CN118356164B - 一种用于高龄患者的麻醉状态监测方法、系统及装置 - Google Patents

Abstract

本申请涉及麻醉状态监测技术领域，具体涉及一种用于高龄患者的麻醉状态监测方法、系统及装置，该方法包括：采集高龄患者麻醉状态下的脑电信号；基于脑电信号中任一信号点预设窗口内的极值分布情况以及对称分布特征，初步筛选出特征极值点；基于特征极值点之间的距离、分布差异，以及基线漂移的干扰特征，确定特征极值点之间的实际波形近似度，确定所述任一特征极值点的极值性；将特征极值点的极值性优化最小二乘法得到脑电信号拟合后的上、下包络线，同时结合原始脑电信号进行模态分解，对高龄患者进行麻醉状态监测。本申请旨在优化拟合算法中每个特征极值点的优化权重，提高了拟合结果的精度与效率，使得高龄患者的麻醉状态监测效果更好。

Description

一种用于高龄患者的麻醉状态监测方法、系统及装置

技术领域

本申请涉及麻醉状态监测技术领域，具体涉及一种用于高龄患者的麻醉状态监测方法、系统及装置。

背景技术

麻醉是临床外科手术中常见且重要的一个环节。麻醉状态监测是医学以及神经外科领域重点关注的问题。麻醉无论过深还是过浅都会引发严重的后果，给患者的身体和心理造成严重的危害。麻醉过程中过量的麻醉剂会导致恢复期和昏迷状态的延长，而麻醉药物剂量不足可能导致患者在手术过程中苏醒。在手术中对麻醉深度及时、有效地估计可以指导麻醉师临床用药，降低患者术中风险，为病人提供一个安全、稳定的手术过程。大脑是麻醉药物直接作用的中枢神经，目前麻醉深度监测往往都是基于脑电信号完成的，然而在采集脑电信号过程中，由于患者本身以及采集环境等因素，存在的噪声和干扰往往多种多样。

传统的脑电信号中去除基线漂移的方法往往是通过EMD算法进行的，在使用EMD算法对脑电信号进行分解时，往往需要获取脑电信号的局部极值点，通过局部极值点进行拟合得到信号的上包络线和下包络线。其中局部极值点拟合的精度直接影响了本征模态函数的提取精度，可能导致提取的本征模态函数包含噪声或错误的振动成分，进而影响EMD算法去除基线漂移的精度。在对局部极值点进行拟合时，由于脑电信号受到噪声和多种干扰，对脑电信号进行局部极值点提取时，提取出的局部极值点可能存在因干扰而误提取出的干扰局部极值点。而将干扰局部极值点进行拟合时，极易造成拟合精度较差的现象。

发明内容

为了解决上述技术问题，本申请的目的在于提供一种用于高龄患者的麻醉状态监测方法、系统及装置，所采用的技术方案具体如下：

第一方面，本申请实施例提供了一种用于高龄患者的麻醉状态监测方法，该方法包括以下步骤：

采集外科手术过程中高龄患者麻醉状态下的脑电信号；

基于脑电信号中任一信号点预设窗口内的极值分布情况以及对称分布特征，确定所述任一信号点的极值特征符合度，初步筛选出特征极值点；

基于特征极值点与其在脑电信号中相邻特征极值点之间的距离，确定特征极值点的波形区间的长度；基于波形区间之间的分布差异，确定特征极值点之间的波形近似度；基于脑电信号中基线漂移的干扰特征对波形近似度进行优化，确定特征极值点之间的实际波形近似度；

基于特征极值点之间的实际波形近似度差异、时序距离分布差异，以及所述极值特征符合度，确定所述任一特征极值点的极值性；

将具有相同极性的特征极值点的极值性作为最小二乘法的残差函数的优化权重，分别得到脑电信号拟合后的上、下包络线；基于上、下包络线以及原始脑电信号进行模态分解，得到移除基线漂移后的脑电信号，对高龄患者进行麻醉状态监测。

优选地，所述初步筛选出极值点的过程包括：

当所述任一信号点的幅值不是其所在窗口内的极值点时，则不对该信号点进行局部极值点的初步筛选分析；否则，局部极值点的初步筛选过程如下：

对于窗口内的每个信号点，将每个信号点与其所在窗口的中心信号点方向所在一侧相邻的信号点之间的幅值差异，记为每个信号点的变化特征值；

以窗口内的中心信号点为中心、两侧对应的信号点分别记为信号点对；

将每个信号点对之间的幅值差异与变化特征值差异进行正向融合，计算所述任一信号点窗口内所有信号点对的正向融合结果的累加值；

基于所述累加值确定所述任一信号点的极值特征符合度；其中，所述累加值与所述极值特征符合度呈负相关关系；

设置筛选阈值；将极值特征符合度大于等于筛选阈值的信号点记为初步筛选的极值点。

优选地，所述特征极值点之间的波形近似度的确定方法包括：

对于任意两个特征极值点的两个波形区间，将两个波形区间内信号点之间的距离、两个波形区间内信号点的数量差异以及两个波形区间所属特征极值点之间的幅值差异，进行相乘；

基于相乘的结果确定任意两个特征极值点之间的波形近似度；其中，相乘的结果与任意两个特征极值点之间的波形近似度呈负相关关系；

其中，在计算特征极值点之间的波形近似度时，特征极值点之间极性相同。

优选地，所述特征极值点之间的实际波形近似度的确定方法包括：

对于任意两个特征极值点，分别记为第一特征点和第二特征点；

获取与第一特征点极性相同，且与其位置最邻近的特征极值点，作为第一特征点的最邻近特征点；

获取与第二特征点最邻近的预设数量个特征极值点中，与所述最邻近特征点之间的波形近似度最大的特征极值点，作为所述最邻近特征点的同波形特征点；

采用优化算法，将所述最邻近特征点以及同波形特征点的波形区间分别减去一个预设幅值后，获取实际波形近似度为最小值时的最优解，基于最优解确定所述最邻近特征点与同波形特征点之间的基线漂移干扰度；

将所述最邻近特征点与同波形特征点之间的基线漂移干扰度，作为第一特征点和第二特征点的优化权重，将第一特征点和第二特征点的波形近似度与优化权重的乘积，作为第一特征点和第二特征点的实际波形近似度。

优选地，所述最邻近特征点与同波形特征点之间的基线漂移干扰度的确定方法包括：

将所述最邻近特征点的波形区间内所有信号点的幅值减去第一参数，将所述同波形特征点的波形区间内所有信号点的幅值减去第二参数；

将分别减去第一参数与第二参数后的两个波形区间所属的两个特征极值点之间的实际波形近似度的计算过程，作为优化算法的目标函数；

获取优化算法的最小目标函数的最优解；其中，所述最优解为最小目标函数对应的两个波形分别减去的第一参数和第二参数；

将第一参数与第二参数的差异作为所述最邻近特征点与同波形特征点之间的基线漂移干扰度。

优选地，所述任一特征极值点的极值性的确定方法包括：

对于任一特征极值点，将除任一特征极值点外的其余所有特征极值点进行聚类，距离度量为其余所有特征极值点与所述任一特征极值点之间的实际波形近似度差异，得到若干个聚类簇；

将聚类簇中所有特征极值点与所述任一特征极值点之间的实际波形近似度差异的平均值最大的聚类簇内的特征极值点，记为所述任一特征极值点的同类极值点；

计算所述任一特征极值点与其同类极值点之间的实际波形近似度均值，记为分母；计算所述任一特征极值点与其同类极值点之间的时序距离方差，记为分子；将分子与分母的比值作为所述任一特征极值点的极值干扰度；

结合所述任一特征极值点的极值特征符合度与极值干扰度，确定所述任一特征极值点的极值性；其中，所述极值性与所述极值特征符合度呈正相关关系，与所述极值干扰度呈负相关关系。

优选地，所述脑电信号拟合后的上、下包络线的得到方法包括：

对特征极值点中的极大值点和极小值点分别使用拟合算法，将特征极值点的极值性作为拟合算法中的残差函数的优化权重进行拟合，获取脑电信号的上、下包络线。

优选地，所述基于上、下包络线以及原始脑电信号进行模态分解，得到移除基线漂移后的脑电信号，对高龄患者进行麻醉状态监测，包括：

基于上、下包络线以及原始脑电信号获取EMD模态分解中的一阶本征模态函数，将原始脑电信号减去第一阶本征模态函数得到残差，将残差作为新的原始脑电信号重复获取本征模态函数，直至得到预设阶数的本征模态函数；

将前若干个本征模态函数进行信号重构，得到移除基线漂移后的脑电信号；

基于移除基线漂移后的脑电信号进行麻醉状态监测，通过神经网络获取高龄患者的麻醉深度，网络的输入为移除基线漂移后高龄患者在麻醉过程中的脑电信号，网络的输出为麻醉阶段，所述麻醉阶段包括清醒阶段、中度麻醉阶段、深度麻醉阶段。

第二方面，本申请实施例提供了一种用于高龄患者的麻醉状态监测系统，所述系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述一种用于高龄患者的麻醉状态监测方法的步骤。

第三方面，本申请实施例还提供了一种用于高龄患者的麻醉状态监测装置，所述麻醉状态监测装置包括计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述一种用于高龄患者的麻醉状态监测方法。

由以上实施例可见，本申请实施例提供的一种用于高龄患者的麻醉状态监测方法、系统及装置，至少具有如下有益效果：

本申请中通过对脑电信号中局部极值点的特征进行分析，通过提取窗口内信号的变化来构建信号点的极值特征符合度，进而完成特征极值点的初步提取，提取出的特征极值点的局部信号变化越符合脑电信号中具有高价值的极值点的特征，其所对应的极值特征符合度越大；通过特征极值点与其邻近特征极值点之间的信号变化获取极值点的对应波形区间，用于反映不同波形的特征；通过波形区间之间的变化来反映特征极值点之间的波形近似度，基于脑电信号基线漂移的干扰特征对波形近似度进行优化，得到实际波形近似度；用来判断不同时刻的波形是否为同一类波形的同时，还考虑到现实条件下由于高龄患者自身的移动以及外界等因素产生的基线漂移，使得存在基线漂移的特征极值点减小对其进行线性拟合的权重；基于实际波形近似度以及同类极值点的时序距离分布特征构建极值干扰度，基于极值干扰度与极值特征符合度构建特征极值点的极值性，将极值点的极值性作为最小二乘法的残差函数的优化权重，使得极值性较大的特征极值点对拟合函数获取的影响越大，减少了特征极值点受到干扰的影响，提高了拟合结果的精度与效率，进而提高了包络线的获取精度。本申请通过上下包络线以及原始信号获取相应的IMF分量，提高了模态分解的分解效果，进而提高了EMD模态分解对基线漂移干扰的移除精度与效率，使得高龄患者的麻醉状态监测效果更好。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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为本申请一个实施例提供的一种用于高龄患者的麻醉状态监测方法的步骤流程图；

图2为本申请一个实施例提供的特征极值点之间的实际波形近似度的确定步骤流程图。

具体实施方式

为了更进一步阐述本申请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，对依据本申请提出的一种用于高龄患者的麻醉状态监测方法、系统及装置，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，一个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。

除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。本文所使用的所有的技术和科学术语与属于本申请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申请所提供的一种用于高龄患者的麻醉状态监测方法、系统及装置的具体方案。

请参阅图1，其示出了本申请一个实施例提供的一种用于高龄患者的麻醉状态监测方法的步骤流程图，该方法包括以下步骤：

第一个步骤，采集外科手术过程中高龄患者麻醉状态下的脑电信号。

本实施例中使用非介入式采集法采集高龄患者在麻醉状态下的脑电信号，即将电极置于高龄患者头皮上记录信号。

本实施例使用了多电极对脑电信号进行采集，通过标准电极片来采集脑电数据，采样频率为256HZ，该电极包含四个电极片，电极贴在患者的前额上面。所有采集的脑电信号包括整个麻醉过程中高龄患者的完整脑电数据。

至此，即可完成外科手术过程中高龄患者麻醉状态下的脑电信号。

第二个步骤，基于脑电信号中任一信号点预设窗口内的极值分布情况以及对称分布特征，确定所述任一信号点的极值特征符合度，初步筛选出特征极值点。

脑电信号采集的过程中，由于高龄患者本身以及采集环境等因素，存在的噪声和干扰种类较多，其中基线漂移是最常见的一种干扰。基线漂移是一种频率很低的干扰，受到基线漂移的脑电信号幅值会增大，基线漂移主要是由高龄患者的呼吸、移动以及电极片的移动造成。高龄患者的呼吸会造成患者的身体出现一定幅度的起伏，这种情况产生的基线漂移是无法避免的。另外，由于手术需要，在手术的过程中医生可能需要移动病人，这也会造成很大幅度的基线漂移。其次，由于手术时间较长，手术室环境较为复杂，在手术过程可能因病人的出汗、电极膏粘性的降低以及无意碰到导线等一些外界因素，从而造成采集脑电信号的电极片发生一定程度的位置上的改变，进而引发基线漂移。基线漂移的去除效果直接关系到从脑电信号中提取到的特征值的准确性，所以在提取特征值之前必须有效地去除这类噪声。

传统的脑电信号的基线漂移去除往往是通过EMD算法进行的，在使用EMD算法对脑电信号进行分解时，往往需要获取脑电信号的局部极值点，通过局部极值点进行拟合得到信号的上包络线和下包络线。基于上包络线与原始信号来获取本征模态函数（IMF），故局部极值点拟合的精度直接影响了本征模态函数的提取精度，如果局部极值点拟合不准确可能导致提取的本征模态函数包含噪声或错误的振动成分，进而影响EMD算法去除基线漂移的精度。

在对局部极值点进行拟合时，由于脑电信号受到噪声和多种干扰，对脑电信号进行局部极值点提取时，提取出的局部极值点可能存在因干扰而误提取出的干扰局部极值点。而将干扰局部极值点进行拟合时，极易造成拟合精度较差的现象。

据此，根据上述分析，本实施例首先对高龄患者的脑电信号中的每个信号点为中心信号点，设置一个的窗口，如果信号点为局部极值点，则窗口内以中心信号点两侧的信号会具有对称特征，且中心信号点也应该为窗口中的极值点。在本申请其他实施例中窗口的大小可根据具体情况由实施者自行设定，同时需要限制窗口的大小为奇数。

首先判断信号点的幅值是否为窗口内信号点幅值的极值，如果不是极值则不需要对该信号点进行局部极值点的初步筛选；当信号点的幅值是其所在窗口内信号点幅值的极值时，则继续分析判断该信号点是否为脑电信号中的局部极值点。

根据脑电信号波形特点可知，脑电信号的局部极值点应符合局部幅值最大或最小，且其所在窗口内以该信号点为中心的两侧信号点幅度变化应趋于一致。基于此特征构建信号点的极值特征符合度。具体过程如下：

对于窗口内的每个信号点，将每个信号点与其所在窗口的中心信号点方向所在一侧相邻的信号点之间的幅值差异，记为每个信号点的变化特征值；以窗口内的中心信号点为中心、两侧对应的信号点分别记为信号点对；将每个信号点对之间的幅值差异与变化特征值差异进行正向融合，计算所述任一信号点窗口内所有信号点对的正向融合结果的累加值；基于所述累加值确定所述任一信号点的极值特征符合度；其中，所述累加值与所述极值特征符合度呈负相关关系。

在本实施例中，上述提到的幅值差异与变化特征值差异，分别为计算幅值之间的差值绝对值、变化特征值之间的差值绝对值。

可以理解的是，正向融合为将数据进行相加、相乘等的计算方法进行融合，数据之间具有相同意义的变化趋势关系。

可以理解的是，负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定，本申请不做特殊限制。

应当理解的是，窗口内以中心信号点为中心的两侧信号点的幅值以及变化特征值之间的差异越接近、且该中心信号点的幅值为窗口内的最大值或最小值，说明该中心信号点的局部信号变化越符合极值点特征，其所对应的极值特征符合度越大。

根据上述步骤对外科手术过程中高龄患者麻醉状态下的脑电信号数据进行了极值特征符合度的构建，计算脑电信号中所有待进行局部极值点初步筛选的信号点的极值特征符合度平均值，将其作为筛选阈值对脑电信号中的信号点进行判断，其中，将极值特征符合度大于等于筛选阈值的信号点记为初步筛选出的特征极值点。

第三个步骤，基于特征极值点与其在脑电信号中相邻特征极值点之间的距离，确定特征极值点的波形区间的长度；基于波形区间之间的分布差异，确定特征极值点之间的波形近似度；基于脑电信号中基线漂移的干扰特征对波形近似度进行优化，确定特征极值点之间的实际波形近似度。

其中，特征极值点之间的实际波形近似度的确定步骤流程图如附图2所示。

第一个小步骤，基于特征极值点与其在脑电信号中相邻特征极值点之间的距离，确定特征极值点的波形区间的长度。

对初步筛选出的特征极值点进行进一步分析，可以通过获取其所在的波形区间，目的是为了通过波形区间内的信号变化，来判断不同时刻的波形是否为同一类波形，即反映不同波形的特征，进而完成特征极值点相应指标构建。特征极值点的波形区间的长度的具体确定方法为：

获取特征极值点的波形区间的长度的方法具体为：获取特征极值点与其左、右两侧相邻特征极值点之间的时间间隔均值，将时间间隔均值作为以特征极值点为中心的波形区间的长度。

第二个小步骤，基于波形区间之间的分布差异，确定特征极值点之间的波形近似度。

根据上述步骤每个特征极值点均可获取相应的波形区间。由于患者的脑电图中的脑电信号往往表现为不同频率且幅值不同的波形，但脑电波形的频率范围是固定的，例如脑电信号中的α波为8-12 Hz；θ波为4-8 Hz。故对于从脑电信号中提取出的特征极值点而言，往往存在与之近似的特征极值点，故可通过特征极值点之间的局部近似状况与分布特征来反映特征极值点所受到的干扰程度。

故对于特征极值点而言，可获取不同特征极值点所对应波形区间的波形近似度，需要说明的是下述步骤在进行波形近似度计算时，极大值点只与极大值点进行计算波形近似度，而极小值点只与极小值点进行计算波形近似度，具体过程如下：

对于任意两个特征极值点的两个波形区间，将两个波形区间内信号点之间的距离、两个波形区间内信号点的数量差异以及两个波形区间所属特征极值点之间的幅值差异，进行相乘；基于相乘的结果确定任意两个特征极值点之间的波形近似度；其中，相乘的结果与任意两个特征极值点之间的波形近似度呈负相关关系。

优选地，在本实施例中，上述提到的根据负相关关系得到波形近似度的具体计算过程为：将相乘的结果的相反数作为以自然常数e为底数的指数函数的指数，将指数函数的计算结果作为波形近似度。

在本实施例中，上述计算过程中使用到的距离采用DTW距离进行计算，DTW距离为公知技术，此处不再赘述。在本申请其他实施例中，还可将欧式距离、皮尔逊相关系数的负线性关系用来计算距离。负线性关系是指将数据按照一定的权重的得到的数据的相反关系。

应当理解的是，通过波形区间的振幅、频率以及局部信号的变化反映了波形区间内的波形特征，通过波形特征的变化构建了两个波形区间的波形近似度，波形近似度越大，则说明极值点所对应的波形越可能为同一类型的波形。

第三个小步骤，基于脑电信号中基线漂移的干扰特征对波形近似度进行优化，确定特征极值点之间的实际波形近似度。

根据上述步骤每个特征极值点均与其极性相同的特征极值点存在相应的波形近似度，而脑电信号在采集时，往往受到基线漂移的干扰，同时由于麻醉过程中不同阶段时刻脑电信号所受到的基线漂移的干扰可能不同，导致波形区间的波形近似度出现偏差，而基线漂移对脑电信号的干扰在脑电信号局部范围内的干扰变化较小，即局部脑电信号受到的基线漂移干扰是接近的。故本申请基于脑电信号中基线漂移的干扰特征对波形近似度进行优化，得到实际波形近似度，用于提高特征极值点的极值性的构建精度，具体方法为：

对于任意两个特征极值点，分别记为第一特征点和第二特征点；

获取与第一特征点极性相同，且与其位置最邻近的特征极值点，作为第一特征点的最邻近特征点；获取与第二特征点最邻近的预设数量个特征极值点中，与所述最邻近特征点之间的波形近似度最大的特征极值点，作为所述最邻近特征点的同波形特征点；

将所述最邻近特征点的波形区间内所有信号点的幅值减去第一参数，将所述同波形特征点的波形区间内所有信号点的幅值减去第二参数，将分别减去第一参数与第二参数后的两个波形区间所属的两个特征极值点之间的实际波形近似度的计算过程，作为优化算法的目标函数，获取优化算法的最小目标函数的最优解；其中，所述最优解为最小目标函数对应的第一参数和第二参数；将第一参数与第二参数的差异作为所述最邻近特征点与同波形特征点之间的基线漂移干扰度；

将所述最邻近特征点与同波形特征点之间的基线漂移干扰度，作为第一特征点和第二特征点的优化权重，将第一特征点和第二特征点的波形近似度与优化权重的乘积，作为第一特征点和第二特征点的实际波形近似度。

需要说明的是，本实施例设置预设数量为10，实施者可根据实际情况自行调节。优化算法在本实施例中选择粒子群优化算法，粒子群优化算法为公知技术不再赘述，在本申请其他实施例中还可采用其他优化算法进行计算。

应当理解的是，所述最邻近特征点的同波形特征点，即表示所述最邻近特征点与同波形特征点之间很大程度上可以表征同一波形。将属于第一特征点与第二特征点的两个具有同波形的特征极值点的波形区间进行分析，将两个波形区间中的信号分别减去预设幅值，当达到最优解时，最优解所对应的两个参数之间的差异可以用来评价两个波形区间之间的差异程度，当差异程度越大，说明这两个波形区间中存在基线漂移的干扰度越大，将基线漂移的干扰度用于反映第一特征点与第二特征点之间的波形相似情况的真实情况，从而修正第一特征点与第二特征点之间的波形近似度，得到第一特征点与第二特征点之间的实际波形近似度，能够更加真实反应第一特征点与第二特征点之间的波形情况。

第四个步骤，基于特征极值点之间的实际波形近似度差异、时序距离分布差异，以及所述极值特征符合度，确定所述任一特征极值点的极值性。

根据上述步骤完成了特征极值点之间的实际波形近似度的构建。为了筛选出与任一特征极值点的波形之间最为接近的特征极值点，本申请采用聚类算法获取任一特征极值点的同类极值点，这些同类极值点具有与所述对应的特征极值点相似的波形特征。

对于任一特征极值点，将除任一特征极值点外的其余所有特征极值点进行聚类，本实施例中设置聚类簇数量K=2，随机选择初始聚类中心，距离度量为其余所有特征极值点与所述任一特征极值点之间的实际波形近似度差异，得到两个聚类簇，将聚类簇中所有特征极值点与所述任一特征极值点之间的实际波形近似度差异的平均值最大的聚类簇内的特征极值点，记为所述任一特征极值点的同类极值点。

优选地，在本实施例中，将实际波形近似度差异设置为实际波形近似度之间的差值绝对值。

在本实施例中，聚类算法采用k-means均值聚类算法，k-means均值聚类算法的聚类过程为公知技术，此处不再赘述。在本申请其他实施例中还可采用DBSCAN算法、密度聚类算法等其他合适的算法进行聚类。

由于任一特征极值点与其同类极值点之间，不仅需要考虑其波形形态，还需要考虑与其波形形态相近的同类极值点相对于所述任一特征极值点的分布情况，以及来共同评价所述任一特征极值点是否受到干扰的程度，具体为：

计算所述任一特征极值点与其同类极值点之间的实际波形近似度均值，记为分母；计算所述任一特征极值点与其同类极值点之间的时序距离方差，记为分子；将分子与分母的比值作为所述任一特征极值点的极值干扰度。

应当理解的是，极值干扰度越大，即任一特征极值点与其同类极值点之间的波形越不相似，且任一特征极值点与其同类极值点之间的时序距离分布越不集中，则说明所述任一特征极值点所对应的波形受到干扰的可能性越大，所述任一特征极值点受到干扰的可能性也越大，则其在进行包络线拟合时所对应的权重越小。

结合所述任一特征极值点的极值特征符合度与极值干扰度，确定所述任一特征极值点的极值性；其中，所述极值性与所述极值特征符合度呈正相关关系，与所述极值干扰度呈负相关关系。

在本实施例中，将所述极值特征符合度与所述极值干扰度的比值作为所述极值性。

可以理解的是，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定，本申请不做特殊限制。

至此，根据上述步骤完成了脑电信号数据中每个特征极值点的极值性的构建。

第五个步骤，将具有相同极性的特征极值点的极值性作为最小二乘法的残差函数的优化权重，分别得到脑电信号拟合后的上、下包络线；基于上、下包络线以及原始脑电信号进行模态分解，得到移除基线漂移后的脑电信号，对高龄患者进行麻醉状态监测。

对特征极值点中的极大值点和极小值点分别使用拟合算法，将特征极值点的极值性作为拟合算法中的残差函数的优化权重进行拟合，获取脑电信号的上、下包络线。其中，本实施例使用最小二乘法拟合算法进行拟合，最小二乘法拟合算法的拟合过程为公知技术，此处不再赘述。

应当理解的是，本申请根据极值点的极值性作为拟合算法中的残差函数的优化权重，使得极值性较大的特征极值点对拟合函数生成的影响越大，减少了生成拟合函数时受到干扰的特征极值点的影响，提高了数据拟合的精度与效率，进而提高了包络线的获取精度。

根据上述步骤完成了脑电信号模态分解过程中上、下包络线的获取，基于上、下包络线以及原始脑电信号获取EMD模态分解中的一阶本征模态函数，将原始脑电信号减去第一阶本征模态函数得到残差，将残差作为新的原始脑电信号重复获取本征模态函数，直至得到预设阶数的本征模态函数。

其中，本实施例将EMD模态分解的分解层数设置为9，实施者可根据实际情况自行设定。本征模态函数的获取过程为公知技术不再赘述。

而基线漂移的噪声主要分布于后面的本征模态函数中，据此，本实施例将前m个本征模态函数进行信号重构，得到移除基线漂移后的脑电信号。其中，m在本实施例中设置为6，实施者可根据实际情况自行设定。

其中，信号重构的过程为公知技术不再赘述。

基于移除基线漂移后的脑电信号进行麻醉状态监测，通过神经网络来获取高龄患者的麻醉深度，网络的输入为移除基线漂移后高龄患者在麻醉过程中的脑电信号，网络的输出为麻醉阶段，所述麻醉阶段包括清醒阶段、中度麻醉阶段、深度麻醉阶段。

其中，本实施例中采用图卷积神经网络获取移除基线漂移后高龄患者在麻醉过程中的脑电信号的麻醉阶段，图卷积神经网络的计算过程为公知技术不再赘述。

基于与上述方法相同的发明构思，本申请实施例还提供了一种用于高龄患者的麻醉状态监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述一种用于高龄患者的麻醉状态监测方法的步骤。

基于与上述方法相同的发明构思，本申请实施例还提供了一种用于高龄患者的麻醉状态监测装置，包括存储在所述麻醉状态监测装置中的计算机程序，所述麻醉状态监测装置中的处理器执行所述计算机程序时实现上述任意一项所述一种用于高龄患者的麻醉状态监测方法的步骤。

本申请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。

需要说明的是，除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。

本领域技术人员在考虑说明书及实践这里的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (10)

1.一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，该方法包括以下步骤：

采集外科手术过程中高龄患者麻醉状态下的脑电信号；

基于脑电信号中任一信号点预设窗口内的极值分布情况以及对称分布特征，确定所述任一信号点的极值特征符合度，初步筛选出特征极值点；

基于特征极值点与其在脑电信号中相邻特征极值点之间的距离，确定特征极值点的波形区间的长度；基于波形区间之间的分布差异，确定特征极值点之间的波形近似度；基于脑电信号中基线漂移的干扰特征对波形近似度进行优化，确定特征极值点之间的实际波形近似度；

基于特征极值点之间的实际波形近似度差异、时序距离分布差异，以及所述极值特征符合度，确定任一所述特征极值点的极值性；

将具有相同极性的特征极值点的极值性作为最小二乘法的残差函数的优化权重，分别得到脑电信号拟合后的上、下包络线；基于上、下包络线以及原始脑电信号进行模态分解，得到移除基线漂移后的脑电信号。

2.如权利要求1所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，所述初步筛选出特征极值点的过程包括：

当所述任一信号点的幅值不是其所在窗口内的极值点时，则不对该信号点进行特征极值点的初步筛选分析；否则，特征极值点的初步筛选过程如下：

对于窗口内的每个信号点，将每个信号点与其所在窗口的中心信号点方向所在一侧相邻的信号点之间的幅值差异，记为每个信号点的变化特征值；

以窗口内的中心信号点为中心、两侧对应的信号点分别记为信号点对；

将每个信号点对之间的幅值差异与变化特征值差异进行正向融合，计算所述任一信号点窗口内所有信号点对的正向融合结果的累加值；

基于所述累加值确定所述任一信号点的极值特征符合度；其中，所述累加值与所述极值特征符合度呈负相关关系；

设置筛选阈值；将极值特征符合度大于或等于筛选阈值的信号点记为初步筛选的特征极值点。

3.如权利要求1所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，所述特征极值点之间的波形近似度的确定方法包括：

对于任意两个特征极值点的两个波形区间，将两个波形区间内信号点之间的距离、两个波形区间内信号点的数量差异以及两个波形区间所属特征极值点之间的幅值差异，进行相乘；

基于相乘的结果确定任意两个特征极值点之间的波形近似度；其中，相乘的结果与任意两个特征极值点之间的波形近似度呈负相关关系；

其中，在计算特征极值点之间的波形近似度时，特征极值点之间极性相同。

4.如权利要求3所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，所述特征极值点之间的实际波形近似度的确定方法包括：

对于任意两个特征极值点，分别记为第一特征点和第二特征点；

获取与第一特征点极性相同，且与其位置最邻近的特征极值点，作为第一特征点的最邻近特征点；

获取与第二特征点最邻近的预设数量个特征极值点中，与所述最邻近特征点之间的波形近似度最大的特征极值点，作为所述最邻近特征点的同波形特征点；

采用优化算法，将所述最邻近特征点以及同波形特征点的波形区间分别减去一个预设幅值后，获取实际波形近似度为最小值时的最优解，基于最优解确定所述最邻近特征点与同波形特征点之间的基线漂移干扰度；

将所述最邻近特征点与同波形特征点之间的基线漂移干扰度，作为第一特征点和第二特征点的优化权重，将第一特征点和第二特征点的波形近似度与优化权重的乘积，作为第一特征点和第二特征点的实际波形近似度。

5.如权利要求4所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，所述最邻近特征点与同波形特征点之间的基线漂移干扰度的确定方法包括：

将所述最邻近特征点的波形区间内所有信号点的幅值减去第一参数，将所述同波形特征点的波形区间内所有信号点的幅值减去第二参数；

将分别减去第一参数与第二参数后的两个波形区间所属的两个特征极值点之间的实际波形近似度的计算过程，作为优化算法的目标函数；

获取优化算法的最小目标函数的最优解；其中，所述最优解为最小目标函数对应的两个波形分别减去的第一参数和第二参数；

将第一参数与第二参数的差异作为所述最邻近特征点与同波形特征点之间的基线漂移干扰度。

6.如权利要求1所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，任一所述特征极值点的极值性的确定方法包括：

对于任一特征极值点，将除任一特征极值点外的其余所有特征极值点进行聚类，距离度量为其余所有特征极值点与所述任一特征极值点之间的实际波形近似度差异，得到若干个聚类簇；

将聚类簇中所有特征极值点与所述任一特征极值点之间的实际波形近似度差异的平均值最大的聚类簇内的特征极值点，记为所述任一特征极值点的同类极值点；

计算所述任一特征极值点与其同类极值点之间的实际波形近似度均值，记为分母；计算所述任一特征极值点与其同类极值点之间的时序距离方差，记为分子；将分子与分母的比值作为所述任一特征极值点的极值干扰度；

结合所述任一特征极值点的极值特征符合度与极值干扰度，确定任一所述特征极值点的极值性；其中，所述极值性与所述极值特征符合度呈正相关关系，与所述极值干扰度呈负相关关系。

7.如权利要求1所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，所述脑电信号拟合后的上、下包络线的得到方法包括：

对特征极值点中的极大值点和极小值点分别使用拟合算法，将特征极值点的极值性作为拟合算法中的残差函数的优化权重进行拟合，获取脑电信号的上、下包络线。

8.如权利要求1所述的一种用于高龄患者麻醉状态监测的脑电信号处理方法，其特征在于，所述基于上、下包络线以及原始脑电信号进行模态分解，得到移除基线漂移后的脑电信号，包括：

基于上、下包络线以及原始脑电信号获取EMD模态分解中的第一阶本征模态函数，将原始脑电信号减去第一阶本征模态函数得到残差，将残差作为新的原始脑电信号重复获取本征模态函数，直至得到预设阶数的本征模态函数；

将前若干个本征模态函数进行信号重构，得到移除基线漂移后的脑电信号。

9.一种用于高龄患者麻醉状态监测的脑电信号处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述一种用于高龄患者麻醉状态监测的脑电信号处理方法的步骤。

10.一种用于高龄患者麻醉状态监测的脑电信号处理装置，所述脑电信号处理装置存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任意一项所述一种用于高龄患者麻醉状态监测的脑电信号处理方法。