基于机器学习的镇静状态分类研究

发布时间：2020-04-17 23:54

【摘要】：麻醉通过抑制中枢神经系统,达到意识消失的目的,监测麻醉的镇静深度对于判断术中的脑意识状态尤为重要。而脑电图能够反映麻醉中神经元的兴奋或抑制,进而反映大脑意识的兴奋或抑制的程度。因此,利用脑电信号,可以直接分析大脑镇静程度,并可作为一种术中监测手段,来反馈麻醉的镇静状态,调整手术中麻醉药物的用量。脑电双频指数作为当今比较权威的镇静状态监测指标,普遍用于术中麻醉深度的监测,但其计算方法及各个参数的组合关系不公开,且以它为指标的麻醉监护仪价格昂贵。而其他单一的指标,如熵、Nacrotrend、频谱能量等,通常无法满足对不同镇静深度的准确监测。对此,本文基于脑电信号,提出了镇静特征组合监测指标,以及图像特征的镇静状态识别。首先,针对单通道的麻醉脑电信号采取了多种去噪方法,去除了50Hz工频、基线漂移等噪声。在此基础上,我们提取了9个麻醉脑电信号的镇静监测指标,这些参数是应用于麻醉的常规特征参数,并且在很多文献中被证明与麻醉特征及年龄特征相关。其次,采用随机森林方法训练多棵分类树,对比多种机器学习分类算法,对清醒期、麻醉期、恢复期及爆发抑制期的测试样本实现了准确预测。进而提出了一种多个麻醉脑电特征组合监测镇静状态的特征指标,实现了成人和小孩在不同麻醉药物控制下,病人不同镇静状态的准确分类。采用粒子群优化算法优化的支持向量机回归方法,实现了对脑电双频指数相对准确的回归拟合。最后,基于来自成人和小孩在不同麻醉药物控制下的脑电信号,分析了脑电的频谱特征图和递归图在不同麻醉镇静状态下的差异。应用卷积神经网络的方法,搭建了具有多个卷积层和池化层的神经网络,对4种镇静状态的特征图片集进行了特征学习和镇静状态识别,分析了卷积神经网络在识别麻醉镇静状态方面的性能,验证了基于深度学习方法,将脑电频谱特征图像用于麻醉镇静深度识别的可行性。
【图文】：

流程图,算法分类,流程,分类树

图 2-1 RF 算法分类流程具体分类算法流程如下：待生成的多棵分类树的规模为H ，利用袋装法(Bagging)将用于个自助子样本集，每次未被抽到的数据样本构成了袋外数据(OuH 个自助样本集就生成H 棵分类树。样本有K 个特征，在每棵树每个内部的节点中，随机在K 个特征( k K)。在这k 个候选特征里挑选出一个最佳特征，用于在。此过程基于节点不纯度最小原则，每棵分类树充分生长，不进叶子节点处达到不纯度最小。以上过程生长成多棵分类树，形成RF，，用于预测新样本，预测最终投票结果，采用多数投票法输出样本类别。完成后，测试样本s经每棵树至某一个叶子节点，则测试样本s属：

时间序列,最优分类超平面

ik 于 1995 年提出，是机器学习分类方和无监督的学习中[23, 24]。SVM 方法可cation, SVC)，用于模式识别；还可ion, SVR)，主要适用于时间序列。分离两类数据样本。SVM 试图最大限分类间隔，从而降低泛化误差。为便本映射到高维度的特征空间中，利用M 能够很好地在高维特征空间中执行以找到模型复杂度和泛化能力之间的]，在分类问题中具有较好的泛化能力VM 最优分类超平面，圆和叉分别代表支持向量位于红色虚线上，红色实线
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R614;TN911.7

【相似文献】