本发明提供一种适用不同年龄患者的麻醉状态评估系统及方法，属于神经信号分析领域。该评估系统包括：利用脑电信号采集模块采集进行全身麻醉的患者在不同麻醉状态下的脑电信号；利用前端信号处理模块对脑电信号进行分段，并进行预处理以去除干扰；利用参数计算模块计算各数据段的双尺度熵，得到特征值；利用麻醉深度评估模块，将每位患者的特征值作为输入值，以BRF为核函数，进行模式识别SVM三分类，所获得的分类结果即为麻醉深度的检测结果。本发明可以对人的麻醉特征指标进行准确的提取，并采用三分类算法，能够更精确的判断不同年龄患者的麻醉状态。
1.一种适用不同年龄患者的麻醉状态评估系统，其特征在于，其包括：脑电信号采集模块、前端信号处理模块、参数计算模块和麻醉深度评估模块；
所述脑电信号采集模块：用于采集不同年龄段患者样本的前额双通道脑电信号，并分别截取每位患者于清醒期、麻醉期和恢复期这三个时期内的脑电信号；
所述前端信号处理模块：用于对所述脑电信号进行带通滤波，并对所述脑电信号进行分段处理，计算整体脑电均值和各数据段均值，比较每个数据段的均值与所述整体脑电均值，若偏差超过30％，则删除该数据段；再比较每个数据段和与其相邻的数据段之间的均值，若偏差超过50％，则删除该数据段；
所述参数计算模块：用于计算各数据段的双尺度熵，并取平均值，得到每位患者于清醒期、麻醉期和恢复期三个状态的特征值，计算各数据段的双尺度熵的方法包括：假设得到的时间序列为x(n)＝xi，i＝1.......，N，N为数据长度；
将xi(j＝1，2...，N)映射到c个类别，标记为1到c；
使用正态累积分布(NCDF)将x映射到y＝{y1，y2，...，yN}，区间为[0,1]；再用线性算法给每个yj赋从0到c的整数， 表示第j个分类时间序列；
创建具有m维和d时间延迟的嵌入向量每一个 都被映射到排序模式 其中信号有m个成员，并且每个成员是1到c的整数之一，能分配给每个时间序列 的可能的排m
对于c中每种可能的排序模式，相对频率计算如下：双尺度熵计算如下:
所述麻醉深度评估模块：用于将每位患者于清醒期、麻醉期和恢复期三个状态的特征值作为输入值，以RBF为核函数，进行模式识别SVM三分类，所获得的分类结果即为麻醉深度的检测结果。
2.根据权利要求1所述的适用不同年龄患者的麻醉状态评估系统，其特征在于，在所述脑电信号采集模块中截取每位患者于清醒期、麻醉期和恢复期的脑电信号，长度各为2min。
3.根据权利要求2所述的适用不同年龄患者的麻醉状态评估系统，其特征在于，在所述前端信号处理模块中，对所述脑电信号进行分段处理包括：以12s长度为一段，每个数据段与上一段数据的重叠率为75％，将时长为2min的所述脑电信号数据分为13段。
4.根据权利要求1所述的适用不同年龄患者的麻醉状态评估系统，其特征在于，在所述前端信号处理模块中，对所述脑电信号进行带通滤波，利用陷波去除50Hz工频干扰，再滤波得到0.1‑45Hz信号，最后数据由128Hz降采样到100Hz。
5.根据权利要求1所述的适用不同年龄患者的麻醉状态评估系统，其特征在于，在所述前端信号处理模块中，比较每个数据段的均值与所述整体脑电均值，若偏差超过30％，则删除该数据段，并重新回到对所述脑电信号进行分段处理的步骤；若偏差小于30％，则进行下一步。
6.根据权利要求1所述的适用不同年龄患者的麻醉状态评估系统，其特征在于，在所述前端信号处理模块中，比较每个数据段和与其相邻的数据段之间的均值，若偏差超过50％，则删除该数据段，并重新回到对所述脑电信号进行分段处理的步骤；若偏差小于50％，则进行下一步。
7.根据权利要求1所述的适用不同年龄患者的麻醉状态评估系统，其特征在于，所述麻醉深度评估模块中，根据SVM二分类模型构造三分类模型OVO‑SVMs，三分类问题被划分为三个基于SVM的二分类问题，将三种状态两两划分，得到三种情况{C1(a,b),C2(a,c),C3(b,c)}，测试时，对结果进行投票，a＝b＝c＝0；
C1，若a win,则a＝a+1；此外,b＝b+1；
C2，若a win,则a＝a+1；此外，c＝c+1；
C3，若b win,则b＝b+1；此外,c＝c+1；
一种适用不同年龄患者的麻醉状态评估系统及方法
技术领域
[0001] 本发明涉及神经信号分析领域，尤其涉及一种适用不同年龄患者的麻醉状态评估系统及方法。
背景技术
[0002] 老年人的麻醉状态难以评估导致的术中麻醉过深与术后认知障碍等问题一直是神经科学领域的难题。在医院广泛使用的脑电双频指数能准确监测成年人的麻醉状态，但
在60岁以上的老年人身上却频频出现问题，因此如何准确的评估老年人的麻醉状态具有十
分重要的医疗与科学意义。
[0003] 研究表明，年龄越高的人对麻醉药物的敏感度越高，在老年患者中达到相同麻醉状态所需的麻醉剂量可以是年轻患者所需麻醉剂量的一半。老年患者较低的麻醉需求是由
于年龄增长引起的心脑血管、呼吸、肝和肾等身体技能的下降。尽管这些因素肯定起作用，
但麻醉作用的主要部位是中枢神经系统。现阶段，通常通过分析热动力学指标的变化，从而
进行麻醉状态的判定，比如排序熵，近似熵，复杂度等，用来进行神经系统分析和脑状态监
测。然而这些方法都只考虑了时间序列上的信号排序，而忽略了信号在各点的幅值，丢失了
大量有效的神经信号信息，从而使计算结果不准确，与神经信号真实信息存在偏差。
[0004] 经上述分析可知，现有的方法无法准确的将不同年龄的人用同一麻醉指标进行麻醉状态评估，鉴于此，特提出本申请。
发明内容
[0005] 本发明的目的在于提供一种适用不同年龄患者的麻醉状态评估系统及方法。本发明从时间序列和幅值两个尺度进行加权计算，能够获得神经信号中的真实信息，可以对人
的麻醉特征指标进行准确的提取，并采用三分类算法，能够更精确的判断不同年龄患者的
麻醉状态。
[0006] 为了实现本发明的上述目的，特采用以下技术方案：
[0007] 一种适用不同年龄患者的麻醉状态评估系统，其包括：脑电信号采集模块、前端信号处理模块、参数计算模块和麻醉深度评估模块；
[0008] 所述脑电信号采集模块：用于采集不同年龄段患者样本的前额双通道脑电信号，并分别截取每位患者于清醒期、麻醉期和恢复期这三个时期内的脑电信号；
[0009] 所述前端信号处理模块：用于对所述脑电信号进行带通滤波，并对所述脑电信号进行分段处理，计算整体脑电均值和各数据段均值，比较每个数据段的均值与所述整体脑
电均值，若偏差超过30％，则删除该数据段；再比较每个数据段和与其相邻的数据段之间的
均值，若偏差超过50％，则删除该数据段；
[0010] 所述参数计算模块：用于计算各数据段的双尺度熵，并取平均值，得到每位患者于清醒期、麻醉期和恢复期三个状态的特征值；
[0011] 所述麻醉深度评估模块：用于将每位患者于清醒期、麻醉期和恢复期三个状态的特征值作为输入值，以RBF为核函数，进行模式识别SVM三分类，所获得的分类结果即为麻醉
深度的检测结果。
[0012] 进一步地，在本发明较佳的实施例中，在所述脑电信号采集模块中截取每位患者于清醒期、麻醉期和恢复期的脑电信号，长度各为2min。
[0013] 进一步地，在本发明较佳的实施例中，在所述前端信号处理模块中，对所述脑电信号进行分段处理包括：以12s长度为一段，每个数据段与上一段数据的重叠率为75％，将时
长为2min的所述脑电信号数据分为13段。
[0014] 进一步地，在本发明较佳的实施例中，在所述前端信号处理模块中，对所述脑电信号进行带通滤波，利用陷波去除50Hz工频干扰，再滤波得到0.1‑45Hz信号，最后数据由
128Hz降采样到100Hz。
[0015] 进一步地，在本发明较佳的实施例中，在所述前端信号处理模块中，比较每个数据段的均值与所述整体脑电均值，若偏差超过30％，则删除该数据段，并重新回到对所述脑电
信号进行分段处理的步骤；若偏差小于30％，则进行下一步。
[0016] 进一步地，在本发明较佳的实施例中，在所述前端信号处理模块中，比较每个数据段和与其相邻的数据段之间的均值，若偏差超过50％，则删除该数据段，并重新回到对所述
脑电信号进行分段处理的步骤；若偏差小于50％，则进行下一步。
[0017] 进一步地，在本发明较佳的实施例中，所述参数计算模块中，计算各数据段的双尺度熵的方法包括：
[0018] 假设得到的时间序列为x(n)＝xi，i＝1.……，N，N为数据长度；
[0019] 将xi(j＝1，2…，N)映射到c个类别，标记为1到c；
[0020] 使用正态累积分布(NCDF)将x映射到y＝{y1，y2，…，yN}，区间为[0,1]；再用线性算法给每个yj赋从0到c的整数， 表示第j个分类时间序列；
[0021] 创建具有m维和d时间延迟的嵌入向量
[0022]
[0023] 每一个 都被映射到排序模式 其中信号有m个成员，并且每个成员是1到c的整数之一，能分配给每个时间序列 的可能的排
m
序模式数量为c；
[0024] 对于cm中每种可能的排序模式，相对频率计算如下：
[0025]
[0026] 双尺度熵计算如下:
[0027]
[0028] 进一步地，在本发明较佳的实施例中，所述麻醉深度评估模块中，根据SVM二分类模型构造三分类模型OVO‑SVMs，三分类问题被划分为三个基于SVM的二分类问题，将三种状
态两两划分，得到三种情况{C1(a,b),C2(a,c),C3(b,c)}，测试时，对结果进行投票，a＝b＝
c＝0；
[0029] C1，若a win,则a＝a+1；此外,b＝b+1；
[0030] C2，若a win,则a＝a+1；此外，c＝c+1；
[0031] C3，若b win,则b＝b+1；此外,c＝c+1；
[0032] 结果是a,b和c中的最大值。
[0033] 一种适用不同年龄患者的麻醉状态评估方法，该评估方法基于上述麻醉状态评估系统，其包括以下步骤：
[0034] 利用所述脑电信号采集模块采集进行全身麻醉的患者在不同麻醉状态下的脑电信号；
[0035] 利用所述前端信号处理模块对所述脑电信号进行分段，并进行预处理以去除干扰；
[0036] 利用所述参数计算模块计算各数据段的双尺度熵，得到每位患者于清醒期、麻醉期和恢复期三个状态的特征值；
[0037] 利用所述麻醉深度评估模块，将每位患者于清醒期、麻醉期和恢复期三个状态的特征值作为输入值，以RBF为核函数，进行模式识别SVM三分类，所获得的分类结果即为麻醉
深度的检测结果。
[0038] 本发明的效果如下：
[0039] 1、在数据提取中，通过数据重叠，计算并比较各段均值来剔除幅值异常的噪声，去除脑电噪声更合理、便捷，将长数据细分为短数据并进行横向和纵向均值比较，使整体数值
更合理。
[0040] 2、在排序熵的基础上，将幅值添加进排序熵的计算中，从时间序列和幅值两个尺度进行加权计算，使该指标变为时间‑幅值的双尺度信号熵，避免了以往熵算法对脑电信号
中幅值信息丢失的不足，能够获得神经信号中的真实信息，可以对人的麻醉特征指标进行
准确的提取，更全面的分析不同年龄人的术中麻醉状态。
[0041] 3、本发明采用三分类算法，在麻醉与清醒的二分类基础上，增加了恢复期作为第三个分类状态，可以更精确的判断不同年龄患者的麻醉状态。所以该方法在对不同年龄患
者的麻醉状态分类有着重要意义。
附图说明
[0042] 图1为本发明实施例的流程图；
[0043] 图2为本发明实施例中SVM的训练结果图；
[0044] 图3为传统排序熵与年龄的拟效果合图；
[0045] 图4为本发明实施例双尺度熵与年龄的拟合效果图。
具体实施方式
[0046] 下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。实施例中未注明具体
条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为
可以通过市售购买获得的常规产品。
[0047] 一种适用不同年龄患者的麻醉状态评估系统，其包括：脑电信号采集模块、前端信号处理模块、参数计算模块和麻醉深度评估模块；
[0048] 脑电信号采集模块：用于采集不同年龄段患者样本的前额双通道脑电信号，并分别截取每位患者于清醒期、麻醉期和恢复期这三个时期内的脑电信号；
[0049] 前端信号处理模块：用于对脑电信号进行带通滤波，并对脑电信号进行分段处理，计算整体脑电均值和各数据段均值，比较每个数据段的均值与整体脑电均值，若偏差超过
30％，则删除该数据段；再比较每个数据段和与其相邻的数据段之间的均值，若偏差超过
50％，则删除该数据段；
[0050] 参数计算模块：用于计算各数据段的双尺度熵，并取平均值，得到每位患者于清醒期、麻醉期和恢复期三个状态的特征值；
[0051] 麻醉深度评估模块：用于将每位患者于清醒期、麻醉期和恢复期三个状态的特征值作为输入值，以RBF为核函数，进行模式识别SVM三分类，所获得的分类结果即为麻醉深度
的检测结果。
[0052] 本实施例是基于上述麻醉状态评估系统的方法，参照图1，包括以下步骤：
[0053] 一、利用脑电信号采集模块采集进行全身麻醉的患者在不同麻醉状态下的脑电信号，该步骤具体包括：
[0054] (1)通过Bispectral采集124名各年龄段患者的前额双通道离散脑电信号，30‑60之间50名为成人组，60‑85之间74名为老年组。
[0055] (2)并分别截取每位患者于清醒期、麻醉期和恢复期这三个时期内的脑电信号，每段脑电信号的时长为2min。
[0056] 需要说明的是，清醒期指患者在给药前所处的状态；麻醉期指患者在给药后至停药前所处的一段状态；恢复期指患者在停药后后至完全清醒的一段状态。
[0057] 二、利用前端信号处理模块对脑电信号进行分段，并进行预处理以去除干扰，该步骤具体包括：
[0058] (1)对脑电信号进行带通滤波，利用陷波去除50Hz工频干扰，再滤波得到0.1‑45Hz信号，最后数据由128Hz降采样到100Hz。
[0059] (2)对脑电信号进行分段处理，以12s长度为一段，每个数据段与上一段数据的重叠率为75％，将时长为2min的脑电信号数据分为13段，并计算整体脑电均值与各数据段均
值。
[0060] (3)比较每个数据段的均值与整体脑电均值，若偏差超过30％，则删除该段，并重新回到步骤(2)；若偏差小于30％，则进行下一步。
[0061] (4)比较每个数据段和与其相邻的数据段之间的均值，若偏差超过50％，则删除该数据段，并重新回到步骤(2)；若偏差小于50％，则进行下一步。
[0062] 三、利用参数计算模块计算各数据段的双尺度熵，得到每位患者于清醒期、麻醉期和恢复期三个状态的特征值；
[0063] 该步骤中计算各数据段的双尺度熵的方法包括：
[0064] 假设得到的时间序列为x(n)＝xi，i＝1.……，N，N为数据长度；
[0065] 将xi(j＝1，2…，N)映射到c个类别，标记为1到c；
[0066] 使用正态累积分布(NCDF)将x映射到y＝{y1，y2，…，yN}，区间为[0,1]；再用线性算法给每个yj赋从0到c的整数， 表示第j个分类时间序列；
[0067] 创建具有m维和d时间延迟的嵌入向量
[0068]
[0069] 每一个 都被映射到排序模式 其中信号有m个成员，并且每个成员是1到c的整数之一，能分配给每个时间序列 的可能的排
m
序模式数量为c；
[0070] 对于cm中每种可能的排序模式，相对频率计算如下：
[0071]
[0072] 双尺度熵计算如下:
[0073]
[0074] 四、利用麻醉深度评估模块，将每位患者于清醒期、麻醉期和恢复期三个状态的特征值作为输入值，以RBF为核函数，进行模式识别SVM三分类，所获得的分类结果即为麻醉深
度的检测结果。
[0075] 该步骤中，将所得124名患者各自的三个状态的特征值作为输入状态，其中80人作为训练样本，44人作为检测样本，以RBF为核函数进行SVM三分类，依据训练结果，得到与年
龄有显著依赖性的麻醉状态监测指标。
[0076] 根据SVM二分类模型构造三分类模型OVO‑SVMs，三分类问题被划分为三个基于SVM的二分类问题，将三种状态两两划分，得到三种情况{C1(a,b),C2(a,c),C3(b,c)}。测试时，
对结果进行投票，a＝b＝c＝0；
[0077] C1，若a win,则a＝a+1；此外,b＝b+1；
[0078] C2，若a win,则a＝a+1；此外，c＝c+1；
[0079] C3，若b win,则b＝b+1；此外,c＝c+1；
[0080] 结果是a、b和c中的最大值。
[0081] 如图2所示，以RBF为核函数，根据LIBSVM构建OVO的三分类模型，其中80人为训练集，44人为测试集，训练结果显示准确度为97.561。
[0082] 将所得患者的脑电数据分别计算双尺度熵和排序熵并以年龄为横坐标做线性拟合，结果如图3和图4所示，拟合结果显示，由于考虑了幅值尺度，双尺度熵年龄拟合函数的
R、F与p值皆优于排序熵，由此说明本发明提供的这种计算双尺度熵的评估方法更适合做年
龄依赖性分析，能够更全面的分析不同年龄人的术中麻醉状态。
[0083] 以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案
做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
