一种麻醉深度脑电信号数据处理方法

本发明涉及基于频率特征的异常数据筛选，具体涉及一种麻醉深度脑电信号数据处理方法。

背景技术：

1、脑电信号是一种记录大脑电活动的生理信号，对于临床麻醉监测起着至关重要的作用。脑电信号的功能作用十分广泛，比如医护人员通过监测脑电信号评估患者的麻醉深度，确保患者在手术期间处于适当的麻醉状态，从而提高手术的安全性，再比如：脑电信号还可用于研究大脑功能、诊断神经系统疾病等领域。

2、然而，脑电信号中常常存在各种干扰和异常，如检测电极接触不良、肌电干扰、眼电活动等，这些因素可能导致脑电信号中的异常值。这些异常值的存在可能误导医生对患者麻醉深度的判断，降低了监测的准确性和可靠性，因此需要一种有效的处理方法来提高脑电信号的质量。

3、现有使用比较广泛的脑电信号异常检测方法为：根据脑电信号中待测数据点与脑电信号整体情况的差异程度确定待测数据点的异常状态，比如根据待测数据点与数据点平均值之间的差异程度确定待测数据点的异常得分，然后根据异常得分进行异常检测。其中，差异程度越大，待测数据点的异常得分越高，待测数据点的异常程度也就越高。然而，这种异常值检测方法中，异常得分的考虑因素仅仅是待测数据点与数据点整体情况的差异情况，比较固化且单一，从而导致异常得分获取不准确，影响异常检测的准确性。

技术实现思路

1、有鉴于此，为了解决现有的脑电信号异常值检测方法的异常检测准确性较低的技术问题，本发明提供一种麻醉深度脑电信号数据处理方法。

2、所采用的技术方案具体如下：

3、一种麻醉深度脑电信号数据处理方法，包括：

4、获取将原始脑电信号划分得到的多个脑电信号段，并将所述脑电信号段转换成频谱数据；

5、对所述频谱数据进行聚类，获取两个目标聚类簇，基于各目标聚类簇中各频率的功率值以及与对应聚类中心点频率的差异，得到各目标聚类簇的能量特征；

6、基于各目标聚类簇的预设频率范围的局部能量特征与所述能量特征之间的关联，得到两个目标聚类簇之间的耦合程度；

7、结合所述耦合程度以及两个目标聚类簇的能量特征，对基于数据点与对应脑电信号段整体的差异情况获得的原始异常分数进行修正，得到数据点的目标异常分数；

8、根据所述目标异常分数对数据点进行异常检测。

9、进一步地，基于各目标聚类簇中各频率的功率值以及与对应聚类中心点频率的差异，得到各目标聚类簇的能量特征，包括：

10、对于任意一个目标聚类簇，获取该目标聚类簇中各个频率值所对应的原始功率值，并获取该目标聚类簇中的最大原始功率值；

11、根据所述各个频率值所对应的原始功率值，结合各频率值与聚类中心点频率值的差异，对各个频率值所对应的原始功率值进行加权，得到各个频率值所对应的加权功率值，其中，所述加权功率值与对应频率值和聚类中心点频率值的差异呈反相关关系；

12、根据所述最大原始功率值，以及所有频率值所对应的加权功率值的平均值，得到该目标聚类簇的能量特征，其中，能量特征与最大原始功率值和加权功率值平均值均呈正相关关系。

13、进一步地，所述能量特征的计算公式如下：

14、；

15、其中，表示该目标聚类簇的能量特征，表示大于或者等于1的预设参数，表示该目标聚类簇中频率值在该目标聚类簇对应的频谱图中的原始功率值，表示该目标聚类簇的最大原始功率值，表示该目标聚类簇中的最小频率值，表示该目标聚类簇中的最大频率值，n表示该目标聚类簇中的频率值的数量，表示对进行负相关归一化，表示该目标聚类簇的聚类中心点频率值。

16、进一步地，基于各目标聚类簇的预设频率范围的局部能量特征与所述能量特征之间的关联，得到两个目标聚类簇之间的耦合程度，包括：

17、计算两个目标聚类簇的预设频率范围的局部能量特征的和值，得到第一和值，并计算两个目标聚类簇的能量特征的和值，得到第二和值；

18、将所述第一和值的和第二和值的比值，作为两个目标聚类簇之间的耦合程度。

19、进一步地，两个目标聚类簇之间的耦合程度的计算公式如下：

20、；

21、其中，表示第个脑电信号段的两个目标聚类簇之间的耦合程度，表示第个脑电信号段中频率较低的目标聚类簇的预设频率范围的局部能量特征，表示第个脑电信号段中频率较高的目标聚类簇的预设频率范围的局部能量特征，表示第个脑电信号段中频率较低的目标聚类簇的能量特征，表示第个脑电信号段中频率较高的目标聚类簇的能量特征；

22、；

23、其中，表示第个脑电信号段中频率较低的目标聚类簇的聚类中心点频率值；表示第个脑电信号段中频率较低的目标聚类簇的最大频率值；表示第个脑电信号段中频率较低的目标聚类簇的中频率值在该目标聚类簇对应的频谱图中的原始功率值；表示第个脑电信号段中频率较低的目标聚类簇的最大原始功率值，表示第个脑电信号段中频率较低的目标聚类簇的聚类中心点频率值与最大频率值之间的频率范围，表示对进行负相关归一化，表示大于或者等于1的预设参数；

24、表示第个脑电信号段中频率较高的目标聚类簇的聚类中心点频率值；表示第个脑电信号段中频率较高的目标聚类簇的最小频率值；表示第个脑电信号段中频率较高的目标聚类簇的中频率值在该目标聚类簇对应的频谱图中的原始功率值；表示第个脑电信号段中频率较高的目标聚类簇的最大原始功率值，表示第个脑电信号段中频率较高的目标聚类簇的最小频率值与聚类中心点频率值之间的频率范围，表示对进行负相关归一化。

25、进一步地，结合所述耦合程度以及两个目标聚类簇的能量特征，对基于数据点与对应脑电信号段整体的差异情况获得的原始异常分数进行修正，得到数据点的目标异常分数，包括：

26、基于数据点与对应脑电信号段整体的差异情况，获得脑电信号段中各个数据点的原始异常分数；

27、基于所述耦合程度以及两个目标聚类簇的能量特征，得到对应脑电信号段的分数修正系数；

28、根据所述分数修正系数，对所述原始异常分数进行修正，得到数据点的目标异常分数。

29、进一步地，基于所述耦合程度以及两个目标聚类簇的能量特征，得到对应脑电信号段的分数修正系数，包括：

30、获取脑电信号段的耦合程度，脑电信号段对应的两个目标聚类簇的能量特征以及脑电信号段中频率较低的目标聚类簇的聚类中心点频率值；

31、计算脑电信号段对应的两个目标聚类簇的能量特征的差值绝对值，并将所述差值绝对值与脑电信号段中频率较低的目标聚类簇的能量特征的和值作为目标聚类簇的能量差异特征；

32、根据脑电信号段的耦合程度，所述能量差异特征以及脑电信号段中频率较低的目标聚类簇的聚类中心点频率值，得到脑电信号段的分数修正系数，所述分数修正系数与耦合程度和脑电信号段中频率较低的目标聚类簇的聚类中心点频率值均呈反相关关系，与能量差异特征呈正相关关系。

33、进一步地，分数修正系数的计算公式如下：

34、；

35、其中，表示归一化函数，表示第个脑电信号段中频率较低的目标聚类簇的聚类中心点频率值，表示第个脑电信号段中频率较低的目标聚类簇的能量特征，表示第个脑电信号段中频率较高的目标聚类簇的能量特征，表示第个脑电信号段的两个目标聚类簇之间的耦合程度；进行负相关归一化；

36、相应地，根据所述分数修正系数，对所述原始异常分数进行修正，得到数据点的目标异常分数，包括：

37、对所述原始异常分数进行归一化，得到原始异常分数特征；

38、将所述原始异常分数特征乘以对应的分数修正系数，得到对应脑电信号段中的数据点的目标异常分数特征。

39、进一步地，根据所述目标异常分数对数据点进行异常检测，包括：

40、将目标异常分数特征大于或者等于预设异常分数特征阈值的数据点判定为异常数据点。

41、进一步地，对所述频谱数据进行聚类，获取两个目标聚类簇，包括：

42、设定聚类中心k的数量为2，采用k_means聚类算法，对所述频谱数据进行聚类，获取两个目标聚类簇。

43、本发明至少具有如下有益效果：通过将患者在麻醉情况下的原始脑电信号划分得到多个脑电信号段，能够针对各个脑电信号段的实际情况分别进行分析，能够提升后续异常检测的准确性；将脑电信号段转换成频谱数据并进行聚类，获取两个目标聚类簇，由于通常情况下，脑电信号的频率集中在两个频率段内，因此，通过对频谱数据进行聚类成两个目标聚类簇，能够结合这目标聚类簇之间的关联以及差异情况，分别得到各目标聚类簇的准确的能量特征，便于后续根据能量特征进行异常检测；基于各目标聚类簇的预设频率范围的局部能量特征与能量特征之间的关联，得到两个目标聚类簇之间的耦合程度，耦合程度反映了两个目标聚类簇之间数据的能量分布，通过耦合程度能够准确分析对应脑电信号段的数据分布特征；结合耦合程度以及两个目标聚类簇的能量特征，能够对基于数据点与对应脑电信号段整体的差异情况获得的原始异常分数进行修正，得到数据点的目标异常分数，通过脑电信号段中能量分布特征结合不同频率的脑电信号对脑电信号的原始异常分数进行修正，能够降低干扰因素对于异常分数的影响，从而得到准确的、可靠的异常分数，在根据修正后的异常分数进行数据点异常检测时，能够提升异常检测的准确性。