CN108717535B - 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 - Google Patents

一种基于混合特征和长短时记忆网络的麻醉深度估计方法 Download PDF

Info

Publication number
CN108717535B
CN108717535B CN201810516139.XA CN201810516139A CN108717535B CN 108717535 B CN108717535 B CN 108717535B CN 201810516139 A CN201810516139 A CN 201810516139A CN 108717535 B CN108717535 B CN 108717535B
Authority
CN
China
Prior art keywords
entropy
characteristic
feature
lstm
frequency spectrum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810516139.XA
Other languages
English (en)
Other versions
CN108717535A (zh
Inventor
吴强
辛雨航
刘琚
侯晓莹
李荣琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810516139.XA priority Critical patent/CN108717535B/zh
Publication of CN108717535A publication Critical patent/CN108717535A/zh
Application granted granted Critical
Publication of CN108717535B publication Critical patent/CN108717535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于混合特征和长短时记忆网络LSTM的麻醉深度估计方法。该方法利用提取的脑电信号，首先进行去噪处理，然后提取脑电信号的熵特征以及频谱特征，再将熵特征与频谱特征混合并归一化后作为LSTM的输入，通过一个三层的网络进行训练，训练标签由呼吸末浓度以及药代药效动力学获得。本发明借助LSTM对前一时刻的特征信息进行了利用，并与当前时刻的特征进行结合，有效的利用了脑电信号本身所具有的时序特征，提高了麻醉深度估计的准确度。

Description

一种基于混合特征和长短时记忆网络的麻醉深度估计方法
技术领域
本发明涉及一种基于混合特征和长短时记忆网络LSTM(Long Short-TermMemory)的麻醉深度估计方法，属于生物医学信号处理领域。
背景技术
麻醉深度估计是手术顺利进行的保证。在手术过程中，需要对麻醉深度进行有效的估计，从而控制麻醉药物的注入。如果麻醉深度过浅，会导致出现术中知晓的问题，给病人带来极大的心理创伤，而麻醉深度过深会使得病人术后意识恢复过慢，严重时甚至会危及生命。临床中对于麻醉深度的估计通常使用脑电信号进行估计。
脑电信号是大脑组织电活动和大脑功能状态的反映，各种形式的思维状态以及外界刺激都会引起不同的脑电信号。脑电信号作为一种信息的表现方式，使得越来越多的研究人员积极的探索如何运用脑电信号进行医学辅助监测系统。
对于麻醉深度估计来说，一个重要的问题是如何提高麻醉深度估计的准确率。目前，针对麻醉监测的主要方法是双频指数算法、排序熵算法、样本熵算法、小波熵算法等。尽管上述方法能够一定程度上对麻醉深度进行估计，但是这些方法都没有充分利用脑电信号的时序信息，在麻醉深度估计的准确率方面有待进一步提高。
时序模型的神经网络在训练时除了关注当前的输入信息，还考虑了前面时刻的状态信息，具备了记忆存储功能，因而可以更好的利用时序信号所具有的时序信息。LSTM作为时序模型的神经网络，能够有效的利用时序信号的时序信息，在LSTM中定义了细胞状态、门结构来进行时序信息的利用，细胞状态用来存储与传递信息，使用门结构来进行信息的增加或者去除，从而达到对时序信息的利用。近年来，基于时序模型的神经网络不断发展，已在时序信号上取得了不错的效果。LSTM被广泛的应用到语音、音乐信号的分析当中，在脑电信号的上也有初步的应用，但是利用LSTM分析脑电信号进行麻醉深度的估计还未曾提出。
发明内容
针对传统方法在估计麻醉深度时准确率较低的问题，本发明提出了一种基于混合特征和长短时记忆网络LSTM的麻醉深度估计方法。该方法考虑了脑电信号所具备的时序特征，利用时序模型LSTM对脑电信号的熵特征与频域特征进行进一步的融合提取，得到最终的麻醉深度估计结果。
本发明提出的基于混合特征和长短时记忆网络LSTM的麻醉深度估计方法是：
一种基于混合特征和长短时记忆网络LSTM的麻醉深度估计方法，其特征是：利用预处理之后的脑电信号，首先进行熵特征以及频谱特征的提取并进行归一化，然后通过LSTM对归一化后的混合特征进行训练，得到一个麻醉深度估计模型，该方法包括具体以下步骤：
(1)采集前额处的脑电信号，对采集的脑电信号进行去伪迹处理，并对去伪迹后的信号进行分割；
(2)熵特征的提取：对每组数据的排序熵、样本熵、小波熵特征进行提取，选择嵌入维度为4的排序熵作为特征一，记为f1，选择嵌入维度为5，阈值分别为1、2、3的样本熵作为特征二、特征三、特征四，分别记为f2、f3、f4，选择特征值四与特征值三的差为特征值五，记为f5＝f4-f3，采用小波熵作为特征值六，记为f6；
(3)频谱特征的提取：对于每组数据先进行小波变换求得时频谱，然后分别求解三段不同频谱的均值作为特征七、特征八、特征九，分别记为f7、f8、f9，选择特征值八与特征值九的差为特征值十，记为f10＝f8-f9；
(4)将步骤(2)、(3)所求得的熵特征和频谱特征进行归一化，然后将归一化的特征作为输入放入到三层LSTM神经网络模型中进行训练，输入层神经元的个数为10，隐藏层神经元的个数为12，输出层神经元的个数为1，训练标签通过呼吸末浓度结合药代药效动力学进行计算得出。
(5)特别地，步骤(3)中的三段不同频谱分别取10-20Hz频谱、30-47Hz频谱和47-50Hz频谱。
本发明基于混合特征和长短时记忆网络LSTM模型对麻醉深度进行估计，在步骤(4)当中，本发明借助LSTM对前一时刻的特征信息进行了利用，并与当前时刻的特征进行结合，有效的利用了脑电信号本身所具有的时序特征，提高了麻醉深度估计的准确度。
附图说明
图1是本发明的麻醉深度估计方法流程图。
具体实施方式
如图1所示，本发明的基于混合特征和长短时记忆网络LSTM麻醉深度估计方法具体包括以下步骤：
(1)首先采集前额处的脑电信号，采样频率100Hz，对采集的脑电信号进行去伪迹处理，首先通过统计均值与标准差的方法去除大噪声，然后通过小波阈值去噪去除眼电，采用FIR滤波器滤除基线漂移，并对去伪迹后的信号进行分割，每500个采样点为一组；
(2)熵特征提取：对每组数据的排序熵、样本熵、小波熵特征进行提取，选择嵌入维度为4的排序熵作为特征一，记为f1，选择嵌入维度为5，阈值分别为1、2、3的样本熵作为特征二、特征三、特征四，分别记为f2、f3、f4，选择特征值四与特征值三的差为特征值五，记为f5＝f4-f3，采用小波熵作为特征值六，记为f6；
(3)频谱特征的提取：对于每组数据先进行小波变换求得时频谱，然后将最大值作为当前频率的幅值，接着分别求解10-20Hz频谱、30-47Hz频谱、47-50Hz频谱的均值作为特征七、特征八、特征九，分别记为f7、f8、f9，选择特征值八与特征值九的差为特征值十，记为f10＝f8-f9；
(4)将步骤(2)、(3)所求得的特征进行归一化，然后将其作为输入放入到三层LSTM神经网络模型中进行训练，输入层神经元的个数为10，隐藏层神经元的个数为12，输出层神经元的个数为1，训练标签通过呼吸末浓度结合药代药效动力学进行计算得出。
本发明的效果可以通过实验进一步说明。
实验在标准麻醉监测脑电数据集上测试了本发明所提出的方法，本实验脑电信号的采样速率100Hz，对原始的脑电信号进行了去噪处理，并对去噪后的信号进行分割。对于实验数据的标签通过呼吸末浓度结合药代药效动力学进行计算得出。
表1比较了本发明所提出的算法与已有算法(排序熵，样本熵，小波熵，频谱特征)的估计结果进行比较，由最终的预测概率可见，采用本发明后，脑电信号麻醉特征的提取准确率得到有效提高。
表1不同方法下的Pk值
方法名称 预测概率P<sub>k</sub>均值
样本熵 0.705±0.0138
小波熵 0.724±0.0063
排序熵 0.750±0.0033
频谱30-47Hz 0.763±0.0037
LSTM 0.774±0.0038

Claims (2)

1.一种基于混合特征和长短时记忆网络LSTM的麻醉深度估计方法，其特征是：利用预处理之后的脑电信号，首先进行熵特征以及频谱特征的提取并进行归一化，然后通过LSTM对归一化后的混合特征进行训练，得到一个麻醉深度估计模型，该方法包括具体以下步骤：
(1)采集前额处的脑电信号，对采集的脑电信号进行去伪迹处理，并对去伪迹后的信号进行分割；
(2)熵特征的提取：对每组数据的排序熵、样本熵、小波熵特征进行提取，选择嵌入维度为4的排序熵作为特征一，记为f1，选择嵌入维度为5，阈值分别为1、2、3的样本熵作为特征二、特征三、特征四，分别记为f2、f3、f4，选择特征值四与特征值三的差为特征值五，记为f5＝f4-f3，采用小波熵作为特征值六，记为f6；
(3)频谱特征的提取：对于每组数据先进行小波变换求得时频谱，然后分别求解三段不同频谱的均值作为特征七、特征八、特征九，分别记为f7、f8、f9，选择特征值八与特征值九的差为特征值十，记为f10＝f8-f9；
(4)将步骤(2)、(3)所求得的熵特征和频谱特征进行归一化，然后将归一化的特征作为输入放入到三层LSTM神经网络模型中进行训练，输入层神经元的个数为10，隐藏层神经元的个数为12，输出层神经元的个数为1，训练标签通过呼吸末浓度结合药代药效动力学进行计算得出。
2.根据权利要求1的一种基于混合特征和长短时记忆网络LSTM的麻醉深度估计方法，其特征是：步骤(3)中的三段不同频谱分别取10-20Hz频谱、30-47Hz频谱和47-50Hz频谱。
CN201810516139.XA 2018-05-25 2018-05-25 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 Active CN108717535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810516139.XA CN108717535B (zh) 2018-05-25 2018-05-25 一种基于混合特征和长短时记忆网络的麻醉深度估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810516139.XA CN108717535B (zh) 2018-05-25 2018-05-25 一种基于混合特征和长短时记忆网络的麻醉深度估计方法

Publications (2)

Publication Number Publication Date
CN108717535A CN108717535A (zh) 2018-10-30
CN108717535B true CN108717535B (zh) 2021-06-01

Family

ID=63900358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810516139.XA Active CN108717535B (zh) 2018-05-25 2018-05-25 一种基于混合特征和长短时记忆网络的麻醉深度估计方法

Country Status (1)

Country Link
CN (1) CN108717535B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109567789B (zh) * 2018-12-03 2021-08-31 东软集团股份有限公司 心电图数据的分割处理方法、装置及可读存储介质
CN110292377B (zh) * 2019-06-10 2022-04-01 东南大学 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
CN113974557A (zh) * 2021-10-28 2022-01-28 中国人民解放军陆军军医大学第二附属医院 基于脑电奇异谱分析的深度神经网络麻醉深度分析方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102772205A (zh) * 2011-05-09 2012-11-14 刘铭湖 基于脑电复合排列熵指数的麻醉监测方法
CN103637798B (zh) * 2013-12-17 2016-03-09 山东大学齐鲁医院 一种麻醉深度监测装置
CN104856673B (zh) * 2014-02-20 2018-02-09 许淑霞 利用心电信号估计麻醉深度的方法与装置
CN104545949A (zh) * 2014-09-29 2015-04-29 浙江普可医疗科技有限公司 一种基于脑电的麻醉深度监测方法

Also Published As

Publication number Publication date
CN108717535A (zh) 2018-10-30

Similar Documents

Publication Publication Date Title
CN112690793B (zh) 情绪脑电迁移模型训练方法、系统及情绪识别方法和设备
CN110840402B (zh) 一种基于机器学习的房颤信号识别方法及系统
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
CN108717535B (zh) 一种基于混合特征和长短时记忆网络的麻醉深度估计方法
Fathima et al. Wavelet based features for epileptic seizure detection
CN106485208B (zh) 单通道脑电信号中眼电干扰的自动去除方法
CN110960191A (zh) 一种基于频谱能量图的癫痫脑电信号分类方法
CN113768519B (zh) 基于深度学习和静息态脑电数据分析病人意识水平的方法
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN111067507A (zh) 基于生成对抗网络和策略梯度的心电信号去噪方法
CN114366124A (zh) 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
CN111317499A (zh) 一种基于小波技术的心音信号处理方法
AU2020103949A4 (en) EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium
Luengo et al. Blind analysis of atrial fibrillation electrograms: a sparsity-aware formulation
CN113128384A (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
CN116211322A (zh) 一种基于机器学习脑电信号的抑郁症识别方法和系统
CN113558637B (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
Sathawane et al. Inception based GAN for ECG arrhythmia classification
Saxena et al. Optimisation of thresholding techniques in de-noising of ECG signals
CN111493864B (zh) Eeg信号混合噪声处理方法、设备和存储介质
Ghodake et al. Optimized cardiovascular disease detection and features extraction algorithms from ECG data
CN116035594B (zh) 一种基于分割-降噪网络的脑电伪迹去除方法
Sheikh et al. Cardiac disorder diagnosis based on ECG segments analysis and classification
Nguyen et al. Wavelet-based denoising for EEG-based pattern recognition systems
CN117426776B (zh) 一种心电图信号特征智能提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant