本发明属于麻醉安全，具体是指一种基于机器学习的全身麻醉药效预测方法及系统。
背景技术：
1、全身麻醉药效预测是外科手术中至关重要的部分之一，与患者健康状况具有密不可分的联系，它旨在保障患者在手术过程中的安全，降低因麻醉用量不当引起的健康风险，有助于优化麻醉方案，进而提高麻醉的效率和质量。但在现有的全身麻醉药效预测过程中，存在脑电信号有受到多种噪声影响的风险，因而对特征提取的抗噪能力要求较高的技术问题；存在不同患者个体之间具有差异性，导致直接将卷积神经网络运用于脑电信号时，预测模型在实际应用中的性能不理想的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的全身麻醉药效预测方法及系统，针对在全身麻醉药效预测过程中，存在脑电信号有受到多种噪声影响的风险，因而对特征提取的抗噪能力要求较高的技术问题，本方案采用最优深度残差收缩网络对脑电二维图进行特征提取，能更有效地处理受噪声干扰的脑电信号，自动地从脑电信号中提取潜在特征，解决了手动提取特征的问题，并提高了后续的预测精度，有助于增强全身麻醉药效预测的鲁棒性；针对在全身麻醉药效预测过程中，存在不同患者个体之间具有差异性，导致直接将卷积神经网络运用于脑电信号时，预测模型在实际应用中的性能不理想的技术问题，本方案采用基于卷积神经网络和长短期神经网络的元学习构建全身麻醉药效预测模型，能在训练过程中学习到更具有普适性的模型参数，使得模型对不同患者的预测具有更好的泛化能力，且能更准确地捕捉全身麻醉药效随时间而变化的趋势，进而增强预测模型的实用性。
2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的全身麻醉药效预测方法，该方法包括以下步骤：
3、步骤s1：患者数据监测，具体为通过生理监测仪采集信号，得到患者生理信号；
4、步骤s2：数据预处理；
5、步骤s3：关键特征提取，具体为通过傅里叶变换和连续小波变换将脑电分解信号转换为二维图像，得到脑电二维图，在深度残差收缩网络中加入通道阈值，得到最优深度残差收缩网络，采用最优深度残差收缩网络对脑电二维图进行特征提取，得到脑电特征图，通过一维卷积层对脑电特征图进行降维处理，得到脑电关键特征集；
6、步骤s4：全身麻醉药效预测模型构建；
7、步骤s5：麻醉控制策略生成。
8、进一步地，在步骤s1中，所述患者生理信号包括脑电信号、血压、脉搏氧饱和度、呼吸频率、体温和心电信号。
9、进一步地，在步骤s2中，所述数据预处理，用于对脑电信号进行预处理，具体为通过线性序列分解学习器对脑电信号进行信号分解，得到脑电分解信号。
10、进一步地，在步骤s3中，所述关键特征提取，包括以下步骤：
11、步骤s31：通过傅里叶变换和连续小波变换将脑电分解信号转换为二维图像，得到脑电二维图，包括以下步骤：
12、步骤s311：将汉宁窗口函数作为窗口函数，采用傅里叶变换进行频谱分析，计算得到脑电频谱图，计算公式为：
13、；
14、式中，是脑电分解信号的频谱图表示，a是时间参数，用于表示窗口函数的时间延迟，b是频率参数，s（tegg）是脑电分解信号，tegg是脑电分解信号的时间索引，s（a，b）是傅里叶变换的结果，用于表示脑电分解信号在频率和时间上的幅度和相位分布，hm(·)是窗口函数，所述窗口函数具体指汉宁窗口函数，用于对信号进行加窗处理，是旋转因子，用于计算傅里叶变换时的频率分量，i是虚数单位，u是脑电分解信号的频率索引；
15、步骤s312：通过对脑电频谱图进行连续小波变换，得到小波系数，依据小波系数生成二维图像，得到脑电二维图；
16、步骤s32：在深度残差收缩网络中加入通道阈值，得到最优深度残差收缩网络，采用最优深度残差收缩网络对脑电二维图进行特征提取，得到脑电特征图，包括以下步骤：
17、步骤s321：将脑电二维图作为最优深度残差收缩网络的输入图像；
18、步骤s322：通过全连接网络计算得到每个神经元的输出，依据神经元的输出计算缩放参数，计算公式为：
19、；
20、式中，是缩放参数，所述缩放参数具体指第j个神经元对应的缩放参数，j是神经元索引，ptj是第j个神经元的输出；
21、步骤s323：通过全局平均池化层计算输入图像的全局平均值，依据缩放参数和输入图像的全局平均值计算各通道的阈值，得到通道阈值，用于降低噪声的影响，所述通道阈值的计算公式为：
22、；
23、式中，thrj是通道阈值，所述通道阈值具体指第j个神经元对应通道的阈值，yavg是输入图像的全局平均值；
24、步骤s324：依据通道阈值对输入图像进行软阈值处理，生成输出特征图的像素值，得到输出特征图，计算公式为：
25、；
26、式中，是输出特征图的像素值，是输入图像的像素值，h是像素高度，w是像素宽度；
27、步骤s33：通过一维卷积层对脑电特征图进行降维处理，得到脑电关键特征集。
28、进一步地，在步骤s4中，所述全身麻醉药效预测模型构建，具体为采用基于卷积神经网络和长短期神经网络的元学习构建全身麻醉药效预测模型，包括以下步骤：
29、步骤s41：准备训练任务，用于训练全身麻醉药效预测模型，具体为依据脑电关键特征集，通过随机划分脑电关键特征集得到k个训练任务，所述训练任务包括支持集和查询集；
30、步骤s42：初始化卷积神经网络和长短期神经网络的模型参数，将卷积神经网络的模型参数作为元学习网络的初始模型参数；
31、步骤s43：采用卷积神经网络进行迭代预训练，用于学习脑电信号的频域特征，包括以下步骤：
32、步骤s431：将元学习网络的模型参数分配给卷积神经网络，通过训练任务k的支持集进行预训练，得到训练任务k的学习率，优化更新卷积神经网络的模型参数；
33、步骤s432：通过训练任务k的查询集计算损失函数，并计算对应卷积神经网络的模型参数梯度，通过将元学习网络的学习率与卷积神经网络的模型参数梯度相乘，更新元学习网络的模型参数；
34、步骤s44：基于卷积神经网络和长短期神经网络，通过对元学习网络进行模型训练，得到全身麻醉药效预测模型，包括以下步骤：
35、步骤s441：通过卷积神经网络的卷积和池化操作学习脑电关键特征中的频域特征，得到脑电频域特征；
36、步骤s442：将脑电频域特征作为长短期神经网络的输入向量，采用长短期神经网络对脑电频域特征进行序列建模，用于捕捉脑电信号的动态变化，包括以下步骤：
37、步骤s4421：构建输入门，用于控制细胞更新的程度，计算公式为：
38、；
39、式中，t是时间步索引，用于表示当前时间步，igt是输入门在当前时间步下输出的特征向量，sig(·)是sigmoid激活函数，maig是输入门与输入向量的权重矩阵，at是在当前时间步下的输入向量，mhig是输入门与前一时间步隐藏状态的权重矩阵，ht-1是前一时间步隐藏状态，big是输入门偏置项；
40、步骤s4422：构建遗忘门，用于控制细胞遗忘的程度，计算公式为：
41、；
42、式中，fgt是遗忘门在当前时间步下输出的特征向量，mafg是遗忘门与输入向量的权重矩阵，mhfg是遗忘门与前一时间步隐藏状态的权重矩阵，bfg是遗忘门偏置项；
43、步骤s4423：通过遗忘门和输入门，更新细胞状态，用于存储和传递长期记忆，计算公式为：
44、；
45、式中，elt是当前时间步下的细胞状态，是候选细胞状态，elt-1是前一时间步下的细胞状态；
46、步骤s4424：构建输出门，用于控制隐藏状态，计算公式为：
47、；
48、式中，ogt是输出门在当前时间步下输出的特征向量，maog是输出门与输入向量的权重矩阵，mhog是输入门与前一时间步隐藏状态的权重矩阵，bog是输出门偏置项；
49、步骤s4425：通过双曲正切函数计算隐藏状态，用于捕捉时间依赖关系，计算公式为：
50、；
51、式中，ht是隐藏状态，用于表示隐藏层的输出，tanh(·)是双曲正切函数。
52、进一步地，在步骤s5中，所述麻醉控制策略生成，具体为采用全身麻醉药效预测模型进行药效预测，得到患者意识状态，依据患者意识状态进行麻醉药物剂量控制并调节麻醉药物注射速度。
53、本发明提供的一种基于机器学习的全身麻醉药效预测系统，包括：患者数据监测模块、数据预处理模块、关键特征提取模块、全身麻醉药效预测模型构建模块和麻醉控制策略生成模块；
54、所述患者数据监测模块，用于数据采集，具体为通过生理监测仪采集信号，得到患者生理信号，并将所述患者生理信号发送至数据预处理模块；
55、所述数据预处理模块，用于数据预处理，具体为通过线性序列分解学习器对脑电信号进行信号分解，得到脑电分解信号，并将所述脑电分解信号发送至关键特征提取模块；
56、所述关键特征提取模块，用于提取关键特征，具体为将脑电分解信号转换为二维图像，得到脑电二维图，采用最优深度残差收缩网络对脑电二维图进行特征提取，得到脑电特征图，通过一维卷积层对脑电特征图进行降维处理，得到脑电关键特征集，并将所述脑电关键特征集发送至全身麻醉药效预测模型构建模块；
57、所述全身麻醉药效预测模型构建模块，用于构建全身麻醉药效预测模型，具体为采用基于卷积神经网络和长短期神经网络的元学习，通过对元学习网络进行模型训练，得到全身麻醉药效预测模型，并将所述全身麻醉药效预测模型发送至麻醉控制策略生成模块；
58、所述麻醉控制策略生成模块，用于生成麻醉控制策略，具体为采用全身麻醉药效预测模型进行药效预测，得到患者意识状态，依据患者意识状态进行麻醉药物剂量控制并调节麻醉药物注射速度。
59、采用上述方案本发明取得的有益效果如下：
60、（1）针对在全身麻醉药效预测过程中，存在脑电信号有受到多种噪声影响的风险，因而对特征提取的抗噪能力要求较高的技术问题，本方案采用最优深度残差收缩网络对脑电二维图进行特征提取，能更有效地处理受噪声干扰的脑电信号，自动地从脑电信号中提取潜在特征，解决了手动提取特征的问题，并提高了后续的预测精度，有助于增强全身麻醉药效预测的鲁棒性。
61、（2）针对在全身麻醉药效预测过程中，存在不同患者个体之间具有差异性，导致直接将卷积神经网络运用于脑电信号时，预测模型在实际应用中的性能不理想的技术问题，本方案采用基于卷积神经网络和长短期神经网络的元学习构建全身麻醉药效预测模型，能在训练过程中学习到更具有普适性的模型参数，使得模型对不同患者的预测具有更好的泛化能力，且能更准确地捕捉全身麻醉药效随时间而变化的趋势，进而增强预测模型的实用性。
1.一种基于机器学习的全身麻醉药效预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的全身麻醉药效预测方法，其特征在于：
3.根据权利要求2所述的一种基于机器学习的全身麻醉药效预测方法，其特征在于：在步骤s3中，所述关键特征提取，包括以下步骤：
4.根据权利要求3所述的一种基于机器学习的全身麻醉药效预测方法，其特征在于：在步骤s5中，所述麻醉控制策略生成，具体为采用全身麻醉药效预测模型进行药效预测，得到患者意识状态，依据患者意识状态进行麻醉药物剂量控制并调节麻醉药物注射速度。
5.根据权利要求4所述的一种基于机器学习的全身麻醉药效预测方法，其特征在于：在步骤s1中，所述患者生理信号包括脑电信号、血压、脉搏氧饱和度、呼吸频率、体温和心电信号；
6.一种基于机器学习的全身麻醉药效预测系统，用于实现如权利要求1-5中任一项所述的一种基于机器学习的全身麻醉药效预测方法，其特征在于：包括患者数据监测模块、数据预处理模块、关键特征提取模块、全身麻醉药效预测模型构建模块和麻醉控制策略生成模块。
7.根据权利要求6所述的一种基于机器学习的全身麻醉药效预测系统，其特征在于：所述患者数据监测模块，用于数据采集，具体为通过生理监测仪采集信号，得到患者生理信号，并将所述患者生理信号发送至数据预处理模块；
