻醉深度估计系统的结构示意图。参见图6，所述系统包括：

第一数据获取模块601，用于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。

第一提取模块602，用于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。

权重优化模块603，用于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。

所权重优化模块603，具体包括：

模型构建单元，用于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；

初始权重确定单元，用于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；

编码单元，用于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；

第一计算单元，用于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；

判断单元，用于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；

迭代单元，用于若不存在适应度值小于预设分类误差值且当前迭代次数小于预设迭代次数，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；

优化模型确定单元，用于若存在适应度值小于预设分类误差值或当前迭代次数大于或等于预设迭代次数，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。

权重调节模块604，用于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。

所述权重调节模块604，具体包括：

第二计算单元，用于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；

第三计算单元，用于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；

第四计算单元，用于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；

调节单元，用于依据所述梯度值，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。

第二数据获取模块605，用于获取待检测者当前的脑电信号数据。

第二提取模块606，用于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。

预测模块607，用于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。

作为一种可选的实时方式，所述系统还包括：预处理模块，用于对所述脑电信号训练数据进行预处理。所述预处理模块，具体包括：

第一处理单元，用于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；

第二处理单元，用于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；

第三处理单元，用于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；

第四处理单元，用于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。

本实施例的麻醉深度估计系统，通过遗传算法优化卷积神经网络中各层的权重，避免训练过程陷入局部最优，提高了预测精度；采用反向传播算法调整权重，保证了预测模型的可靠性；能够降低传统的特征指标计算的复杂程度，多个角度无监督学习eeg的图像特征，避免了信息丢失。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。