本发明专利技术涉及数据处理技术领域，具体涉及基于机器学习的麻醉深度检测方法，包括：获取患者对应的若干个脑电数据序列以及脑电数据序列的期望信号，获取脑电数据序列的功率谱三维图，从而得到每一时刻的标准肌电信号频率、肌电信号强度、标准脑电信号频率以及脑电信号强度，再得到每一时刻的肌电信号和脑电信号之间的混叠程度，由此得到脑电数据序列的学习率，根据脑电数据序列的学习率和期望信号，得到患者的麻醉深度检测结果。本发明专利技术通过自适应学习率，使用LMS滤波器对脑电数据进行滤波处理，得到准确可信的滤波后的脑电数据序列，从而提高了患者的麻醉深度检测结果的准确性。
【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及基于机器学习的麻醉深度检测方法。
技术介绍
1、在医学领域，麻醉是许多手术过程中不可或缺的步骤，而麻醉深度的准确监测对于手术的成功和患者的安全至关重要。目前，脑电指数是一种常用的方法，通过分析脑电图信号来评估患者的麻醉深度。然而，这存在一个关键问题，即在麻醉监测中，肌电图信号的频率范围为30到300赫兹，脑电图信号的频率范围为0.5到30赫兹，故肌电图信号的下限非常接近脑电图信号的频率范围的上限，因此较低的肌电图信号可能被误认为高的脑电图信号，从而导致脑电指数值偏高，从而误以为患者处于清醒或浅麻醉状态。
2、现有的问题：在面对脑电图信号和肌电图信号交叉干扰时，需要使用滤波来进行处理。传统的滤波方法通常是采用lms滤波器将低频信号作为目标信号进行滤波，从而达到自适应滤波的效果，但是这种方法在进行时，采用固定的学习率，而固定的学习率难以适应不断变化的麻醉深度条件，可能会降低自适应滤波的响应效率和精度，从而降低了基于机器学习的麻醉深度检测的准确性。
技术实现思路
1、本专利技术提供基于机器学习的麻醉深度检测方法，以解决现有的问题。
2、本专利技术的基于机器学习的麻醉深度检测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于机器学习的麻醉深度检测方法，该方法包括以下步骤：
4、获取患者对应的若干个脑电数据序列；将任意一个脑电数据序列，记为目标序列；对目标序列进行滤波运算，得到目标序列的期望信号；
5、获取目标序列的功率谱三维图，根据功率谱三维图中同一时刻上不同频率区间内功率的大小，分别得到每一时刻的标准肌电信号频率、肌电信号强度、标准脑电信号频率以及脑电信号强度；所述功率谱三维图的横轴表示时间、纵轴表示频率以及竖轴表示功率；
6、根据功率谱三维图中每一时刻的肌电信号强度、脑电信号强度以及标准脑电信号频率到标准肌电信号频率之间功率的大小，得到每一时刻的肌电信号和脑电信号之间的混叠程度；
7、根据功率谱三维图中所有时刻的肌电信号和脑电信号之间的混叠程度，得到目标序列的学习率；
8、根据目标序列的学习率和期望信号，得到患者的麻醉深度检测结果。
9、进一步地，所述对目标序列进行滤波运算，得到目标序列的期望信号，包括的具体步骤如下：
10、使用fir滤波器对目标序列进行滤波运算，得到目标序列的滤波数据序列；
11、将目标序列的滤波数据序列，记为目标序列的期望信号。
12、进一步地，所述获取目标序列的功率谱三维图，根据功率谱三维图中同一时刻上不同频率区间内功率的大小，分别得到每一时刻的标准肌电信号频率、肌电信号强度、标准脑电信号频率以及脑电信号强度，包括的具体步骤如下：
13、对目标序列进行傅里叶变换，得到目标序列的功率谱三维图；
14、根据功率谱三维图中同一时刻上预设的肌电信号频率区间内的功率，得到每一时刻的标准肌电信号频率；
15、在功率谱三维图中同一时刻上预设的肌电信号频率区间内，根据不同频率与标准肌电信号频率对应的功率之间的差异，得到每一时刻的肌电信号强度；
16、在预设的脑电信号频率区间，根据每一时刻的标准肌电信号频率和肌电信号强度的获取方式，得到每一时刻的标准脑电信号频率和脑电信号强度。
17、进一步地，所述根据功率谱三维图中同一时刻上预设的肌电信号频率区间内的功率，得到每一时刻的标准肌电信号频率，包括的具体步骤如下：
18、在目标序列的功率谱三维图中，统计第k时刻对应的频率属于m内的所有频率对应的功率中的最大值，将所述最大值对应的频率，记为第k时刻的标准肌电信号频率；所述m为预设的肌电信号频率区间。
19、进一步地，所述在功率谱三维图中同一时刻上预设的肌电信号频率区间内，根据不同频率与标准肌电信号频率对应的功率之间的差异，得到每一时刻的肌电信号强度对应的具体计算公式为：
20、
21、其中somk为第k时刻的肌电信号强度，m为预设的肌电信号频率区间，s为预设的肌电信号频率区间中最大值减去最小值的差值，pk(i)为功率谱三维图中第k时刻上频率为i时对应的功率，pk(mam)为功率谱三维图中第k时刻上标准肌电信号频率对应的功率。
22、进一步地，所述根据功率谱三维图中每一时刻的肌电信号强度、脑电信号强度以及标准脑电信号频率到标准肌电信号频率之间功率的大小，得到每一时刻的肌电信号和脑电信号之间的混叠程度，包括的具体步骤如下：
23、获取功率谱三维图中的第k时刻上频率属于区间[magk,mamk]内的每个频率对应的拟合功率；
24、在功率谱三维图中的第k时刻上，根据肌电信号强度、脑电信号强度以及频率属于区间[magk,mamk]内的每个频率对应的功率和拟合功率之间的差异，得到第k时刻的肌电信号和脑电信号之间的混叠程度；其中，mamk为第k时刻的标准肌电信号频率，magk为第k时刻的标准脑电信号频率。
25、进一步地，所述获取功率谱三维图中的第k时刻上频率属于区间[magk,mamk]内的每个频率对应的拟合功率，包括的具体步骤如下：
26、在功率谱三维图中的第k时刻上，使用最小二乘法对频率属于区间[magk,mamk]内的所有频率对应的功率进行线性拟合，得到频率属于区间[magk,mamk]内的每个频率对应的拟合功率。
27、进一步地，所述在功率谱三维图中的第k时刻上，根据肌电信号强度、脑电信号强度以及频率属于区间[magk,mamk]内的每个频率对应的功率和拟合功率之间的差异，得到第k时刻的肌电信号和脑电信号之间的混叠程度对应的具体计算公式为：
28、
29、其中，ok为第k时刻的肌电信号和脑电信号之间的混叠程度，somk为第k时刻的肌电信号强度，sogk为第k时刻的脑电信号强度，pk′,j为功率谱三维图中第k时刻上频率为j时对应的功率，pk′,′j为功率谱三维图中第k时刻上频率为j时对应的拟合功率，||为绝对值函数，exp()为以自然常数为底的指数函数。
30、进一步地，所述根据功率谱三维图中所有时刻的肌电信号和脑电信号之间的混叠程度，得到目标序列的学习率，包括的具体步骤如下：
31、计算每一时刻的肌电信号和脑电信号之间的混叠程度的归一化值，再计算功率谱三维图中所有时刻的肌电信号和脑电信号之间的混叠程度的归一化值的均值，再计算1减去所述均值的差值，将所述差值与预设的学习率的乘积，记为目标序列的学习率。
32、进一步地，所述根据目标序列的学习率和期望信号，得到患者的麻醉深度检测结果，包括的具体步骤如下：
33、根据目标序列的学习率和期望信号，使用lms滤波器对目标序列进行滤波运算，得到滤波后的脑电数据序列；
34、根据患者对应的所有脑电数据序列的滤波后的脑电数据序列，使用训练后的人工神经网络进行运算本文档来自技高网
...
【技术保护点】
1.基于机器学习的麻醉深度检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述对目标序列进行滤波运算，得到目标序列的期望信号，包括的具体步骤如下：
3.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述获取目标序列的功率谱三维图，根据功率谱三维图中同一时刻上不同频率区间内功率的大小，分别得到每一时刻的标准肌电信号频率、肌电信号强度、标准脑电信号频率以及脑电信号强度，包括的具体步骤如下：
4.根据权利要求3所述基于机器学习的麻醉深度检测方法，其特征在于，所述根据功率谱三维图中同一时刻上预设的肌电信号频率区间内的功率，得到每一时刻的标准肌电信号频率，包括的具体步骤如下：
5.根据权利要求3所述基于机器学习的麻醉深度检测方法，其特征在于，所述在功率谱三维图中同一时刻上预设的肌电信号频率区间内，根据不同频率与标准肌电信号频率对应的功率之间的差异，得到每一时刻的肌电信号强度对应的具体计算公式为：
6.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述根据功率谱三维图中每一时刻的肌电信号强度、脑电信号强度以及标准脑电信号频率到标准肌电信号频率之间功率的大小，得到每一时刻的肌电信号和脑电信号之间的混叠程度，包括的具体步骤如下：
7.根据权利要求6所述基于机器学习的麻醉深度检测方法，其特征在于，所述获取功率谱三维图中的第k时刻上频率属于区间[MAGk,MAMk]内的每个频率对应的拟合功率，包括的具体步骤如下：
8.根据权利要求6所述基于机器学习的麻醉深度检测方法，其特征在于，所述在功率谱三维图中的第k时刻上，根据肌电信号强度、脑电信号强度以及频率属于区间[MAGk,MAMk]内的每个频率对应的功率和拟合功率之间的差异，得到第k时刻的肌电信号和脑电信号之间的混叠程度对应的具体计算公式为：
9.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述根据功率谱三维图中所有时刻的肌电信号和脑电信号之间的混叠程度，得到目标序列的学习率，包括的具体步骤如下：
10.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述根据目标序列的学习率和期望信号，得到患者的麻醉深度检测结果，包括的具体步骤如下：
...
【技术特征摘要】
1.基于机器学习的麻醉深度检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述对目标序列进行滤波运算，得到目标序列的期望信号，包括的具体步骤如下：
3.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述获取目标序列的功率谱三维图，根据功率谱三维图中同一时刻上不同频率区间内功率的大小，分别得到每一时刻的标准肌电信号频率、肌电信号强度、标准脑电信号频率以及脑电信号强度，包括的具体步骤如下：
4.根据权利要求3所述基于机器学习的麻醉深度检测方法，其特征在于，所述根据功率谱三维图中同一时刻上预设的肌电信号频率区间内的功率，得到每一时刻的标准肌电信号频率，包括的具体步骤如下：
5.根据权利要求3所述基于机器学习的麻醉深度检测方法，其特征在于，所述在功率谱三维图中同一时刻上预设的肌电信号频率区间内，根据不同频率与标准肌电信号频率对应的功率之间的差异，得到每一时刻的肌电信号强度对应的具体计算公式为：
6.根据权利要求1所述基于机器学习的麻醉深度检测方法，其特征在于，所述根据功率...
【专利技术属性】
技术研发人员：王春光，王可豪，秦毅彬，蒋茂荣，
申请(专利权)人：南通大学附属医院，
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。