CN118000683A - 基于人工智能的麻醉深度监测方法及系统 - Google Patents
基于人工智能的麻醉深度监测方法及系统 Download PDFInfo
- Publication number
- CN118000683A CN118000683A CN202410410866.3A CN202410410866A CN118000683A CN 118000683 A CN118000683 A CN 118000683A CN 202410410866 A CN202410410866 A CN 202410410866A CN 118000683 A CN118000683 A CN 118000683A
- Authority
- CN
- China
- Prior art keywords
- node
- noise
- clustering
- characteristic
- data points
- 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.)
- Granted
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 93
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 28
- 239000003814 drug Substances 0.000 claims description 24
- 229940079593 drug Drugs 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012571 Ficus glomerata Nutrition 0.000 description 1
- 244000153665 Ficus glomerata Species 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000003193 general anesthetic agent Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004081 narcotic agent Substances 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Anesthesiology (AREA)
- Complex Calculations (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗数据的挖掘技术领域，具体涉及基于人工智能的麻醉深度监测方法及系统。该方法将训练型患者对应的特征数据点划分为噪声数据点与正常数据点，利用层次聚类算法对正常数据点进行聚类得到层次聚类树；根据层次聚类树的每层中正常数据点的脉搏数据之间的离散程度，筛选出最佳聚类层次；依据噪声数据点与最佳聚类层次中正常数据点的脉搏数据之间的差异对噪声数据对进行聚类，得到最终聚类簇；根据训练型患者对应的最终聚类簇中特征数据点的脉搏数据训练神经网络，利用训练好的神经网络对检测型患者的麻醉深度进行监测。本发明利用最终聚类簇对应的脉搏数据训练神经网络，提升神经网络的识别能力，提高麻醉深度检测的准确率。
Description
技术领域
本发明涉及医疗数据的挖掘技术领域，具体涉及基于人工智能的麻醉深度监测方法及系统。
背景技术
为减轻患者在进行手术时伤口所带来的疼痛并保证手术的平稳进行，需要对患者进行麻醉处理，麻醉深度监测是手术中必不可少的步骤之一。麻醉深度的判断一般根据患者在进行麻醉后的心跳、呼吸、意识状态等特征，通常基于患者在麻醉状态下脉搏波上数据点的脉搏数据大小判断麻醉深度；患者进行手术所需的麻醉程度不同且患者的身体素质存在差异，虽然患者在麻醉状态下脉搏波的形状存在差异，但是不同患者在不同麻醉深度下脉搏波上数据点的脉搏数据较为相似，导致不同患者的较为接近的脉搏数据对应的麻醉深度存在较大差异，造成对患者麻醉深度监测出现误差。
发明内容
为了解决患者在不同麻醉深度下脉搏波上数据点的脉搏数据较为相似，导致不同患者的较为接近的脉搏数据对应的聚类簇的麻醉深度存在较大差异，导致麻醉深度监测出现误差的技术问题，本发明的目的在于提供一种基于人工智能的麻醉深度监测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的麻醉深度监测方法，该方法包括：
获取训练型患者在药物麻醉时间段内不同时刻下脉搏数据的特征数据点；
根据每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，以及每个特征数据点的脉搏数据的偏离程度，将特征数据点划分为噪声数据点与正常数据点；
利用层次聚类算法对正常数据点进行迭代聚类，获得层次聚类树；其中，迭代聚类过程包括：获取每次迭代的层次聚类树中每个节点的数据异常度；结合每次迭代的每个节点与其余各节点中正常数据点的脉搏数据之间的差异，以及每个节点与其余各节点合并后的节点的所述数据异常度，获取每次迭代的每个节点与其余各节点之间的聚类优先度；基于所述聚类优先度合并每次迭代的节点，直至仅存在一个节点时停止迭代聚类；
依据层次聚类树中每层中节点中正常数据点的脉搏数据之间的离散程度，从层次聚类树中筛选出最佳聚类层次；根据每个噪声数据点与所述最佳聚类层次中节点中正常数据点的脉搏数据之间的差异和欧式距离，对噪声数据点进行聚类，得到最终聚类簇；
基于最终聚类簇中特征数据点的脉搏数据对神经网络进行训练，利用训练后的神经网络监测检测型患者的麻醉深度。
进一步地，所述将特征数据点划分为噪声数据点与正常数据点的方法，包括：
基于所有特征数据点的脉搏数据，获取每个特征数据点的脉搏数据的标准分数；
结合每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，与药物麻醉时间段内相邻的特征数据点对应时刻之间的时间间隔之间的差异，以及每个特征数据点的所述标准分数，获取每个特征数据点的第一噪声度；
对于每个特征数据点，当特征数据点的所述第一噪声度大于预设噪声阈值时，特征数据点为噪声数据点；当特征数据点的所述第一噪声度小于或者等于预设噪声阈值时，特征数据点为正常数据点。
进一步地，所述每个特征数据点的第一噪声度的计算公式如下：
式中，ZS为每个特征数据点的所述第一噪声度；I为每个特征数据点对应时刻的预设时间段内特征数据点的总数量；为在每个特征数据点对应时刻的预设时间段内，第i个特征特征点与第i+1个特征数据点对应时刻之间的时间间隔；T1为预设时间段的时长；J为药物麻醉时间段内特征数据点的总数量；/>为在药物麻醉时间段内，第j个特征数据点与第j+1个特征数据点对应时刻之间的时间间隔；T2为药物麻醉时间段的时长；z为每个特征数据点的脉搏数据的标准分数；Norm为归一化函数；/>为绝对值函数。
进一步地，所述获取每次迭代的每个节点的数据异常度的方法，包括：
对于每次迭代的每个节点，计算节点中正常数据点的脉搏数据中最大值与最小值的均值，作为节点的特征值；
对于节点中正常数据点，将节点中每个正常数据点与其下一个正常数据点对应时刻之间的时间间隔作为节点中每个正常数据点的时序值，计算节点中除最后一个正常数据点外的其余正常数据点的所述时序值的方差作为节点的时序离散值；
每次迭代的每个节点的数据异常度的计算公式如下：
式中，no为每次迭代的每个节点的所述数据异常度；为每次迭代的每个节点中正常数据点的脉搏数据的方差；/>为每次迭代的每个节点的所述时序离散度；K为每次迭代的每个节点中正常数据点的总数量；TZ为每次迭代的每个节点的所述特征值；/>为每次迭代的每个节点中第k个正常数据点的脉搏数据；/>为每次迭代的每个节点中第k个正常数据点的所述第一噪声度；Norm为归一化函数；/>为绝对值函数。
进一步地，所述获取每次迭代的每个节点与其余各节点之间的聚类优先度的方法，包括：
对于每次迭代的节点，选取任意一个节点作为分析节点，选取除分析节点外的其余任意一个节点作为目标节点；将分析节点与目标节点的所述特征值之间的差值绝对值作为分析节点与目标节点之间的特征差异度；
根据所述特征差异度，目标节点以及分析节点与目标节点合并后的节点的所述数据异常度，获取分析节点与目标节点之间的聚类优先度；所述特征差异度、目标节点的数据异常度，分析节点与目标节点合并后的节点的数据异常度均与所述聚类优先度为负相关的关系。
进一步地，所述基于所述聚类优先度合并每次迭代的节点的方法，包括：
对于每次迭代的节点，将节点中正常数据点的所述第一噪声度的均值作为节点的第二噪声度；选取最小的所述第二噪声度对应的节点作为聚类节点，将除聚类节点外的其余节点作为待选节点；
对于聚类节点与每个待选节点之间的聚类优先度，将聚类节点与最大的所述聚类优先度对应的待选节点进行合并。
进一步地，所述从层次聚类树中筛选出最佳聚类层次的方法，包括：
计算层次聚类树的每层中节点中正常数据点的脉搏数据的类间方差作为每层的第一方差；获取层次聚类树的每层中节点的所述特征值的总方差作为第二方差；将所述第一方差与所述第二方差的均值作为层次聚类树中每层的聚类效果值；
将最大的所述聚类效果值对应的层次作为最佳聚类层次。
进一步地，所述最终聚类簇的获取方法，包括：
对于每个噪声数据点，根据噪声数据点的脉搏数据与最佳聚类层次中每个节点的所述特征值之间的差异，噪声数据点与最佳聚类层次中每个节点中正常数据点之间的欧式距离，以及噪声数据点的所述第一噪声度，获取噪声数据点与最佳聚类层次中每个节点之间的归属度；
从噪声数据点中选取特征噪声点，最佳聚类层次中至少存在一个节点与所述特征噪声点之间的所述归属度大于预设归属阈值；对于每个特征噪声点，将特征噪声点对应的最大的所述归属度对应的最佳聚类层次中的节点作为特征噪声点的归属点；
基于层次聚类树的最佳聚类层次中每个节点中正常数据点对正常数据点进行聚类，得到初始聚类簇；
将特征噪声点添加到其所述归属点对应的初始聚类簇中，对初始聚类簇进行更新，遍历所有特征数据点，将更新后的初始聚类簇作为最终聚类簇。
进一步地，所述噪声数据点与最佳聚类层次中每个节点之间的归属度的计算公式如下：
式中，为第a个噪声数据点与最佳聚类层次中第u个节点之间的归属度；/>为最佳聚类层次中第u个节点的所述特征值；/>为第a个噪声数据点的脉搏数据；/>为最佳聚类层次中第u个节点中正常数据点的总数量；/>为第a个噪声数据点与最佳聚类层次中第u个节点中第v个正常数据点之间的欧式距离；/>为第a个噪声数据点的所述第一噪声度；B为噪声数据点的总数量；/>为第b个噪声数据点的所述第一噪声度；Norm为归一化函数；e为自然常数；/>为绝对值函数。
第二方面，本发明另一个实施例提供了一种基于人工智能的麻醉深度监测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。
本发明具有如下有益效果：
在本发明实施例中，利用患者在麻醉状态下脉搏波判断麻醉状态，相邻特征数据点对应时刻之间的时间间隔呈现患者的心率，噪声信号会导致脉搏波在某一时刻上的数据点出现较大的偏离，综合特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，以及特征数据点的脉搏数据的偏移程度进行分析，使特征数据点的类别划分更加准确；为减少不同患者在不同麻醉深度下相似信息，将正常数据点构建为层次聚类树，每次迭代的每个节点的数据异常度反映节点中正常数据点受噪声影响程度，节点中正常数据点的脉搏数据反映节点的特征，聚类后节点表现出的噪声程度呈现两个节点的特征之间的相似程度即聚类优先信息，综合上述两种因素进行分析使节点之间的聚类优先度更加准确，进而保证层次聚类树的聚类情况的准确性；层次聚类树的每层中节点中数据点的脉搏数据之间的离散程度反映每层中节点的聚类效果，进而确定最佳聚类层次；在进行层次聚类后，存在部分噪声数据点的脉搏数据可能与聚类结果中某个节点的特征值在数值上较为相似，将噪声数据点归为该节点对应的簇类中得到最终聚类簇，以保证样本数据的准确性；利用训练型患者的最终聚类簇对应的脉搏数据进行训练，降低不同患者在不同麻醉深度下的相似信息影响，提高神经网络的识别能力，降低检测型患者进行麻醉深度监测出现误差的概率。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的麻醉深度监测方法的步骤流程图；
图2为本发明一个实施例所提供的正常数据点构建的层次聚类树局部示意图。
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人工智能的麻醉深度监测方法及系统，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人工智能的麻醉深度监测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的麻醉深度监测方法的步骤流程图，该方法包括：
步骤S1：获取训练型患者在药物麻醉时间段内不同时刻下脉搏数据的特征数据点。
具体的，对训练型患者进行药物麻醉，利用脉搏传感器采集患者在药物麻醉时间段内每个时刻下脉搏数据的原始数据点。在本发明实施例中，药物麻醉时间段的起点为患者被注入麻醉药物时刻的前一分钟，终点为患者手术完成时刻，脉搏数据为脉搏传感器输出的电压值，脉搏数据的采集频率为0.1秒一次，实施者可根据具体情况自行设置。
需要说明的是，本申请利用神经网络对麻醉深度进行监测，存在两种类型的患者，分别为训练型患者与检测型患者，训练型患者的相关数据用于训练神经网络，使用训练好的神经网络对检测型患者的麻醉深度进行智能监测。
脉搏传感器输出信号为脉搏波，脉搏波是具有一定周期性特征的类似正弦波的曲线，脉搏波的峰值点能够呈现脉搏波的波动特征。因此，选取脉搏波的峰值点即特征数据点进行后续分析，以减少计算量。
本发明实施例中，特征数据点的具体获取方法为：以时间为横轴，脉搏数据为纵轴建立二维坐标系；将原始数据点在二维坐标系中进行标注得到每个原始数据点对应的坐标点，对坐标点进行曲线拟合得到脉搏曲线段；将脉搏曲线段上每个峰值点对应的原始数据点作为特征数据点。
需要说明的是，本实施例选用最小二乘法对二维坐标系中坐标点进行曲线拟合，最小二乘法为本领域技术人员公知技术，在此不再赘述。
步骤S2：根据每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，以及每个特征数据点的脉搏数据的偏离程度，将特征数据点划分为噪声数据点与正常数据点。
在正常的麻醉过程中，患者的脉搏波信号上所表现出来的心率较为稳定或逐渐降低的频率波动，而噪声会导致频率特征出现较大变化；且噪声信号的出现会导致脉搏波在某一时刻上的数据点出现较大的偏离。通过测量脉搏波中峰值之间的时间间隔计算心率，则相邻的特征数据点对应时刻之间的时间间隔呈现心率；特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，反映特征数据点对应时刻的心率，同时结合特征数据点的脉搏数据的偏离程度，获取特征数据点的第一噪声度，利用其将特征数据点进行分类。
优选地，第一噪声度的具体获取方法为：基于所有特征数据点的脉搏数据，获取每个特征数据点的脉搏数据的标准分数；结合每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，与药物麻醉时间段内相邻的特征数据点对应时刻之间的时间间隔之间的差异，以及每个特征数据点的标准分数，获取每个特征数据点的第一噪声度。其中，标准分数的计算方法为本领域技术人员公知技术，在此不再赘述。
需要说明的是，预设时间段的时长取经验值10秒，特征数据点对应时刻位于其预设时间段的中间位置，实施者可根据具体情况自行设置。其中，标准分数的计算方法为公知技术，在此不再赘述。
每个特征数据点的第一噪声度的计算公式如下：
式中，ZS为每个特征数据点的第一噪声度；I为每个特征数据点对应时刻的预设时间段内特征数据点的总数量；为在每个特征数据点对应时刻的预设时间段内，第i个特征特征点与第i+1个特征数据点对应时刻之间的时间间隔；T1为预设时间段的时长；J为药物麻醉时间段内特征数据点的总数量；/>为在药物麻醉时间段内，第j个特征数据点与第j+1个特征数据点对应时刻之间的时间间隔；T2为药物麻醉时间段的时长；z为每个特征数据点的脉搏数据的标准分数；Norm为归一化函数；/>为绝对值函数。
需要说明的是，患者的脉搏波信号上所表现出来的心率呈现较为稳定或逐渐降低的频率波动；相邻的特征数据点对应时刻之间的时间间隔反映患者心率，呈现训练型患者在每个特征数据点的局部时间段内的平均心率，/>呈现训练型患者在药物麻醉时间段内的平均心率；当两种平均心率越接近即/>越小时，说明训练型患者在特征数据点对应时刻处于正常麻醉的可能性越大，特征数据点对应时刻的脉搏数据受到噪声影响的可能性越小，则第一噪声度ZS越小。标准分数z反映每个特征数据点的脉搏数据相较于整体特征数据点的脉搏数据的偏差程度；由于噪声信号的出现会导致脉搏波在某一时刻上的数据点出现较大的偏离即特征数据点的脉搏数据偏移程度越大，则当越大时，说明特征数据点受到噪声影响的可能性越大，则第一噪声度ZS越大。特征数据点的第一噪声度ZS越大，则特征数据点受到噪声影响的可能性越大，特征数据点为噪声数据点的可能性越大。
对于每个特征数据点，当特征数据点的第一噪声度大于预设噪声阈值时，特征数据点为噪声数据点；当特征数据点的第一噪声度小于或者等于预设噪声阈值时，特征数据点为正常数据点。需要说明的是，在本发明实施例中预设噪声阈值取经验值0.5，实施者可根据具体情况自行设置。
步骤S3：利用层次聚类算法对正常数据点进行迭代聚类，获得层次聚类树；其中，迭代聚类过程包括：获取每次迭代的层次聚类树中每个节点的数据异常度；结合每次迭代的每个节点与其余各节点中正常数据点的脉搏数据之间的差异，以及每个节点与其余各节点合并后的节点的数据异常度，获取每次迭代的每个节点与其余各节点之间的聚类优先度；基于聚类优先度合并每次迭代的节点，直至仅存在一个节点时停止迭代聚类。
由于患者所需要的麻醉程度不同且患者的身体素质存在差异，导致个体之间的生理数据反应即特征数据点的脉搏数据存在差异。在对神经网络模型进行训练的过程中，若直接将不同患者的脉搏数据输入到神经网络模型中，会导致学习到不同患者在不同麻醉深度下的相似信息，从而使得神经网络模型的识别能力降低，导致麻醉深度检测出现误差。因此，本发明实施例采用层次聚类算法，将正常数据点构建为层次聚类树，选取层次聚类树的不同层次中正常数据点的聚类效果最优的层次对正常数据点进行聚类，进而对神经网络模型进行训练。
其中，层次聚类算法为本领域技术人员公知技术，在此不再赘述。
在对正常数据点进行聚类的过程中，随着聚类过程不断进行，原本具有较低噪声表现的正常数据点在通过聚类后，其父节点相比于其他节点而言具有较高的噪声表现，并且在层次聚类数的同一层次中不同节点的第一噪声度均存在差异，因此，需要结合同层次的节点信息判断每次迭代的每个节点与其余各节点进行聚类的优先级即聚类优先度。聚类优先度的具体步骤如下：
（1）获取每次迭代的层次聚类树中每个节点的数据异常度。
优选地，数据异常度的具体获取方法为：对于每次迭代的每个节点，计算节点中正常数据点的脉搏数据中最大值与最小值的均值，作为节点的特征值；对于节点中的正常数据点，将节点中每个正常数据点与其下一个正常数据点对应时刻之间的时间间隔作为节点中每个正常数据点的时序值，计算节点中除最后一个正常数据点外的其余正常数据点的时序值的方差作为节点的时序离散值。
作为一个示例，图2为本发明一个实施例所提供的正常数据点构建的层次聚类树局部示意图，如图2所示，若节点x1中正常数据点为D1，节点x2中正常数据点为D2，节点x3中正常数据点为D3；对于叶子节点，节点中正常数据点为节点对应的正常数据点；对于非叶子节点x4、x5，将与节点之间存在路径的叶子结点对应的正常数据点为节点中正常数据点，节点x4中正常数据点包括：节点D2、节点D3；节点x5中正常数据点包括：节点D1、节点D2、节点D3。需要说明的是，本申请中相邻的正常数据点，每个正常数据点的下一个正常数据点均指代正常数据点对应时刻在时序上分布；本申请中每次迭代的节点均为层次聚类树中的节点。
每次迭代的每个节点的数据异常度的计算公式如下：
式中，no为每次迭代的每个节点的数据异常度；为每次迭代的每个节点中正常数据点的脉搏数据的方差；/>为每次迭代的每个节点的时序离散度；K为每次迭代的每个节点中正常数据点的总数量；TZ为每次迭代的每个节点的特征值；/>为每次迭代的每个节点中第k个正常数据点的脉搏数据；/>为每次迭代的每个节点中第k个正常数据点的第一噪声度；Norm为归一化函数；/>为绝对值函数。
在层次聚类树中能被合并的节点之间通常具有高度相似的特征或属性，则节点中正常数据点的脉搏数据较为接近且正常数据点在时序上较为均匀；当越大时，节点中正常数据点的脉搏数据的离散程度越大，则节点中正常数据点出现异常即受到噪声影响的可能性越大，数据异常度no越大。当时序离散度/>越大时，节点中正常数据点对应时刻在时序上的离散程度越大，节点中正常数据点可能包含的噪声信息越多，则数据异常度no越大。
节点的特征值接近节点中所有正常数据点的脉搏数据的平均水平，反映节点中所有正常数据点的脉搏数据的整体特征。当越大时，说明节点中第k个正常数据点的脉搏数据与节点中正常数据的脉搏数据的整体水平之间的差异越大，节点中正常数据点的脉搏数据存在噪声信息的可能性越大，则数据异常度no越大。当节点中正常数据点的第一噪声度/>越大时，说明节点中正常数据点包含噪声信息越多，节点出现异常的可能性越大，则节点的数据异常度no越大。
（2）取每次迭代的每个节点与其余各节点之间的聚类优先度。
在构建层次聚类树的过程中，每次迭代的节点的特征越相似，节点之间进行聚类的优先程度越高，节点中正常数据点的脉搏数据反映节点的特征；若聚类后节点表现出的噪声程度越高，说明进行聚类的两个节点的特征之间的相似程度越低，则两个节点进行聚类的优先程度会降低。综合每次迭代的每个节点与其余各节点中正常数据点的脉搏数据之间的差异，以及每个节点与其余各节点合并后的节点的数据异常度进行分析，使获取的聚类优先度的准确性越高。
优选地，聚类优先度的具体获取方法为：对于每次迭代的节点，选取任意一个节点作为分析节点，选取除分析节点外的其余任意一个节点作为目标节点；将分析节点与目标节点的特征值之间的差值绝对值作为分析节点与目标节点之间的特征差异度；根据特征差异度，目标节点以及分析节点与目标节点合并后的节点的数据异常度，获取分析节点与目标节点之间的聚类优先度；特征差异度、目标节点的数据异常度，分析节点与目标节点合并后的节点的数据异常度均与聚类优先度为负相关的关系。
分析节点与目标节点之间的聚类优先度的计算公式示例如下：
式中，为分析节点与目标节点之间的聚类优先度；/>为分析节点的特征值；为目标节点的特征值；/>为目标节点的数据异常度；/>为分析节点与目标节点合并后的节点的数据异常度；/>为绝对值函数；/>为预设正数，取经验值0.01，作用为防止分母为零导致分式无意义。
当越小时，分析节点与目标节点的特征越相似，目标节点与分析节点进行合并的优先程度越高，则聚类优先度/>越大。当/>越小时，目标节点表现的噪声程度越低，目标节点更容易与其他节点进行合并，则聚类优先度/>越大。当/>越大时，目标节点与分析节点合并后的节点表现的噪声程度越大，目标节点与分析节点的特征之间的相似程度越低，目标节点与分析节点进行合并的优先程度会降低，则聚类优先度/>越小。
优选地，本发明实施例中利用聚类优先度进行层次聚类的具体过程为：对于每次迭代的节点，将节点中正常数据点的第一噪声度的均值作为节点的第二噪声度；选取最小的第二噪声度对应的节点作为聚类节点，将除聚类节点外的其余节点作为待选节点；对于聚类节点与每个待选节点之间的聚类优先度，将聚类节点与最大的聚类优先度对应的待选节点进行合并。需要说明的是，相较于层次聚类算法中在每次迭代中，选择两个最相似的节点合并得到节点，本发明实施例在构建层次聚类树过程中降低计算量，提高层次聚类树的准确性。
步骤S4：依据层次聚类树中每层中节点中正常数据点的脉搏数据之间的离散程度，从层次聚类树中筛选出最佳聚类层次；根据每个噪声数据点与最佳聚类层次中节点中正常数据点的脉搏数据之间的差异和欧式距离，对噪声数据点进行聚类，得到最终聚类簇。
层次聚类树提供了正常数据点在多个层次上的聚类结果，不同层次对正常数据点的聚类效果存在差异，层次聚类树的每层中节点中数据点的脉搏数据之间的离散程度反映每层中节点的聚类效果，进而确定层次聚类树的最佳聚类层次。
优选地，最佳聚类层次的具体获取方法为：计算层次聚类树的每层中节点中正常数据点的脉搏数据的类间方差作为每层的第一方差；获取层次聚类树的每层中节点的特征值的总方差作为第二方差；将第一方差与第二方差的均值作为层次聚类树中每层的聚类效果值；将最大的聚类效果值对应的层次作为最佳聚类层次。
需要说明的是，在计算类间方差时，每个节点中正常数据点的脉搏数据为同一类数据，每层中数据的类别数等于每层中节点的数量；每层中节点的特征值的总方差时，每层中节点中特征值为同一类数据，且仅存在一类数据，每层中节点的特征值的总方差等于类内方差。其中，类间方差与总方差的计算方法为公知技术，在此不再赘述。
每层中节点中正常数据点的脉搏数据的类间方差度量每层中不同节点之间的差异或者离散程度，当每层的第一方差越大时，说明每层中不同节点中正常数据点的脉搏数据分布差异较大，该层次对正常数据点的聚类效果越好，则该层的聚类效果值越大。当每层中第二方差越大时，说明每层中节点的特征之间的差异程度越大，进而说明每层中不同节点中正常数据点的特征存在越大的差异，该层次对正常数据点的聚类效果越好，则该层的聚类效果值越大。
在进行层次聚类后，存在部分噪声数据点的脉搏数据可能与聚类结果中某个节点的特征值在数值上具有较高的相似程度，可以将噪声数据点归为该节点对应的簇类中，得到最终聚类簇，以保证样本数据的准确性。最终聚类簇的具体获取步骤如下：
（1）获取噪声数据点与最佳聚类层次中每个节点之间的归属度。
优选地，归属度的具体获取方法为：对于每个噪声数据点，根据噪声数据点的脉搏数据与最佳聚类层次中每个节点的特征值之间的差异，噪声数据点与最佳聚类层次中每个节点中正常数据点之间的欧式距离，以及噪声数据点的第一噪声度，获取噪声数据点与最佳聚类层次中每个节点之间的归属度。
需要说明的是，在计算特征数据点之间的欧式距离时，首先，构建特征数据点的二元组（e1，e2），其中，e1为特征数据点对应的时刻，e2为特征数据点对应的脉搏数据；其次，计算两个特征数据点的二元组之间的欧式距离作为两个特征数据点之间的欧式距离。在本发明实施例计算中涉及到特征数据点之间的欧式距离时，均采用该方法进行计算。
噪声数据点与最佳聚类层次中每个节点之间的归属度的计算公式如下：
式中，为第a个噪声数据点与最佳聚类层次中第u个节点之间的归属度；/>为最佳聚类层次中第u个节点的特征值；/>为第a个噪声数据点的脉搏数据；/>为最佳聚类层次中第u个节点中正常数据点的总数量；/>为第a个噪声数据点与最佳聚类层次中第u个节点中第v个正常数据点之间的欧式距离；/>为第a个噪声数据点的第一噪声度；B为噪声数据点的总数量；/>为第b个噪声数据点的第一噪声度；Norm为归一化函数；e为自然常数；/>为绝对值函数；/>为预设正数，取经验值0.01，作用为防止分母为零导致分式无意义。
当越小时，说明噪声数据点与最佳聚类层次中第u个节点之间的关联程度越高，则第a个噪声数据点对节点的归属程度越高，则归属度/>。当/>越小时，使得/>越小，第a个噪声数据点与最佳聚类层次中第u个节点中正常数据点越相似，第a个噪声数据点与最佳聚类层次中第u个节点中正常数据点属于同一类簇的可能性越大，则第a个噪声数据点对最佳聚类层次中第u个节点的归属程度越高，归属度/>越大。
可以视为/>，当第a个噪声数据点的第一噪声程度/>越小时，第a个噪声数据点的噪声程度越低，使得/>越小，说明该噪声数据点相较于所有噪声数据点的偏离程度相对较小，在判断第a个噪声数据点与最佳聚类层次中节点的归属时，第a个噪声数据点相较于所有噪声数据点的归属程度越大，则归属度/>越大。
（2）获取最终聚类簇。
优选地，最终聚类簇的具体获取方法为：从噪声数据点中选取特征噪声点，最佳聚类层次中至少存在一个节点与特征噪声点之间的归属度大于预设归属阈值；对于每个特征噪声点，将特征噪声点对应的最大的归属度对应的最佳聚类层次中的节点作为特征噪声点的归属点；基于层次聚类树的最佳聚类层次中每个节点中正常数据点对正常数据点进行聚类，得到初始聚类簇；将特征噪声点添加到其归属点对应的初始聚类簇中，对初始聚类簇进行更新，遍历所有特征数据点，将更新后的初始聚类簇作为最终聚类簇。
需要说明的是，特征噪声点与最佳聚类层次中节点中正常数据点之间的相似程度较高，保留特征噪声点，除特征噪声点外的其余噪声数据点不进行后续分析，保证数据样本的准确性。本发明实施例中预设归属阈值取经验值0.6，实施者可根据具体情况自行设置。
步骤S5：基于最终聚类簇中特征数据点的脉搏数据对神经网络进行训练，利用训练后的神经网络监测检测型患者的麻醉深度。
不同最终聚类簇中特征数据点的脉搏数据呈现患者处于不同的麻醉深度情况。麻醉药物可能导致心率减缓，从而减少心脏每分钟的搏动次数，导致脉搏波的幅度逐渐减小。因此，最终聚类簇内特征数据点的脉搏数据越小，麻醉深度越深，麻醉深度标签越大。
本发明实施例利用不同聚类簇中特征数据点的脉搏数据对神经网络进行训练，实现对患者麻醉深度的智能检测。将检测型患者的在药物麻醉时间段内的特征数据点的脉搏数据输入至预先训练好的神经网络中，输出检测型患者对应的特征数据点的脉搏数据的麻醉深度标签。
本发明通过卷积神经网络对检测型患者对应的特征数据点的脉搏数据的麻醉深度标签进行标注。神经网络的输入为检测型患者的在药物麻醉时间段内的特征数据点的脉搏数据，输出为标注有麻醉深度标签的检测型患者对应的特征数据点的脉搏数据。
其中，卷积神经网络的相关内容包括：神经网络的数据集分为训练集和验证集；神经网络的训练过程为对特征数据点的麻醉深度的标注过程，具体的标注过程为：计算每个最终聚类簇内特征数据点的脉搏数据的均值作为每个最终聚类簇的特征脉搏值，将最大的特征脉搏值对应的最终聚类簇中特征数据点的脉搏数据的麻醉深度标签标注为1，第二大的特征脉搏值对应的最终聚类簇中特征数据点的脉搏数据的麻醉深度标签标注为2，按照特征脉搏值从大到小，特征脉搏值对应的最终聚类簇的麻醉深度标签依次增加；神经网络的损失函数为交叉熵函数。其中，卷积神经网络为本领域技术人员公知技术，在此不再赘述。
为使训练后的神经网络适应不同身体素质的患者，本发明实施中采集至少两个训练型患者在药物麻醉时间段内的特征数据点，根据上述方法利用多个训练型患者的特征数据点的脉搏数据对神经网络进行训练。
需要说明的是，检测型患者在药物麻醉时间段内的特征数据点的获取方法，与训练型患者在药物麻醉时间段内的特征数据点的获取方法相同。
至此，本发明完成。
综上所述，本发明实施例中，将训练型患者对应的特征数据点划分为噪声数据点与正常数据点，利用层次聚类算法对正常数据点进行聚类得到层次聚类树；根据层次聚类树的每层中正常数据点的脉搏数据之间的离散程度，筛选出最佳聚类层次；依据噪声数据点与最佳聚类层次中正常数据点的脉搏数据之间的差异对噪声数据对进行聚类，得到最终聚类簇；根据训练型患者对应的最终聚类簇中特征数据点的脉搏数据训练神经网络，利用训练好的神经网络对检测型患者的麻醉深度进行监测。本发明利用最终聚类簇对应的脉搏数据训练神经网络，提升神经网络的识别能力，提高麻醉深度检测的准确率。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了基于人工智能的麻醉深度监测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述基于人工智能的麻醉深度监测方法实施例中的步骤，例如图1所示的步骤。该基于人工智能的麻醉深度监测方法在上述实施例中已经详细说明，不再赘述。
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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的麻醉深度监测方法，其特征在于，该方法包括：
获取训练型患者在药物麻醉时间段内不同时刻下脉搏数据的特征数据点；
根据每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，以及每个特征数据点的脉搏数据的偏离程度，将特征数据点划分为噪声数据点与正常数据点；
利用层次聚类算法对正常数据点进行迭代聚类，获得层次聚类树；其中，迭代聚类过程包括：获取每次迭代的层次聚类树中每个节点的数据异常度；结合每次迭代的每个节点与其余各节点中正常数据点的脉搏数据之间的差异，以及每个节点与其余各节点合并后的节点的所述数据异常度，获取每次迭代的每个节点与其余各节点之间的聚类优先度；基于所述聚类优先度合并每次迭代的节点，直至仅存在一个节点时停止迭代聚类；
依据层次聚类树中每层中节点中正常数据点的脉搏数据之间的离散程度，从层次聚类树中筛选出最佳聚类层次；根据每个噪声数据点与所述最佳聚类层次中节点中正常数据点的脉搏数据之间的差异和欧式距离，对噪声数据点进行聚类，得到最终聚类簇；
基于最终聚类簇中特征数据点的脉搏数据对神经网络进行训练，利用训练后的神经网络监测检测型患者的麻醉深度。
2.根据权利要求1所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述将特征数据点划分为噪声数据点与正常数据点的方法，包括：
基于所有特征数据点的脉搏数据，获取每个特征数据点的脉搏数据的标准分数；
结合每个特征数据点对应时刻的预设时间段内相邻的特征数据点对应时刻之间的时间间隔，与药物麻醉时间段内相邻的特征数据点对应时刻之间的时间间隔之间的差异，以及每个特征数据点的所述标准分数，获取每个特征数据点的第一噪声度；
对于每个特征数据点，当特征数据点的所述第一噪声度大于预设噪声阈值时，特征数据点为噪声数据点；当特征数据点的所述第一噪声度小于或者等于预设噪声阈值时，特征数据点为正常数据点。
3.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述每个特征数据点的第一噪声度的计算公式如下：
式中，ZS为每个特征数据点的所述第一噪声度；I为每个特征数据点对应时刻的预设时间段内特征数据点的总数量；为在每个特征数据点对应时刻的预设时间段内，第i个特征特征点与第i+1个特征数据点对应时刻之间的时间间隔；T1为预设时间段的时长；J为药物麻醉时间段内特征数据点的总数量；/>为在药物麻醉时间段内，第j个特征数据点与第j+1个特征数据点对应时刻之间的时间间隔；T2为药物麻醉时间段的时长；z为每个特征数据点的脉搏数据的标准分数；Norm为归一化函数；/>为绝对值函数。
4.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述获取每次迭代的每个节点的数据异常度的方法，包括：
对于每次迭代的每个节点，计算节点中正常数据点的脉搏数据中最大值与最小值的均值，作为节点的特征值；
对于节点中正常数据点，将节点中每个正常数据点与其下一个正常数据点对应时刻之间的时间间隔作为节点中每个正常数据点的时序值，计算节点中除最后一个正常数据点外的其余正常数据点的所述时序值的方差作为节点的时序离散值；
每次迭代的每个节点的数据异常度的计算公式如下：
式中，no为每次迭代的每个节点的所述数据异常度；为每次迭代的每个节点中正常数据点的脉搏数据的方差；/>为每次迭代的每个节点的所述时序离散度；K为每次迭代的每个节点中正常数据点的总数量；TZ为每次迭代的每个节点的所述特征值；/>为每次迭代的每个节点中第k个正常数据点的脉搏数据；/>为每次迭代的每个节点中第k个正常数据点的所述第一噪声度；Norm为归一化函数；/>为绝对值函数。
5.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述获取每次迭代的每个节点与其余各节点之间的聚类优先度的方法，包括：
对于每次迭代的节点，选取任意一个节点作为分析节点，选取除分析节点外的其余任意一个节点作为目标节点；将分析节点与目标节点的所述特征值之间的差值绝对值作为分析节点与目标节点之间的特征差异度；
根据所述特征差异度，目标节点以及分析节点与目标节点合并后的节点的所述数据异常度，获取分析节点与目标节点之间的聚类优先度；所述特征差异度、目标节点的数据异常度，分析节点与目标节点合并后的节点的数据异常度均与所述聚类优先度为负相关的关系。
6.根据权利要求2所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述基于所述聚类优先度合并每次迭代的节点的方法，包括：
对于每次迭代的节点，将节点中正常数据点的所述第一噪声度的均值作为节点的第二噪声度；选取最小的所述第二噪声度对应的节点作为聚类节点，将除聚类节点外的其余节点作为待选节点；
对于聚类节点与每个待选节点之间的聚类优先度，将聚类节点与最大的所述聚类优先度对应的待选节点进行合并。
7.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述从层次聚类树中筛选出最佳聚类层次的方法，包括：
计算层次聚类树的每层中节点中正常数据点的脉搏数据的类间方差作为每层的第一方差；获取层次聚类树的每层中节点的所述特征值的总方差作为第二方差；将所述第一方差与所述第二方差的均值作为层次聚类树中每层的聚类效果值；
将最大的所述聚类效果值对应的层次作为最佳聚类层次。
8.根据权利要求4所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述最终聚类簇的获取方法，包括：
对于每个噪声数据点，根据噪声数据点的脉搏数据与最佳聚类层次中每个节点的所述特征值之间的差异，噪声数据点与最佳聚类层次中每个节点中正常数据点之间的欧式距离，以及噪声数据点的所述第一噪声度，获取噪声数据点与最佳聚类层次中每个节点之间的归属度；
从噪声数据点中选取特征噪声点，最佳聚类层次中至少存在一个节点与所述特征噪声点之间的所述归属度大于预设归属阈值；对于每个特征噪声点，将特征噪声点对应的最大的所述归属度对应的最佳聚类层次中的节点作为特征噪声点的归属点；
基于层次聚类树的最佳聚类层次中每个节点中正常数据点对正常数据点进行聚类，得到初始聚类簇；
将特征噪声点添加到其所述归属点对应的初始聚类簇中，对初始聚类簇进行更新，遍历所有特征数据点，将更新后的初始聚类簇作为最终聚类簇。
9.根据权利要求8所述的一种基于人工智能的麻醉深度监测方法，其特征在于，所述噪声数据点与最佳聚类层次中每个节点之间的归属度的计算公式如下：
式中，为第a个噪声数据点与最佳聚类层次中第u个节点之间的归属度；/>为最佳聚类层次中第u个节点的所述特征值；/>为第a个噪声数据点的脉搏数据；/>为最佳聚类层次中第u个节点中正常数据点的总数量；/>为第a个噪声数据点与最佳聚类层次中第u个节点中第v个正常数据点之间的欧式距离；/>为第a个噪声数据点的所述第一噪声度；B为噪声数据点的总数量；/>为第b个噪声数据点的所述第一噪声度；Norm为归一化函数；e为自然常数；/>为绝对值函数。
10.一种基于人工智能的麻醉深度监测系统，其特征在于，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述权利要求1-9任意一项所述一种基于人工智能的麻醉深度监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410866.3A CN118000683B (zh) | 2024-04-08 | 2024-04-08 | 基于人工智能的麻醉深度监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410866.3A CN118000683B (zh) | 2024-04-08 | 2024-04-08 | 基于人工智能的麻醉深度监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118000683A true CN118000683A (zh) | 2024-05-10 |
| CN118000683B CN118000683B (zh) | 2024-05-31 |
Family
ID=90956767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410410866.3A Active CN118000683B (zh) | 2024-04-08 | 2024-04-08 | 基于人工智能的麻醉深度监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118000683B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1320411A (zh) * | 2000-04-21 | 2001-11-07 | 陆渭明 | 无创伤测量血压的方法和装置 |
| US20120277548A1 (en) * | 2009-08-14 | 2012-11-01 | David Burton | Anaesthesia and consciousness depth monitoring system |
| US20140210800A1 (en) * | 2013-01-30 | 2014-07-31 | Sony Corporation | Display control apparatus, display control method, and program |
| CN112754445A (zh) * | 2015-03-31 | 2021-05-07 | 深圳市长桑技术有限公司 | 一种生理参数监测的系统和方法 |
| CN117137500A (zh) * | 2023-10-27 | 2023-12-01 | 深圳市格阳医疗科技有限公司 | 智能麻醉深度监测仪器与反馈控制系统 |
-
2024
- 2024-04-08 CN CN202410410866.3A patent/CN118000683B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1320411A (zh) * | 2000-04-21 | 2001-11-07 | 陆渭明 | 无创伤测量血压的方法和装置 |
| US20120277548A1 (en) * | 2009-08-14 | 2012-11-01 | David Burton | Anaesthesia and consciousness depth monitoring system |
| US20140210800A1 (en) * | 2013-01-30 | 2014-07-31 | Sony Corporation | Display control apparatus, display control method, and program |
| CN112754445A (zh) * | 2015-03-31 | 2021-05-07 | 深圳市长桑技术有限公司 | 一种生理参数监测的系统和方法 |
| CN117137500A (zh) * | 2023-10-27 | 2023-12-01 | 深圳市格阳医疗科技有限公司 | 智能麻醉深度监测仪器与反馈控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 邱郁薇: ""建立并验证一种新型多模态生理参数用于评估胸科手术麻醉深度"", 《上海医学》, 25 May 2023 (2023-05-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118000683B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A method to detect sleep apnea based on deep neural network and hidden Markov model using single-lead ECG signal | |
| Jiang et al. | Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement | |
| Singh et al. | A novel approach osa detection using single-lead ECG scalogram based on deep neural network | |
| CN109934089B (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
| Zhao et al. | Comparative analysis of different characteristics of automatic sleep stages | |
| Afshar et al. | A combinatorial deep learning structure for precise depth of anesthesia estimation from EEG signals | |
| CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
| CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
| CN112733774A (zh) | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 | |
| Amin et al. | A robust approach towards epileptic seizure detection | |
| Jaafar et al. | Acceleration plethysmogram based biometric identification | |
| CN107137093A (zh) | 一种包含异常血糖概率报警器的连续血糖监测设备 | |
| CN116028914B (zh) | 一种智能戒指身份认证方法及系统 | |
| CN113995419A (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| Tang et al. | Deep adaptation network for subject-specific sleep stage classification based on a single-lead ECG | |
| CN110522446A (zh) | 一种准确性高实用性强的脑电信号分析方法 | |
| CN118000683B (zh) | 基于人工智能的麻醉深度监测方法及系统 | |
| Orlandic et al. | A semi-supervised algorithm for improving the consistency of crowdsourced datasets: The COVID-19 case study on respiratory disorder classification | |
| Wachowiak et al. | Clustering continuous wavelet transform characteristics of heart rate variability through unsupervised learning | |
| Yang et al. | ECG-aided PPG signal quality assessment (SQA) system for heart rate estimation | |
| Feng et al. | Obstructive sleep apnea detection based on unsupervised feature learning and hidden markov model | |
| Lee et al. | Comparative neural network based on template cluster for automated abnormal beat detection in electrocardiogram signals | |
| Wen et al. | ECG beat classification using GreyART network | |
| CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 |
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 |