【摘要】：麻醉通過抑制中樞神經(jīng)系統(tǒng),達到意識消失的目的,監(jiān)測麻醉的鎮(zhèn)靜深度對于判斷術中的腦意識狀態(tài)尤為重要。而腦電圖能夠反映麻醉中神經(jīng)元的興奮或抑制,進而反映大腦意識的興奮或抑制的程度。因此,利用腦電信號,可以直接分析大腦鎮(zhèn)靜程度,并可作為一種術中監(jiān)測手段,來反饋麻醉的鎮(zhèn)靜狀態(tài),調整手術中麻醉藥物的用量。腦電雙頻指數(shù)作為當今比較權威的鎮(zhèn)靜狀態(tài)監(jiān)測指標,普遍用于術中麻醉深度的監(jiān)測,但其計算方法及各個參數(shù)的組合關系不公開,且以它為指標的麻醉監(jiān)護儀價格昂貴。而其他單一的指標,如熵、Nacrotrend、頻譜能量等,通常無法滿足對不同鎮(zhèn)靜深度的準確監(jiān)測。對此,本文基于腦電信號,提出了鎮(zhèn)靜特征組合監(jiān)測指標,以及圖像特征的鎮(zhèn)靜狀態(tài)識別。首先,針對單通道的麻醉腦電信號采取了多種去噪方法,去除了50Hz工頻、基線漂移等噪聲。在此基礎上,我們提取了9個麻醉腦電信號的鎮(zhèn)靜監(jiān)測指標,這些參數(shù)是應用于麻醉的常規(guī)特征參數(shù),并且在很多文獻中被證明與麻醉特征及年齡特征相關。其次,采用隨機森林方法訓練多棵分類樹,對比多種機器學習分類算法,對清醒期、麻醉期、恢復期及爆發(fā)抑制期的測試樣本實現(xiàn)了準確預測。進而提出了一種多個麻醉腦電特征組合監(jiān)測鎮(zhèn)靜狀態(tài)的特征指標,實現(xiàn)了成人和小孩在不同麻醉藥物控制下,病人不同鎮(zhèn)靜狀態(tài)的準確分類。采用粒子群優(yōu)化算法優(yōu)化的支持向量機回歸方法,實現(xiàn)了對腦電雙頻指數(shù)相對準確的回歸擬合。最后,基于來自成人和小孩在不同麻醉藥物控制下的腦電信號,分析了腦電的頻譜特征圖和遞歸圖在不同麻醉鎮(zhèn)靜狀態(tài)下的差異。應用卷積神經(jīng)網(wǎng)絡的方法,搭建了具有多個卷積層和池化層的神經(jīng)網(wǎng)絡,對4種鎮(zhèn)靜狀態(tài)的特征圖片集進行了特征學習和鎮(zhèn)靜狀態(tài)識別,分析了卷積神經(jīng)網(wǎng)絡在識別麻醉鎮(zhèn)靜狀態(tài)方面的性能,驗證了基于深度學習方法,將腦電頻譜特征圖像用于麻醉鎮(zhèn)靜深度識別的可行性。
【圖文】：

圖 2-1 RF 算法分類流程具體分類算法流程如下：待生成的多棵分類樹的規(guī)模為H ，利用袋裝法(Bagging)將用于個自助子樣本集，每次未被抽到的數(shù)據(jù)樣本構成了袋外數(shù)據(jù)(OuH 個自助樣本集就生成H 棵分類樹。樣本有K 個特征，在每棵樹每個內部的節(jié)點中，隨機在K 個特征( k K)。在這k 個候選特征里挑選出一個最佳特征，用于在。此過程基于節(jié)點不純度最小原則，每棵分類樹充分生長，不進葉子節(jié)點處達到不純度最小。以上過程生長成多棵分類樹，形成RF，，用于預測新樣本，預測最終投票結果，采用多數(shù)投票法輸出樣本類別。完成后，測試樣本s經(jīng)每棵樹至某一個葉子節(jié)點，則測試樣本s屬：

ik 于 1995 年提出，是機器學習分類方和無監(jiān)督的學習中[23, 24]。SVM 方法可cation, SVC)，用于模式識別；還可ion, SVR)，主要適用于時間序列。分離兩類數(shù)據(jù)樣本。SVM 試圖最大限分類間隔，從而降低泛化誤差。為便本映射到高維度的特征空間中，利用M 能夠很好地在高維特征空間中執(zhí)行以找到模型復雜度和泛化能力之間的]，在分類問題中具有較好的泛化能力VM 最優(yōu)分類超平面，圓和叉分別代表支持向量位于紅色虛線上，紅色實線
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R614;TN911.7

【相似文獻】

相關期刊論文 前10條

1 韋曉燕;陳子怡;周毅;;基于多尺度排列熵的腦電信號分類[J];中國數(shù)字醫(yī)學;2019年05期

2 王曉麗;;基于深度學習的癲癇腦電信號分析與預測[J];長春大學學報;2019年06期

3 王薇蓉;張雪英;孫穎;暢江;;關于腦電信號的情感優(yōu)化識別仿真[J];計算機仿真;2018年06期

4 郭婷儀;李素芳;鐘桂仙;曾佳璇;周酥;;基于腦電信號的耳鳴識別算法研究[J];科技傳播;2018年13期

5 左晶;萬小勤;羅楊;鄭斌;陳斌林;任祥花;;癲癇腦電信號的相關性分析[J];電子世界;2017年05期

6 張娜;唐賢倫;劉慶;;基于半監(jiān)督學習的腦電信號特征提取及識別[J];工程科學與技術;2017年S2期

7 石喬莉;王延輝;李信政;;基于腦電信號的駕駛疲勞的研究[J];世界最新醫(yī)學信息文摘;2017年55期

8 王恒;李念強;齊鵬沖;;運動想象腦電信號特征的提取與分類[J];工業(yè)控制計算機;2015年02期

9 李亞杰;宋明星;張玉棟;;腦電信號采集系統(tǒng)的設計[J];河北建筑工程學院學報;2014年01期

10 蔡超峰;張勇;郭舒婷;姜利英;;思維腦電信號的關聯(lián)維數(shù)分析[J];河南科技大學學報(自然科學版);2012年01期

相關會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應拓撲圖[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學會第21屆全國代表大會暨學術會議論文摘要匯編[C];2002年

3 李凌;曾慶寧;堯德中;;利用兩級抗交叉串擾自適應濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

4 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應用研究[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

5 張丹丹;丁海艷;侯新琳;葉大田;;新生豬缺氧缺血實驗中腦電信號的偽差分析[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（上冊）[C];2007年

6 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

7 胡楠;徐進;鄭崇勛;;不同麻醉深度下腦電信號的復雜度研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

8 歐陽軼;鄭崇勛;張崇;;基于腦電小波熵的生理性精神疲勞分析[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

9 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學素質、建設創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

10 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應用[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

相關重要報紙文章 前8條

1 記者 張夢然;腦電信號神經(jīng)反饋訓練可增強抗壓性[N];科技日報;2018年

2 本報記者 張佳星;腦電波讀出容易，讀懂很難[N];科技日報;2019年

3 本報記者 曾福泉 鄭文 通訊員 吳雅蘭 柯溢能;人機合一，未來已來[N];浙江日報;2020年

4 科學作者 譯者 猛瑪;如何做到真正的因材施教[N];電腦報;2016年

5 本報記者 張曉鳴;用腦電波開車，這不是開玩笑[N];文匯報;2015年

6 本報特約撰稿人 陸志城;我思，故我動[N];醫(yī)藥經(jīng)濟報;2003年

7 蘭順正;讓人與機器連接更便捷[N];中國國防報;2019年

8 本報記者 馮海波 通訊員 劉慧嬋 祝和平;大學生創(chuàng)意閃耀的舞臺[N];廣東科技報;2011年

相關博士學位論文 前10條

1 孫愛芹;基于腦電信號的上肢假肢在線控制方法研究[D];山東科技大學;2017年

2 李明陽;基于復合域分析的癲癇腦電信號檢測算法研究[D];吉林大學;2018年

3 張濤;基于模糊分布熵和復值模糊分布熵的癲癇腦電信號自動分類算法研究[D];吉林大學;2019年

4 韓凌;腦電信號同步分析及癲癇發(fā)作預測方法研究[D];東北大學;2016年

5 趙麗;基于腦電信號的腦-機接口技術研究[D];天津大學;2004年

6 繆曉波;基于腦電信號的認知動力學系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學;2004年

7 徐鵬;信號的稀疏分解及其在腦電信號處理中的應用研究[D];電子科技大學;2006年

8 伍亞舟;基于想象左右手運動思維腦電BCI實驗及識別分類研究[D];第三軍醫(yī)大學;2007年

9 唐艷;基于時間、頻率和空間域的自發(fā)腦電信號提取[D];中南大學;2008年

10 陳東偉;非線性動力學、因果腦網(wǎng)絡與聚類穩(wěn)定性在腦電信號分析中的應用研究[D];太原理工大學;2015年

相關碩士學位論文 前10條

1 楊濟維;基于半監(jiān)督深度學習的腦電信號特征提取及識別[D];重慶郵電大學;2019年

2 張海濤;基于EEG信號的癲癇發(fā)作狀態(tài)分析方法研究[D];重慶郵電大學;2019年

3 李丹妮;基于運動想象腦電信號的特征提取和分類算法研究[D];重慶郵電大學;2019年

4 高峰星;基于情感腦電信號的分類研究[D];重慶郵電大學;2019年

5 朱延龍;基于穩(wěn)態(tài)視覺誘發(fā)的腦電信號分類算法研究[D];南京航空航天大學;2019年

6 張美妍;基于EEG警覺狀態(tài)檢測方法及實驗研究[D];哈爾濱工業(yè)大學;2019年

7 盛彬;基于信息融合的駕駛危險場景分析識別研究[D];哈爾濱工業(yè)大學;2019年

8 葉彥斌;基于壓縮感知的腦電數(shù)據(jù)壓縮及FPGA實現(xiàn)[D];華南理工大學;2019年

9 劉博翰;基于腦電信號的導聯(lián)篩選及可解釋情緒分類模型研究[D];華南理工大學;2019年

10 沈玉潤;深度學習在腦電信號特征提取及分類中的應用[D];上海交通大學;2018年

本文編號：2631458