CN116172522B - 一种基于神经网络的麻醉深度监测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于神经网络的麻醉深度监测方法，包括：训练自编码网络获得信号数据的收敛序列，通过多阈值分割获得信号数据的收敛序列的转折点；计算信号数据的第一噪声概率；根据第一噪声概率序列的阈值进行划分获得多个概率子序列和数据子序列；获得信号数据序列的趋势项序列和每个数据子序列的趋势项子序列；根据局部相似度获得目标子序列，根据目标子序列的均值相似度获得所有对象子序列及局部概率相似度，获得信号数据的第二噪声概率；将信号数据的第二噪声概率作为权值，构建识别网络的损失函数，训练识别网络。本发明将第二噪声概率作为误差权重，排除训练过程中的噪声干扰，得到鲁棒性更强的识别网络。

Description

一种基于神经网络的麻醉深度监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于神经网络的麻醉深度监测方法。

背景技术

外科手术中，在麻醉过程中，麻醉过深过浅均会造成不好影响，医生需要通过麻醉监测仪对病人的麻醉深度进行监测避免意外的发生，目前，常使用EEG信号进行麻醉深度监测，具体为：将EEG信号输入神经网络中，对病人的麻醉深度进行监测。但由于EEG信号受人体不同行为的影响较大，例如：眼球运动、眨眼、心跳活动、肌肉活动等动作造成的伪影会导致识别结果存在较大误差，因此，需要增加神经网络的鲁棒性，以此降低存在噪声的数据对神经网络的准确性的影响。

发明内容

本发明提供一种基于神经网络的麻醉深度监测方法，以解决现有的问题。

本发明的一种基于神经网络的麻醉深度监测方法采用如下技术方案：

本发明提供了一种基于神经网络的麻醉深度监测方法，该方法包括以下步骤：

获得信号数据序列；将信号数据序列作为输入数据训练自编码网络，将每个信号数据在每次训练中的预测值组成的序列，记为每个信号数据的收敛序列，对每个信号数据的收敛序列进行多阈值分割，将最后一个阈值作为每个信号数据的收敛序列的转折点；根据收敛序列的转折点和预测值获得每个信号数据的第一噪声概率；

对所有信号数据的第一噪声概率组成的第一噪声概率序列进行多阈值分割，获得多个阈值，根据多个阈值将第一噪声概率序列划分为多个概率子序列，根据多个阈值将信号数据序列划分为多个数据子序列；

对信号数据序列和每个数据子序列进行STL分解，获得信号数据序列的趋势项序列和每个数据子序列的趋势项子序列；

根据数据子序列与相邻两个数据子序列的趋势项子序列的相似度获取所有数据子序列的局部相似度，将局部相似度大于第一阈值的所有数据子序列记为目标子序列；获得所有目标子序列的均值趋势项序列，计算每个目标子序列的均值趋势项序列与信号数据序列的趋势项序列的相似度，记为每个目标子序列的均值相似度，将均值相似度小于第二阈值的目标子序列记为对象子序列；根据对象子序列与相邻两个目标子序列的概率子序列的相似度获取所有对象子序列的局部概率相似度；

根据每个信号数据的第一噪声概率、与信号数据序列的趋势项序列的相似度、相邻两个数据子序列的第一噪声概率的均值以及局部概率相似度大于第三阈值的对象子序列的数量与所有对象子序列的数量的比值，获得每个信号数据的第二噪声概率；

将每个信号数据的第二噪声概率作为权值，构建识别网络的损失函数，训练识别网络。

进一步地，所述获得每个信号数据的第一噪声概率，包括的具体步骤如下：

信号数据的第一噪声概率的计算公式为：

式中，

表示信号数据的第一噪声概率，

表示信号数据的收敛序列中的序号值 为N的预测值，

表示信号数据，b表示信号数据的收敛序列的转折点，N表示次数阈值，

表 示取绝对值。

进一步地，计算所述相似度的计算方法如下：

将较长的序列的长度记为F，通过最邻近插值方法将较短的序列扩充为长度等于F的序列，将扩充后的较短的序列与较长的序列的余弦相似度，记为两个序列的相似度。

进一步地，所述获取所有数据子序列的局部相似度，包括的具体步骤如下：

对于任意一个数据子序列，计算数据子序列的趋势项子序列与数据子序列左侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第一相似度，计算数据子序列的趋势项子序列与数据子序列右侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第二相似度，将数据子序列的第一相似度与第二相似度的均值记为数据子序列的局部相似度。

进一步地，所述获得所有目标子序列的均值趋势项序列，包括的具体步骤如下：

对于任意一个目标子序列，将目标子序列左侧的数据子序列记为目标左子序列， 将目标子序列右侧的数据子序列记为目标右子序列，将目标子序列的趋势项子序列、目标 左子序列的趋势项子序列和目标右子序列的趋势项子序列中最长的趋势项子序列的长度 记为

，通过最邻近插值方法将除最长的趋势项子序列外的其他两个的趋势项子序列扩充 为长度等于

的序列，获得长度相等的三个序列；对于任意一个位置，获得该位置在三个序 列中对应的三个数据的均值，记为该位置的均值趋势项，将所有位置的均值趋势项按照顺 序组成的序列记为目标子序列的均值趋势项序列。

进一步地，所述获取所有对象子序列的局部概率相似度，包括的具体步骤如下：

对于任意一个对象子序列，计算对象子序列的概率子序列与目标左子序列的概率子序列的相似度，记为对象子序列的第一概率相似度，计算对象子序列的概率子序列与目标右子序列的概率子序列的相似度，记为对象子序列的第二概率相似度，将对象子序列的第一概率相似度与第二概率相似度的均值记为对象子序列的局部概率相似度。

进一步地，所述获得每个信号数据的第二噪声概率，包括的具体步骤如下：

信号数据序列中每个信号数据的第二噪声概率的计算公式为：

式中，

表示信号数据的第二噪声概率，

表示信号数据的第一噪声概率，C表示 信号数据所在的数据子序列的趋势项子序列与信号数据序列的趋势项序列的相似度，

表示数据子序列左侧的数据子序列中所有信号数据的第一噪声概率的均值，

表示数据 子序列右侧的数据子序列中所有信号数据的第一噪声概率的均值，

表示局部概率相 似度大于第三阈值的对象子序列的数量，

表示所有对象子序列的数量，

表示以自 然常数为底的指数函数。

本发明具有如下有益效果：本发明结合信号数据的规律性的强弱，通过信号数据在自编码网络的训练过程中的收敛速度以及预测误差，获得信号数据的第一噪声概率，通过每个阶段的数据子序列与信号数据序列的趋势相近性、与相邻两个数据子序列的第一噪声概率的均值、条件概率以及每个信号数据的第一噪声概率，获得每个信号数据的第二噪声概率，对规律性不强的脑电数据与噪声数据进行区分，进而得到每个信号数据更加真实的噪声概率，根据每个信号数据的第二噪声概率，将第二噪声概率作为识别网络的损失函数中每个信号数据的误差权重，进而使得识别网络的训练过程更少参考第二噪声概率较大的噪声数据的信息，得到鲁棒性更强的识别网络。

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，下面将对实施例或现有技术描述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为本发明的一种基于神经网络的麻醉深度监测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于神经网络的麻醉深度监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于神经网络的麻醉深度监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于神经网络的麻醉深度监测方法的步骤流程图，该方法包括以下步骤：

S001.获得信号数据序列。

需要说明的是，由于本发明的目的是去除EEG信号的伪影的影响，进而得到更加真实的EEG信号数据，因此首先需要采集EEG信号数据。

在本实施例中，通过EEG脑电信号传感器对EEG脑电信号进行采集，将预设时间段内采集的EEG脑电信号按照时间顺序组成的序列，记为信号数据序列，信号数据序列的长度为L。

在本实施例中，预设时间段的长度为30秒，在其他实施例中，实施人员可以根据经验设置预设时间段的长度。

S002.通过自编码网络对每个信号数据进行重建，得到每个信号数据的收敛序列和转折点，进而计算每个信号数据的第一噪声概率，根据第一噪声概率对信号数据序列进行分段获得数据子序列，获得信号数据序列的趋势项序列和每个数据子序列的趋势项子序列。

1.通过自编码网络对每个信号数据进行重建，得到每个信号数据的收敛序列和转折点，进而计算每个信号数据的第一噪声概率。

需要说明的是，对于信号数据序列中的每个信号数据来说，不同状态下的实际表征麻醉状态的信号数据具有较强的规律性，而噪声数据主要是由于手术过程中的眼动信号、肌肉活动等形成的，随机性较强，即规律性较弱。自编码网络是一种输入输出相同的神经网络，因此结果可以看作是对输入数据的重建，重建难度越低，说明输入数据的规律性越强，因此在自编码网络中对每个输入数据进行重建时，输出数据越接近输入数据，则说明输入数据的噪声越小，输入数据拟合越快，且拟合精度越高。拟合精度高的输入数据在少量训练后，输入数据的拟合精度已经不再提高；而拟合精度低的输入数据在多次训练后，输入数据的拟合精度一直在提高，在大量训练后，输入数据的拟合精度不再提高；因此，本实施例通过对每个信号数据的训练过程进行分析，根据每个信号数据达到最高精度的快慢，得到每个信号数据的第一噪声概率。

在本实施例中，根据多个信号数据序列训练自编码网络，其中，自编码网络的输入数据为信号数据序列，输出数据为信号数据序列中每个信号数据的预测值组成的预测信号序列，当训练的次数等于次数阈值时停止训练神经网络。

对于信号数据序列中任意一个信号数据，将该信号数据在每次训练时的预测值按照顺序组成的序列记为该信号数据的收敛序列，收敛序列的长度为N，按照从左到右的顺序，收敛序列中每个预测值的序号值依次为1到N，N表示次数阈值，该信号数据的收敛序列中的序号值为i的预测值为该信号数据在第i次训练时的预测值；获得所有信号数据的收敛序列。

对于信号数据序列中任意一个信号数据，对该信号数据的收敛序列进行otsu多阈值分割，获得多个阈值，其中，获得的多个阈值均为收敛序列中的序号值，根据多个阈值将该信号数据的收敛序列划分为多个分组，其中，每个分组中的预测值相近，且不同分组中的预测值相差较大；将最后一个阈值作为该信号数据的收敛序列的转折点，otsu多阈值分割为现有技术，此处不再进行赘述。

该信号数据的第一噪声概率的计算公式为：

式中，

表示信号数据的第一噪声概率，

表示信号数据的收敛序列中的序号值 为N的预测值，

表示信号数据，b表示信号数据的收敛序列的转折点，N表示次数阈值，

表 示取绝对值。

表示训练停止时信号数据的预测值与真实值（信号数据）的预测误差，该 值越大，则训练停止时该信号数据的预测误差越大，说明训练停止后，该信号数据的预测准 确性越低，该信号数据越可能是没有规律的噪声数据，该信号数据的第一噪声概率

越大。

收敛序列反映了每个信号数据在训练过程中的预测值的变化情况，由于在训练过 程中不同信号数据的收敛速度不同，因此不同信号数据的收敛序列的转折点不同，信号数 据的收敛序列的转折点b越小，则训练过程中，该信号数据经过越少次训练就可以收敛，说 明该信号数据点的规律性越强，该信号数据越不可能是没有规律的噪声数据，该信号数据 的第一噪声概率

越小。

获得信号数据序列中所有信号数据的第一噪声概率，将所有信号数据的第一噪声概率按照顺序组成的序列记为信号数据序列的第一噪声概率序列，第一噪声概率序列的长度为L，按照从左到右的顺序，第一噪声概率序列中每个第一噪声概率的序号值依次为1到L，L表示信号数据序列的长度，也表示第一噪声概率序列的长度。

2.根据第一噪声概率对信号数据序列进行分段获得数据子序列，获得信号数据序列的趋势项序列和每个数据子序列的趋势项子序列。

需要说明的是，由于噪声主要是由于手术过程中的眼动信号、肌肉活动等形成的，而不同手术过程中病人的无意识的反应是无规律的，但噪声分布往往具有集中性，因此可以通过噪声分布情况对信号数据序列进行分段，得到每个阶段的数据子序列，每个阶段表示病人当前的一种治疗状态，例如：正在开刀时疼痛等级为9是一种状态，疼痛等级为8是另一种状态，清洗伤口的不同程度的刺激也包含多个状态，不同状态下的眼动信号、肌肉活动不同，因此产生的噪声含量不同。

在本实施例中，对信号数据序列的第一噪声概率序列进行otsu多阈值分割，获得多个阈值，其中，获得的多个阈值均为第一噪声概率序列中的序号值，根据多个阈值将第一噪声概率序列划分为多个分组，分别记为概率子序列，其中，同一概率子序列中的第一噪声概率相近，且不同概率子序列间的第一噪声概率相差较大；根据多个阈值将信号数据序列划分为多个分组，分别记为数据子序列，同一数据子序列内信号数据的噪声含量相近，即同一数据子序列内信号数据对应的麻醉状态相近；将第m个概率子序列记为第m个数据子序列的概率子序列。

对信号数据序列进行STL分解，得到信号数据序列的趋势项序列，将趋势项序列中的第j个趋势项记为信号数据序列中第j个信号数据的整体趋势项；对每个数据子序列进行STL分解，得到每个数据子序列的趋势项序列，记为每个数据子序列的趋势项子序列，将每个数据子序列的趋势项子序列中的第k个趋势项记为每个数据子序列中第k个信号数据的局部趋势项；STL分解为现有技术，此处不再进行赘述。

S003.根据所有数据子序列的局部相似度获得目标子序列，获得所有目标子序列的均值趋势项序列，根据目标子序列的均值相似度获得对象子序列，获取所有对象子序列的局部概率相似度，进而获得每个信号数据的第二噪声概率。

需要说明的是，由于第一噪声概率是通过规律性得到的，除了由于手术过程中的眼动信号、肌肉活动等形成噪声，某些原本的脑电数据可能本身规律性较弱，为了对该种脑电数据与噪声数据进行区分，需要根据每个阶段的数据子序列与整体信号数据序列的趋势相近程度进行进一步区分，以及每个阶段的相邻阶段的数据子序列的第一噪声概率，计算每个信号数据的第二噪声概率，每个阶段的数据子序列与整体数据的趋势越不相近，同时每个阶段的相邻阶段数据的第一噪声概率越大，每个阶段的数据子序列越可能是噪声数据。

在本实施例中，计算两个序列的相似度的方法为：将较长的序列的长度记为F，通过最邻近插值方法将较短的序列扩充为长度等于F的序列，将扩充后的较短的序列与较长的序列的余弦相似度，记为两个序列的相似度；余弦相似度的计算为现有技术，此处不再进行赘述。

对于任意一个数据子序列，计算数据子序列的趋势项子序列与数据子序列左侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第一相似度，计算数据子序列的趋势项子序列与数据子序列右侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第二相似度，将数据子序列的第一相似度与第二相似度的均值记为数据子序列的局部相似度；获取所有数据子序列的局部相似度，将局部相似度大于第一阈值的所有数据子序列记为目标子序列。

在本实施例中，第一阈值为0.7，在其他实施例中，实施人员可以根据经验设置第一阈值。

对于任意一个目标子序列，将目标子序列左侧的数据子序列记为目标左子序列， 将目标子序列右侧的数据子序列记为目标右子序列，将目标子序列的趋势项子序列、目标 左子序列的趋势项子序列和目标右子序列的趋势项子序列中最长的趋势项子序列的长度 记为

，通过最邻近插值方法将除最长的趋势项子序列外的其他两个的趋势项子序列扩充 为长度等于

的序列，获得长度相等的三个序列；对于任意一个位置，获得该位置在三个序 列中对应的三个数据的均值，记为该位置的均值趋势项，将所有位置的均值趋势项按照顺 序组成的序列记为目标子序列的均值趋势项序列。

获得所有目标子序列的均值趋势项序列，计算每个目标子序列的均值趋势项序列与信号数据序列的趋势项序列的相似度，记为每个目标子序列的均值相似度，将均值相似度小于第二阈值的目标子序列记为对象子序列。

在本实施例中，第二阈值为0.5，在其他实施例中，实施人员可以根据经验设置第二阈值。

由于对象子序列属于目标子序列，因此，每个对象子序列都有目标左子序列和目标右子序列，计算对象子序列的概率子序列与目标左子序列的概率子序列的相似度，记为对象子序列的第一概率相似度，计算对象子序列的概率子序列与目标右子序列的概率子序列的相似度，记为对象子序列的第二概率相似度，将对象子序列的第一概率相似度与第二概率相似度的均值记为对象子序列的局部概率相似度；获取所有对象子序列的局部概率相似度。

信号数据序列中每个信号数据的第二噪声概率的计算公式为：

式中，

表示信号数据的第二噪声概率，

表示信号数据的第一噪声概率，C表示 信号数据所在的数据子序列的趋势项子序列与信号数据序列的趋势项序列的相似度，

表示数据子序列左侧的数据子序列中所有信号数据的第一噪声概率的均值，

表示数据 子序列右侧的数据子序列中所有信号数据的第一噪声概率的均值，

表示局部概率相 似度大于第三阈值的对象子序列的数量，

表示所有对象子序列的数量，

表示以自 然常数为底的指数函数。

在本实施例中，第三阈值为0.7，在其他实施例中，实施人员可以根据经验设置第三阈值。

表示信号数据的第一噪声概率，该值越大，该信号数据越可能是没有规律的噪 声数据，则信号数据的第二噪声概率

越大；C表示信号数据所在的数据子序列的趋势项序 列与信号数据序列的趋势项序列的相似度，该值越小，信号数据所在的数据子序列的趋势 项序列与信号数据序列的趋势项序列越不相似，信号数据越可能是没有规律的噪声数据， 则信号数据的第二噪声概率

越大；

表示数据子序列的左侧和右侧的数据子序列 中所有信号数据的第一噪声概率的均值，考虑到噪声分布往往具有集中性，因此，该值越 大，数据子序列以及数据子序列的左侧和右侧的数据子序列所在的范围内噪声分布越密 集，则信号数据越可能是没有规律的噪声数据，则信号数据的第二噪声概率

越大；

表 示数据子序列的趋势项序列与相邻的数据子序列的趋势项序列的相似度相近，且与信号数 据序列的趋势项序列的相似度相差较大的数据子序列的概率，该值越大，说明信号数据序 列中，正常信号数据与噪声数据的区分程度较小，也既是信号数据序列中噪声数据的含量 较大，则信号数据越可能是没有规律的噪声数据，则信号数据的第二噪声概率

越大。

获得信号数据序列中所有信号数据的第二噪声概率。

S004.根据信号数据的第二噪声概率，构建识别网络的损失函数。

将每个信号数据的第二噪声概率作为误差权值，构建识别网络的损失函数，所述 识别网络为卷积神经网络，用户根据需要自行设置隐藏层数量、每个隐藏层的特征图数量 等参数，识别网络的输入数据为信号数据序列，输出数据为麻醉深度级别，共有10个麻醉深 度级别，分别为第1级别到第10级别，其中，麻醉深度在

范围时，麻醉深度级别为第1 级别；麻醉深度在

范围时，麻醉深度级别为第2级别；以此类推，麻醉深度在

范围时，麻醉深度级别为第10级别；将每个信号数据序列作为样本，人为给定每个 样本的麻醉深度，进而根据样本的麻醉深度对应的范围确定样本的麻醉深度级别，将麻醉 深度级别作为样本的标签，获取第二时间段内的所有信号数据序列，得到大量的样本，获得 样本的标签，将所有样本和标签组成数据集，根据数据集对识别网络进行训练。

在本实施例中，第二时间段的为24小时，在其他实施例中，实施人员可以根据经验设置第二时间段。

例如，四个信号数据分别为

，原始的损失函数为

，增加误差权值后的损失函数为

。

本发明结合信号数据的规律性的强弱，通过信号数据在自编码网络的训练过程中的收敛速度以及预测误差，获得信号数据的第一噪声概率，通过每个阶段的数据子序列与信号数据序列的趋势相近性、与相邻两个数据子序列的第一噪声概率的均值、条件概率以及每个信号数据的第一噪声概率，获得每个信号数据的第二噪声概率，对规律性不强的脑电数据与噪声数据进行区分，进而得到每个信号数据更加真实的噪声概率，根据每个信号数据的第二噪声概率，将第二噪声概率作为识别网络的损失函数中每个信号数据的误差权重，进而使得识别网络的训练过程更少参考第二噪声概率较大的噪声数据的信息，得到鲁棒性更强的识别网络。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (1)

1.一种基于神经网络的麻醉深度监测方法，其特征在于，该方法包括以下步骤：

获得信号数据序列；将信号数据序列作为输入数据训练自编码网络，将每个信号数据在每次训练中的预测值组成的序列，记为每个信号数据的收敛序列，对每个信号数据的收敛序列进行多阈值分割，将最后一个阈值作为每个信号数据的收敛序列的转折点；根据收敛序列的转折点和预测值获得每个信号数据的第一噪声概率；

对所有信号数据的第一噪声概率组成的第一噪声概率序列进行多阈值分割，获得多个阈值，根据多个阈值将第一噪声概率序列划分为多个概率子序列，根据多个阈值将信号数据序列划分为多个数据子序列；

对信号数据序列进行STL分解得到信号数据序列的趋势项序列，将每个数据子序列进行STL分解得到每个数据子序列的趋势项序列，记为每个数据子序列的趋势项子序列；

根据数据子序列与相邻两个数据子序列的趋势项子序列的相似度获取所有数据子序列的局部相似度，将局部相似度大于第一阈值的所有数据子序列记为目标子序列；获得所有目标子序列的均值趋势项序列，计算每个目标子序列的均值趋势项序列与信号数据序列的趋势项序列的相似度，记为每个目标子序列的均值相似度，将均值相似度小于第二阈值的目标子序列记为对象子序列；根据对象子序列与相邻两个目标子序列的概率子序列的相似度获取所有对象子序列的局部概率相似度；

根据每个信号数据的第一噪声概率、与信号数据序列的趋势项序列的相似度、相邻两个数据子序列的第一噪声概率的均值以及局部概率相似度大于第三阈值的对象子序列的数量与所有对象子序列的数量的比值，获得每个信号数据的第二噪声概率；

将每个信号数据的第二噪声概率作为误差权值，构建识别网络的损失函数，训练识别网络，所述识别网络为卷积神经网络，识别网络的输入数据为信号数据序列，输出数据为麻醉深度级别，根据麻醉深度级别完成麻醉深度监测；

所述获得每个信号数据的第一噪声概率，包括的具体步骤如下：

信号数据的第一噪声概率的计算公式为：

式中，

表示信号数据的第一噪声概率，/>

表示信号数据的收敛序列中的序号值为N的预测值，/>

表示信号数据，b表示信号数据的收敛序列的转折点，N表示次数阈值，/>

表示取绝对值；

计算所述相似度的计算方法如下：

将较长的序列的长度记为F，通过最邻近插值方法将较短的序列扩充为长度等于F的序列，将扩充后的较短的序列与较长的序列的余弦相似度，记为两个序列的相似度；

所述获取所有数据子序列的局部相似度，包括的具体步骤如下：

对于任意一个数据子序列，计算数据子序列的趋势项子序列与数据子序列左侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第一相似度，计算数据子序列的趋势项子序列与数据子序列右侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第二相似度，将数据子序列的第一相似度与第二相似度的均值记为数据子序列的局部相似度；

所述获得所有目标子序列的均值趋势项序列，包括的具体步骤如下：

对于任意一个目标子序列，将目标子序列左侧的数据子序列记为目标左子序列，将目标子序列右侧的数据子序列记为目标右子序列，将目标子序列的趋势项子序列、目标左子序列的趋势项子序列和目标右子序列的趋势项子序列中最长的趋势项子序列的长度记为

，通过最邻近插值方法将除最长的趋势项子序列外的其他两个的趋势项子序列扩充为长度等于/>

的序列，获得长度相等的三个序列；对于任意一个位置，获得该位置在三个序列中对应的三个数据的均值，记为该位置的均值趋势项，将所有位置的均值趋势项按照顺序组成的序列记为目标子序列的均值趋势项序列；

所述获取所有对象子序列的局部概率相似度，包括的具体步骤如下：

对于任意一个对象子序列，计算对象子序列的概率子序列与目标左子序列的概率子序列的相似度，记为对象子序列的第一概率相似度，计算对象子序列的概率子序列与目标右子序列的概率子序列的相似度，记为对象子序列的第二概率相似度，将对象子序列的第一概率相似度与第二概率相似度的均值记为对象子序列的局部概率相似度；

所述获得每个信号数据的第二噪声概率，包括的具体步骤如下：

信号数据序列中每个信号数据的第二噪声概率的计算公式为：

式中，

表示信号数据的第二噪声概率，/>

表示信号数据的第一噪声概率，C表示信号数据所在的数据子序列的趋势项子序列与信号数据序列的趋势项序列的相似度，/>

表示数据子序列左侧的数据子序列中所有信号数据的第一噪声概率的均值，/>

表示数据子序列右侧的数据子序列中所有信号数据的第一噪声概率的均值，/>

表示局部概率相似度大于第三阈值的对象子序列的数量，/>

表示所有对象子序列的数量，/>

表示以自然常数为底的指数函数。

Images