基于脑电信号的麻醉监测与睡眠阶段分类应用研究

发布时间：2021-07-04 16:12

　　脑电信号（Electroencephalogram,EEG）是附着在头皮上的电极记录下来的大脑的电活动。脑电信号本质上是高度随机的,其中包含大量有关脑部状态的有用信息。但是,仅通过观察这些信号的时域信息很难直接获得有用的信息,因为它们本质上通常是非平稳且随机的。因此,可以使用先进的信号处理技术来提取重要特征以应用于不同的研究方向。本文从麻醉状态监测和睡眠阶段分类两个具体应用出发,设计新型的脑电特征提取和分类算法。通过脑电监测麻醉深度（Depth of Anesthesia,DoA）一直是临床麻醉领域的重要研究方向。本文提出了一种基于长短期记忆神经网络（Long Short Term Memory,LSTM）和稀疏降噪自动编码器（Sparse Denoising Autoencoder,SDAE）的新方法,结合脑电的混合特征用于监测麻醉深度。首先使用滤波等方法对脑电信号进行预处理,然后从中提取出样本熵、排序熵、频谱和α比率等数十个特征,输入到SDAE-LSTM神经网络中进行学习,输出一个用于监测麻醉深度的连续指数。实验结果表明,本研究方法在标准数据集上取得了比传统方法更好的预测结果。脑电... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图３－５?ＳＤＡＥ－ＬＳＴＭ网络结构??接下来，提取第二章中所提到的熵，频谱，和〇ｔ比率等作为特征，本实验提取??的特征代表了脑电图的不同模式

山东大学硕士学位论文??网络，实验中使用的标签是七氟醚效应浓度，由ＰＫ模型根据七氟醚呼气末浓度计??算。然后使用ＳＤＡＥ进行逐一训练，在训练了第一个ＳＤＡＥ之后，将其编码器的??输出用作第二个ＳＤＡＥ的输入，并将第二个ＳＤＡＥ的编码器的输出用作ＬＳＴＭ的??输入特征，以进行麻醉深度预测的训练。在训练完ＬＳＴＭ之后，对整个神经网络??进行了微调。麻醉深度指数最终是通过ＳＤＡＥ－ＬＳＴＭ的输出获得的。图３－６说明了??本章提出的整个框架。其中ＳＤＡＥ－ＬＳＴＭ网络结构是简略形式，代表网络中有４６??个功能输入，并输出一个可以监测ＤｏＡ的序列。完整的ＳＤＡＥ－ＬＳＴＭ结构可以参??阅图３－５。??＇脑电信号采集?［１?ｎ??预处理．ｌ?特征ｗ?＼＼?％［??雜．ｉ?＞?—從収?＾??Ｉ?Ｌ?＾?／ｉｉ??Ｖ?／?＾＾?ｌ．?Ｗ?＾????广?＼??＇?麻醉深度指数１?ＳＤＡＥ－ＬＳＴＭ??广＾＾?共４６个特征??ｖ；?Ｌ?，）??图３－６?ＳＤＡＥ－ＬＳＴＭ实验框架??３．３．３实验结果分析方法??在本实验中，训练祌经Ｍ络所使用的标签，是通过ＰＫ７ＰＤ模型计算所得。??ＰＫ／ＰＤ模型描述了麻醉药浓度与ＥＥＧ指数之间的关系。它由两部分组成：药??效学和药代动力学。模型的药代动力学方面描述了药物的血液浓度如何随时间变??化，药效学方面代表了作用部位的药物浓度与测量指标之间的关系Ｍ６１。??ＭＣｋａｙ等人认为七氟醚效应的浓度与效应室的分）玉有关１８？，并且效应室的分??压可以通过经典的一阶效应室模型来计算：??ｄＣｅｆｆ／ｄｔ＾ＫＪＣｔ？－Ｃ＾］?（３－１２）??其中Ｃ；

山东大学硕士学位论文??Ｉｎｔｅｌ?Ｘｅｏｎ?ＣＰＵ?和?６４ＧＢ?ＤＤＲ４?内存。实验用到的软件是?Ｍａｔｌａｂ?Ｒ２０１７ａ?和?Ｐｙｔｈｏｎ??３．５。??２００?ｊ?广?１?Ｊ?１?１?１?＇??山携?Ｌ＿ＪＬＬ?ｉ?２?，?，?，?：??０?１００?２００?３００?４００?５００?６００?７００??Ｔｉｍｅ（ｓ）??Ｉ：：，?）?：??＜Ｖ?丨?－??ｑ?一－’’?ｉ?｜?ｉ?＾??—???－ｒ?－｜?ｉ??０?１００?２００?３００?４００?５００?６００?７００??Ｔｉｍｅ（ｓ）??４?ｊ?ｌ?｜?＿＿＿＿？?ｉ?！?Ｉ??－?Ｚ－ｚ?．、、、??ｇ２－?、、ｓ？、?＿??Ｓ＞??°?ｚ?ｚ??Ｑ???１?１?ｌ?Ｉ?１?Ｉ??０?１００?２００?３００?４００?５００?６００?７００??Ｔｉｍｅ（ｓ）??图３－７来自患者的脑电数据以及七缻醚的呼气末浓度，效应室浓度??图３－８显示了计算的排序齓样本熵和ａ比率以及本章提出的方法在此过程中??最终计算出的麻醉指数。??２３??


本文编号：3265109