CN110547868B - 一种连续麻醉装置 - Google Patents

Abstract

本发明提供了一种连续麻醉装置，包括麻醉剂注射模块、生命体征采集模块、个体特征录入模块、信息处理模块、麻醉状态评价模块、麻醉剂注射控制模块及危险警报模块。通过将病人的生命体征信息和个体特征信息以及期望的麻醉目标作为输入向量，构建麻醉剂注射的BP神经网络预测模型，通过从真实手术中麻醉实施的样本集中选取局部样本集对预测模型进行训练，并以检验样本集进行验证，直至预测误差的平方和最小，从而实现麻醉剂注射种类、注射剂量和注射速率的准确预测和智能连续麻醉控制。本发明还能对麻醉过程中的非正常状态进行危险预警，从而提高麻醉过程的安全性和可操作性。

Description

一种连续麻醉装置

技术领域

本发明属于医疗器械技术领域，尤其涉及一种连续麻醉装置。

背景技术

据临床统计，大约只有60％的病人能够享受到完全优质的麻醉服务，约14％的患者被过度麻醉，16％的患者麻醉过浅，10％的患者处于时浅时深。镇静麻醉过深，药物过量会引起呼吸变慢，至呼吸停止，大脑缺氧，大脑长期缺氧，引起病人心脏停止，造成病人死亡。麻醉过浅，引起术中知晓，病人可能对手术有记忆甚至感到疼痛，严重的还会引起精神或睡眠障碍，术中可能引发的“恐怖回忆”成为术后生活的又一痛苦；术中知晓也即在全麻下手术过程中发生意识的恢复。为了降低麻醉用药过浅或过深的发生率，就需要通过实时监测麻醉状态，实现自动注射和连续麻醉，从而降低医务人员的工作强度和病人的痛苦，并通过对注射量的监测和控制，保证安全性，提高使用效果。

例如，申请号为CN 201210591264.X的发明专利公开了一种闭环的智能麻醉控制系统，包括监控屏幕、生命体征采集端、工作站端和麻醉药剂注射装置；生命体征采集端与工作站端相连，生命体征采集端通过传感器、生命体征检测装置采集病人的生命体征传感信息，并将获得的传感信息传输至工作站端；工作站端连接到麻醉药剂注射装置的输出，工作站端通过贝叶斯网络分析器推断出病人所需的麻醉药物种类、注射药剂量和注射速度，并通过麻醉剂注射装置对病人进行麻醉剂的注射，实现了麻醉剂智能控制和注射，应用效果非常安全。

然而，上述现有技术还存在以下问题：

(1)该智能麻醉控制系统仅根据病人麻醉前的生命体征信息构建贝叶斯网络，忽略了病人个体特征信息与麻醉剂注射种类、剂量和注射速率的关系，因此，推断出的麻醉剂注射种类、注射剂量和注射速率缺乏一定的准确性和合理性。

(2)该智能麻醉控制系统缺乏对术中麻醉剂失效状况的智能注射控制，无法实现连续注射控制。

(3)该智能麻醉控制系统缺乏对麻醉剂注射的阈值控制，当出现误判时，将给病人生命带来严重的危害。

发明内容

针对上述现有技术存在的缺陷，本发明的目的在于提供一种连续麻醉装置，通过将病人的生命体征信息和个体特征信息以及期望的麻醉目标作为输入向量，构建麻醉剂注射的预测模型，通过真实手术中麻醉实施的样本集对预测模型进行迭代训练，并以检验样本集进行验证，直至预测误差的平方和最小，从而实现麻醉剂注射种类、注射剂量和注射速率的准确预测和智能连续麻醉控制。

为实现上述目的，本发明采用以下技术方案实现：

一种连续麻醉装置，包括麻醉剂注射模块、生命体征采集模块、个体特征录入模块、信息处理模块、麻醉状态评价模块、麻醉剂注射控制模块及危险警报模块，其中：

所述麻醉剂注射模块包括麻醉剂注射装置和麻醉剂注射信息接收端，麻醉剂注射信息接收端接收麻醉剂注射控制模块推断出的麻醉剂种类、注射剂量和注射速率，然后控制麻醉剂注射装置对病人进行麻醉剂的注射；

所述生命体征采集模块与信息处理模块相连，用于采集病人的生命体征信息，并将采集的生命体征信息传输至信息处理模块；

所述个体特征录入模块与信息处理模块相连，用于录入病人的个体特征信息，并将录入的个体特征信息传输至信息处理模块；

所述信息处理模块对病人的生命体征信息和病人的个体特征信息进行分析和处理，提取病人的生命体征信息参数和个体特征信息参数，构建麻醉剂注射的预测特征向量；

所述麻醉剂注射控制模块根据麻醉剂注射的预测特征向量，构建麻醉剂注射的预测模型，通过预测模型推断麻醉剂种类、注射剂量和注射速率；

所述麻醉状态评价模块根据病人的生命体征信息对病人麻醉剂注射后的麻醉状态进行评价，并将评价结果分别传输至麻醉剂注射控制模块和危险警报模块；

所述危险警报模块根据麻醉状态评价结果进行状态警报。

进一步的，所述病人的生命体征信息包括脑电双频指数BIS、动脉收缩压、心跳、痛觉指数、肌音描计指数；所述病人的个体特征信息包括病人的性别、年龄、体重、饮食习惯、生活习性、病史、过敏史。

进一步的，所述病人的生命体征信息参数包括催眠深度指数C、痛觉指数P和肌音描计指数M，所述个体特征信息参数包括病人的性别S、年龄A、身高H、体重W和身体状态指数R，所述麻醉剂注射的预测特征向量为X＝[S,A,H,W,R,C,P,M]。

进一步的，所述身体状态指数R根据病人的饮食习惯、生活习性、病史、过敏史与麻醉剂注射的相关性确定。

进一步的，所述麻醉状态评价模块根据病人的生命体征信息对病人的催眠深度、痛觉丧失程度和肌肉放松程度进行评价。

进一步的，所述麻醉剂注射控制模块还包括数据库、领域知识库、麻醉剂知识库和注射阈值控制，其中：

所述数据库用于保存生命体征采集模块采集的病人生命体征信息和个体特征录入模块录入的病人的个体特征信息，以及信息处理模块处理得到的麻醉剂注射的预测特征向量；

所述领域知识库用于存储麻醉剂注射的预测模型，及以规则形式存储的针对不同类型手术的麻醉剂注射方案，供预测模型推断麻醉剂种类、注射剂量和注射速率；

所述麻醉剂知识库用于存储麻醉剂相关知识，作为预测模型推断麻醉剂种类、注射剂量和注射速率的依据；

所述注射阈值控制用于对预测模型推断出的麻醉剂种类、注射剂量和注射速率进行阈值判断，当确定麻醉剂种类、注射剂量和注射速率在阈值范围内时，再将其传输至麻醉剂注射信息接收端。

进一步的，所述麻醉剂相关知识包括麻醉剂种类、药效、药效时长、不良反应。

进一步的，所述麻醉剂注射的预测模型的构建方法如下：

S1.构建包含1个输入层、1个隐含层和1个输出层的BP神经网络预测模型；

S2.将所述预测特征向量及期望的麻醉目标向量作为预测模型的输入层，则输入层的节点个数为预测特征向量的元素个数，隐含层节点个数根据专家建议设为输入层节点个数×2+1，输出层节点个数设为3个，分别代表麻醉剂种类、注射剂量和注射速率；

S3.获取真实手术中麻醉实施的样本集，将样本集分为历史训练样本集和检验样本集，其中，麻醉实施的样本集由病人的生命体征信息、个体特征信息、期望的麻醉目标及其对应的麻醉剂种类、注射剂量和注射速度的相关特征参数组成；

S4.采用局部样本数据对预测模型进行训练，并以检验样本集对预测模型进行验证，直至麻醉剂注射的预测误差平方和最小。

进一步的，所述期望的麻醉目标包括期望的麻醉深度及麻醉时间T_E，所述期望的麻醉深度包括期望的催眠深度C_E、痛觉丧失程度P_E和肌肉放松程度M_E，所述期望的麻醉目标向量X_E＝[C_E，P_E，M_E，T_E]。

进一步的，所述连续麻醉装置的连续麻醉方法如下：

SA1.生命体征采集模块采集病人的生命体征信息，个体特征录入模块录入病人的个体特征信息；

SA2.信息处理模块对病人的生命体征信息和病人的个体特征信息进行分析和处理，提取病人的生命体征信息参数和个体特征信息参数，构建麻醉剂注射的预测特征向量；

SA3.麻醉剂注射控制模块根据麻醉剂注射的预测特征向量，通过麻醉剂注射的预测模型推断麻醉剂种类、注射剂量和注射速率，并将其传输至麻醉剂注射模块的麻醉剂注射信息接收端；

SA4.麻醉剂注射信息接收端控制麻醉剂注射装置对病人进行麻醉剂的注射；

SA5.生命体征采集模块继续采集病人整个麻醉过程和手术过程的生命体征信息，麻醉状态评价模块对病人的麻醉状态进行评价，一旦出现非正常的麻醉状态，立即将评价结果传输至麻醉剂注射控制模块和危险警报模块；

SA6.危险警报模块立即发出非正常麻醉状态警报信号，与此同时，麻醉剂注射控制模块根据当前的特征信号和麻醉状态，再次推断手术过程中麻醉剂种类、注射剂量和注射速率；

SA7.重复步骤SA4至SA6，直至病人手术麻醉结束。

有益效果

与现有技术相比，本发明提供的连续麻醉装置具有如下有益效果：

(1)本发明的提供的连续麻醉装置，通过将病人的生命体征信息和个体特征信息构建麻醉剂注射的预测特征向量，将其和期望的麻醉目标向量作为输入向量，构建麻醉剂注射的BP神经网络预测模型，通过真实手术中麻醉实施的样本集对预测模型进行迭代训练，并以检验样本集进行验证，直至预测误差的平方和最小，从而实现麻醉剂注射种类、注射剂量和注射速率的准确预测和智能连续麻醉控制。

(2)由于样本人群在性别、年龄、体重等个体特征上的差异，可能造成虽然生命体征信息相似，但麻醉剂注射的预测结果有较大差异；或者虽然生命体征信息不同，但麻醉剂注射的预测结果相近，因此本发明通过选取与检验样本相似的局部样本集对模型进行训练，能够克服上述问题，提高预测结果的可靠性和精度。

(3)本发明将病人的个体特征信息和生命体征信息共同作为麻醉剂注射的预测特征向量，并根据病人的饮食习惯、生活习性、病史、过敏史与麻醉剂注射的相关性确定麻醉剂注射相关的身体状态指数R，为麻醉剂的注射提高可靠依据，进一步提高预测结果的可靠性和精度。

(4)本发明通过麻醉剂注射剂量阈值控制和注射速率阈值控制，根据注射剂量D确定整个时间轴上的注射速率V，将推断出的注射速率V以手术过程时间轴的形式输出，从而保证单位时间内病人体内的注射剂量不超过注射剂量阈值，以及保证注射速率不超过注射速率阈值，进而提高麻醉剂注射控制的可靠性和安全性。

(5)本发明通过麻醉状态评价模块和危险警报模块，实现对麻醉过程中的非正常状态进行危险预警，从而提高麻醉过程的安全性和可操作性。

附图说明

图1为本发明提供的连续麻醉装置的组成结构框图；

图2为发明提供的连续麻醉装置的注射控制模块的预测流程框图；

图3为麻醉剂注射BP神经网络预测模型的组成结构框图；

图4为BP神经网络预测模型的训练流程示意图。

具体实施方式

以下将对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

请参阅图1所示，本发明提供连续麻醉装置，包括麻醉剂注射模块、生命体征采集模块、个体特征录入模块、信息处理模块、麻醉状态评价模块、麻醉剂注射控制模块及危险警报模块，其中：

所述麻醉剂注射模块包括麻醉剂注射装置和麻醉剂注射信息接收端，麻醉剂注射信息接收端接收麻醉剂注射控制模块推断出的麻醉剂种类、注射剂量和注射速率，然后控制麻醉剂注射装置对病人进行麻醉剂的注射；

所述生命体征采集模块与信息处理模块相连，用于采集病人的生命体征信息，并将采集的生命体征信息传输至信息处理模块；

所述个体特征录入模块与信息处理模块相连，用于录入病人的个体特征信息，并将录入的个体特征信息传输至信息处理模块；

所述信息处理模块对病人的生命体征信息和病人的个体特征信息进行分析和处理，提取病人的生命体征信息参数和个体特征信息参数，构建麻醉剂注射的预测特征向量；

所述麻醉剂注射控制模块根据麻醉剂注射的预测特征向量，构建麻醉剂注射的预测模型，通过预测模型推断麻醉剂种类、注射剂量和注射速率；

所述麻醉状态评价模块根据病人的生命体征信息对病人麻醉剂注射后的麻醉状态进行评价，并将评价结果分别传输至麻醉剂注射控制模块和危险警报模块；

所述危险警报模块根据麻醉状态评价结果进行状态警报。

作为优选，所述病人的生命体征信息包括脑电双频指数BIS、动脉收缩压、心跳、痛觉指数、肌音描计指数；所述病人的个体特征信息包括病人的性别、年龄、体重、饮食习惯、生活习性、病史、过敏史等。

所述病人的生命体征信息参数包括催眠深度指数C、痛觉指数P和肌音描计指数M，所述个体特征信息参数包括病人的性别S、年龄A、身高H、体重W和身体状态指数R，所述麻醉剂注射的预测特征向量为X＝[S,A,H,W,R,C,P,M]。

所述身体状态指数R根据病人的饮食习惯、生活习性、病史、过敏史与麻醉剂注射的相关性确定。其中，病人的饮食习惯包括口味、饮食偏好等，生活习性包括是否吸烟、饮酒、失眠、锻炼等，所述饮食习惯、生活习性、病史及过敏史均在一定程度上对麻醉剂注射的推断结果有一定影响。因此，根据专家先验知识建立病人的饮食习惯、生活习性、病史、过敏史与麻醉剂注射的相关性函数，进而确定与麻醉剂注射相关的身体状态指数R。

所述麻醉状态评价模块根据病人的生命体征信息对病人的催眠深度、痛觉丧失程度和肌肉放松程度进行评价，以保证病人在整个手术过程中处于无意识、无痛觉和肌肉放松的状态。

作为优选，所述麻醉剂注射控制模块还包括数据库、领域知识库、麻醉剂知识库和注射阈值控制，其中：

所述数据库用于保存生命体征采集模块采集的病人生命体征信息和个体特征录入模块录入的病人的个体特征信息，以及信息处理模块处理得到的麻醉剂注射的预测特征向量；

所述领域知识库用于存储麻醉剂注射的预测模型，及以规则形式存储的针对不同类型手术的麻醉剂注射方案，供预测模型推断麻醉剂种类、注射剂量和注射速率；

所述麻醉剂知识库用于存储麻醉剂相关知识，作为预测模型推断麻醉剂种类、注射剂量和注射速率的依据；

作为优选，所述麻醉剂相关知识包括麻醉剂种类、药效、药效时长、不良反应等，根据所述麻醉剂相关知识，预测模型能够迅速对麻醉剂种类、注射剂量和注射速率做出准确分配。

所述注射阈值控制用于对预测模型推断出的麻醉剂种类、注射剂量和注射速率进行阈值判断，当确定麻醉剂种类、注射剂量和注射速率在阈值范围内时，再将其传输至麻醉剂注射信息接收端。所述注射阈值包括麻醉剂注射剂量阈值和注射速率阈值，保证单位时间内病人体内的注射剂量不超过注射剂量阈值；麻醉剂注射速率过快，容易导致人体瞬时麻醉剂超负荷，产生不良反应，甚至危及生命的后果，因此，需保证注射速率不超过注射速率阈值。

请参阅图2至图4所示，所述麻醉剂注射的预测模型的构建方法如下：

S1.构建包含1个输入层、1个隐含层和1个输出层的BP神经网络预测模型；

S2.将所述预测特征向量及期望的麻醉目标向量作为预测模型的输入层，则输入层的节点个数为预测特征向量的元素个数，隐含层节点个数根据专家建议设为输入层节点个数×2+1个，输出层节点个数设为3个，分别代表麻醉剂种类K、注射剂量D和注射速率V；

所述BP神经网络的激励函数选取Sigmoid型函数；

所述期望的麻醉目标包括期望的麻醉深度及麻醉时间T_E，所述期望的麻醉深度包括期望的催眠深度C_E、痛觉丧失程度P_E和肌肉放松程度M_E，所述期望的麻醉目标向量X_E＝[C_E，P_E，M_E，T_E]。

S3.获取真实手术中麻醉实施的样本集，将样本集分为历史训练样本集和检验样本集，其中，麻醉实施的样本集由病人的生命体征信息、个体特征信息、期望的麻醉目标及其对应的麻醉剂种类、注射剂量和注射速度的相关特征参数组成，根据样本集信息确定输入向量X＝[S，A，H，W，R，C，P，M]和X_E＝[C_E，P_E，M_E，T_E]，及输出向量Y＝[K，D，V]；

作为优选，所述注射速率V为手术过程中时间轴上的注射速率，根据注射剂量D确定整个时间轴上的注射速率，满足D＝V·T_E，其中，在T_E时间内，不注射麻醉剂的阶段的V为0。

对于期望的麻醉时间T_E较长的样本集，需要注射的麻醉剂的总剂量D较大，根据注射阈值限制，此时应分阶段注射，BP神经网络预测模型根据麻醉剂知识库中麻醉剂的药效时长，确定分阶段注射的时间分配。

S4.采用局部样本数据对预测模型进行训练，并以检验样本集对预测模型进行验证，直至麻醉剂注射的预测误差平方和最小，确定BP神经网络预测模型的各变量拓扑关系。

所述局部样本数据为从历史样本集中选取的与检验样本相似的样本集数据，对某一检验样本集X_test，通过在历史样本集X_train中寻找与检验样本集X_test相似的n各样本作为局部训练样本集S_part，具体如下：

S41.通过式(1)和式(2)计算样本x₁、x₂之间的相似性s(x₁,x₂)：

式中，w_j表示训练样本的输入属性和输出属性的相关性，m是输入样本的属性个数，即预测特征向量的元素个数，N是全体训练样本的个数，X_ij表示第i个样本的第j个属性值，

表示样本第j个属性的均值，

表示第j个属性输出的均值，

S42.针对相似度s_i(i＝1,2,…,N)的计算结果，将历史样本集X_train进行排序，根据训练要求选择最相似的前n个样本

作为局部训练样本集S_part。

由于样本人群在性别、年龄、体重等个体特征上的差异，可能造成虽然生命体征信息相似，但麻醉剂注射的预测结果有较大差异；或者虽然生命体征信息不同，但麻醉剂注射的预测结果相近，因此通过选取与检验样本相似的局部样本集对模型进行训练，能够克服上述问题，提高预测结果的可靠性和精度。

进一步的，所述连续麻醉装置的连续麻醉方法包括以下步骤：

SA1.生命体征采集模块采集病人的生命体征信息，个体特征录入模块录入病人的个体特征信息；

SA2.信息处理模块对病人的生命体征信息和病人的个体特征信息进行分析和处理，提取病人的生命体征信息参数和个体特征信息参数，构建麻醉剂注射的预测特征向量；

SA3.麻醉剂注射控制模块根据麻醉剂注射的预测特征向量，通过麻醉剂注射的预测模型推断麻醉剂种类、注射剂量和注射速率，并将其传输至麻醉剂注射模块的麻醉剂注射信息接收端；

SA4.麻醉剂注射信息接收端控制麻醉剂注射装置对病人进行麻醉剂的注射；

SA5.生命体征采集模块继续采集病人整个麻醉过程和手术过程的生命体征信息，麻醉状态评价模块对病人的麻醉状态进行评价，一旦出现非正常的麻醉状态，立即将评价结果传输至麻醉剂注射控制模块和危险警报模块；

SA6.危险警报模块立即发出非正常麻醉状态警报信号，与此同时，麻醉剂注射控制模块根据当前的特征信号和麻醉状态，再次推断手术过程中麻醉剂种类、注射剂量和注射速率；

SA7.重复步骤SA4至SA6，直至病人手术麻醉结束。

所述非正常麻醉状态，包括两种状况：

一种是麻醉过程操作不当等原因，导致病人生命体征信号出现异常，此时需要通过危险警报，及时提醒医护人员进行危急应对处理。

另一种是病人体内剩余的麻醉剂剂量已不足以满足手术所需要达到的麻醉深度，此时需要再次推断手术过程中麻醉剂种类、注射剂量和注射速率，进行二次注射。通常情况下，根据预测模型推断出的分阶段麻醉剂注射方案进行注射时，不会出现此种非正常麻醉状态。当出现此种异常状况时，麻醉剂注射控制模块将当下的病人生命体征信息和个体特征信息，以及当下期望的麻醉目标(麻醉时间为当下剩余的麻醉时间)作为输入向量，通过BP神经网络预测模型重新推断手术过程中麻醉剂种类、注射剂量和注射速率。此时的注射阈值控制应根据已经注射的剂量以及麻醉剂的药效时长等信息，判断病人体内尚存留的麻醉剂剂量，以保证再次注射时，病人体内的麻醉剂剂量始终不超过麻醉剂注射剂量的阈值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种连续麻醉装置，其特征在于：包括麻醉剂注射模块、生命体征采集模块、个体特征录入模块、信息处理模块、麻醉状态评价模块、麻醉剂注射控制模块及危险警报模块，其中：

所述麻醉剂注射模块包括麻醉剂注射装置和麻醉剂注射信息接收端，麻醉剂注射信息接收端接收麻醉剂注射控制模块推断出的麻醉剂种类、注射剂量和注射速率，然后控制麻醉剂注射装置对病人进行麻醉剂的注射；

所述生命体征采集模块与信息处理模块相连，用于采集病人的生命体征信息，并将采集的生命体征信息传输至信息处理模块；

所述个体特征录入模块与信息处理模块相连，用于录入病人的个体特征信息，并将录入的个体特征信息传输至信息处理模块；

所述信息处理模块对病人的生命体征信息和病人的个体特征信息进行分析和处理，提取病人的生命体征信息参数和个体特征信息参数，构建麻醉剂注射的预测特征向量；

所述麻醉剂注射控制模块包括数据库、领域知识库、麻醉剂知识库和注射阈值控制，其中：所述数据库用于保存生命体征采集模块采集的病人生命体征信息和个体特征录入模块录入的病人的个体特征信息，以及信息处理模块处理得到的麻醉剂注射的预测特征向量；所述领域知识库用于存储麻醉剂注射的预测模型，及以规则形式存储的针对不同类型手术的麻醉剂注射方案，供预测模型推断麻醉剂种类、注射剂量和注射速率；所述麻醉剂知识库用于存储麻醉剂相关知识，作为预测模型推断麻醉剂种类、注射剂量和注射速率的依据；所述注射阈值控制用于对预测模型推断出的麻醉剂种类、注射剂量和注射速率进行阈值判断，当确定麻醉剂种类、注射剂量和注射速率在阈值范围内时，再将其传输至麻醉剂注射信息接收端；

所述麻醉状态评价模块根据病人的生命体征信息对病人麻醉剂注射后的麻醉状态进行评价，并将评价结果分别传输至麻醉剂注射控制模块和危险警报模块；

所述危险警报模块根据麻醉状态评价结果进行状态警报；

其中，所述麻醉剂注射的预测模型的构建方法如下：

S1.构建包含1个输入层、1个隐含层和1个输出层的BP神经网络预测模型；

S2.将所述预测特征向量及期望的麻醉目标向量作为预测模型的输入层，则输入层的节点个数为预测特征向量的元素个数，隐含层节点个数根据专家建议设为输入层节点个数×2+1，输出层节点个数设为3个，分别代表麻醉剂种类、注射剂量和注射速率；

S3.获取真实手术中麻醉实施的样本集，将样本集分为历史训练样本集和检验样本集，其中，麻醉实施的样本集由病人的生命体征信息、个体特征信息、期望的麻醉目标及其对应的麻醉剂种类、注射剂量和注射速度的相关特征参数组成；

S4.采用局部样本数据对预测模型进行训练，并以检验样本集对预测模型进行验证，直至麻醉剂注射的预测误差平方和最小；

所述局部样本数据为从历史样本集中选取的与检验样本相似的样本集数据，对某一检验样本集X_test，通过在历史样本集X_train中寻找与检验样本集X_test相似的n各样本作为局部训练样本集S_part，具体如下：

S41.通过式(1)和式(2)计算样本x₁、x₂之间的相似性s(x₁,x₂)：

式中，w_j表示训练样本的输入属性和输出属性的相关性，m是输入样本的属性个数，即预测特征向量的元素个数，N是全体训练样本的个数，X_ij表示第i个样本的第j个属性值，

表示样本第j个属性的均值，

表示第j个属性输出的均值，

S42.针对相似度s_i(i＝1,2,…,N)的计算结果，将历史样本集X_train进行排序，根据训练要求选择最相似的前n个样本

作为局部训练样本集S_part。

2.根据权利要求1所述的一种连续麻醉装置，其特征在于，所述病人的生命体征信息包括脑电双频指数BIS、动脉收缩压、心跳、痛觉指数、肌音描计指数；所述病人的个体特征信息包括病人的性别、年龄、体重、饮食习惯、生活习性、病史、过敏史。

3.根据权利要求2所述的一种连续麻醉装置，其特征在于，所述病人的生命体征信息参数包括催眠深度指数C、痛觉指数P和肌音描计指数M，所述个体特征信息参数包括病人的性别S、年龄A、身高H、体重W和身体状态指数R，所述麻醉剂注射的预测特征向量为X＝[S，A，H，W，R，C，P，M]。

4.根据权利要求3所述的一种连续麻醉装置，其特征在于，所述身体状态指数R根据病人的饮食习惯、生活习性、病史、过敏史与麻醉剂注射的相关性确定。

5.根据权利要求1所述的一种连续麻醉装置，其特征在于，所述麻醉状态评价模块根据病人的生命体征信息对病人的催眠深度、痛觉丧失程度和肌肉放松程度进行评价。

6.根据权利要求5所述的一种连续麻醉装置，其特征在于，所述麻醉剂相关知识包括麻醉剂种类、药效、药效时长、不良反应。

7.根据权利要求6所述的一种连续麻醉装置，其特征在于，所述期望的麻醉目标包括期望的麻醉深度及麻醉时间T_E，所述期望的麻醉深度包括期望的催眠深度C_E、痛觉丧失程度P_E和肌肉放松程度M_E，所述期望的麻醉目标向量X_E＝[C_E，P_E，M_E，T_E]。

8.根据权利要求1至7任一项所述的一种连续麻醉装置，其特征在于，所述连续麻醉装置的连续麻醉方法如下：

SA1.生命体征采集模块采集病人的生命体征信息，个体特征录入模块录入病人的个体特征信息；

SA2.信息处理模块对病人的生命体征信息和病人的个体特征信息进行分析和处理，提取病人的生命体征信息参数和个体特征信息参数，构建麻醉剂注射的预测特征向量；

SA3.麻醉剂注射控制模块根据麻醉剂注射的预测特征向量，通过麻醉剂注射的预测模型推断麻醉剂种类、注射剂量和注射速率，并将其传输至麻醉剂注射模块的麻醉剂注射信息接收端；

SA4.麻醉剂注射信息接收端控制麻醉剂注射装置对病人进行麻醉剂的注射；

SA5.生命体征采集模块继续采集病人整个麻醉过程和手术过程的生命体征信息，麻醉状态评价模块对病人的麻醉状态进行评价，一旦出现非正常的麻醉状态，立即将评价结果传输至麻醉剂注射控制模块和危险警报模块；

SA6.危险警报模块立即发出非正常麻醉状态警报信号，与此同时，麻醉剂注射控制模块根据当前的特征信号和麻醉状态，再次推断手术过程中麻醉剂种类、注射剂量和注射速率；

SA7.重复步骤SA4至SA6，直至病人手术麻醉结束。

Images