基于模糊神经网络的麻醉深度的监测研究

提出模糊神经网络对麻醉信号进行信息融合,实现麻醉深度监测的方法。实验是从31例复合全麻病人的EEG信号中提取出非线性动力学参数——KC复杂度、近似熵,和25例训练样本的训练及6例检验样本的前瞻性检验,结果表明以EEG信号的非线性动力学参数为输入的ANFIS网络输出具有显著的差异性,可以作为一种反映麻醉深度的定量指标。

探讨模糊神经网络在麻醉监测中的应用

手术过程中,对患者麻醉深度的监测极其重要,常因不当麻醉而给患者带来心理上的后遗症。因此可靠而无创伤的麻醉深度监测方法是令人期望的。本文探讨了建立模糊神经网络模型以期实现麻醉深度的监测。文中从EEG信号中提取Kc复杂度、近似熵、小波熵三个非线性动力学特征参数,对模糊神经网络进行训练,成功监测病人是否处于麻醉状态,精确度达到97.08%/98.65%(麻醉状态/正常状态)。实验证明,模糊神经网络具有良好的准确性和稳定性,是麻醉深度监测有效而又有潜力的一个工具,具有临床应用价值。

基于模糊神经网络的驾驶警觉度识别方法研究

为了有效识别驾驶警觉度,构建了一种基于脑电信号的驾驶警觉度识别方法。首先,以主观疲劳测评、驾驶行为绩效作为量化指标,验证驾驶警觉度等级划分的合理性。在此基础上,对脑电信号数据进行小波变换提取特征参数,作为驾驶警觉度的识别特征指标,结合模糊神经网络构建了驾驶警觉度识别模型。最后,采用该模型对20名驾驶员连续驾驶3h的脑电数据进行试算。结果表明:通过对前后时段的主观疲劳与行为数据进行对比分析,两时段数据存在着显著差异性,说明驾驶警觉度等级划分具有合理性;采用模糊神经网络的识别结果优于BP神经网络,其模型识别正确率为81.29%～84.95%,且平均正确率为83.12%,该方法可用于驾驶警觉度的识别。

BP网络在麻醉深度监测算法上的应用

麻醉是临床手术中必不可少的环节,但麻醉的过深或过浅可能给病人带来伤害,因而对麻醉深度的监测具有较高的临床价值。脑电是目前检测麻醉深度最有潜力的方法,首先通过滤波等处理方式得到较为纯净的脑电信号,分析时域和频域的特征,计算相应的参数,并将该参数作为前向反馈神经网络的输入参数,选择合适的BP神经网络拟合得到一个能够评价麻醉深度的无量纲常数。使用BP神经网络拟合结果来表征麻醉深度准确率普遍在90%以上,反映了BP神经网络在麻醉深度监测上具有较高的应用价值。

基于小波变换与人工神经网络的麻醉深度计算方法研究

全身麻醉是外科手术中保证患者安全的必不可少的部分,脑电图(EEG)能反映大脑活动状况,包含丰富的信息,因此已广泛应用于监测麻醉深度。本文提出了一种将小波变换与人工神经网络(ANN)相结合的方法来估计麻醉深度。利用离散小波变换(DWT)将脑电信号进行分解,根据分解得到的近似系数与细节系数计算9种特征参数,并对这9种特征参数进行克鲁斯卡尔-沃利斯统计检验,结果表明这9种特征参数在清醒、轻度麻醉、中度麻醉和深度麻醉这四种不同麻醉水平间的差异均有统计学意义(P <0.001)。将这9种特征参数作为ANN的输入,以双谱指数(BIS)作为参考输出,使用8例全麻手术的患者数据对该方法进行了评估。该方法在7∶3留出法中对测试集四种不同麻醉水平的分类准确度为85.98%,与BIS的相关系数为0.977 0。结果表明,该方法能较好地区分四种不同麻醉水平,对于麻醉深度监测具有广阔的应用前景。