本发明涉及人工智能技术与医疗健康领域，具体涉及到一种基于多源信息融合的麻醉深度动态辨识方法。
背景技术：
1、全身麻醉是一种特殊而复杂的状态，包括镇静催眠、记忆缺失、镇痛、应激抑制和肌肉松弛等多方面因素，并历经全麻诱导、维持及苏醒的全过程。麻醉过浅或过深都会给患者带来身体或精神的伤害。其中，麻醉过浅会导致的应激反应、内分泌紊乱、代谢异常、术中知晓、耗氧增加等危害；麻醉过深会造成应激反应低下，生命中枢、呼吸功能、循环功能受抑制，以及苏醒延迟等危害。临床上基于脑电信号的麻醉深度监测仪，如采用脑电双频谱指数(bispectral index，bis)，narcotrend和熵指数监测等，已在临床麻醉监测中广泛使用。虽然脑电信号能够反映中枢神经系统的功能变化，但多种生理和病理因素如年龄、种族、性别、手术方式、疾病类型等会影响脑电信号，导致基于脑电信号评估麻醉深度具有一定的局限性。
2、目前麻醉监测设备中的生理参数虽多，但没有建立起这些参数与生理状态之间的联系，麻醉医生仍旧无法及时了解病人在麻醉过程中生理状态的变化，也就无法进行生理状态变化的趋势分析，难以发挥麻醉医生们的主观能动性。麻醉深度是对镇静水平、镇痛水平、刺激反应程度等指标的综合反应，而这些指标反应的中枢部位不尽相同，所以麻醉深度监测必须是多指标、多方法综合监测的结果。通过无创生理参数进行麻醉辨识可以帮助医生更好地了解患者的生理状态并进行实时监测，因此常规无创生理参数(如心电、呼吸、血压、脉搏、血氧等)作为一种经济、方便、可靠的监测方式，通过确切且包含体征信息全面的监测方法，来精准地把握和控制给药量和给药速度，广泛应用于伤员紧急救治过程中。
3、国内外对于基于无创生理参数进行麻醉辨识的研究已经取得了一定的进展。目前主要的研究方法包括脑电图(eeg)、脉搏波变异性(ppv)、脑功能成像(fmri)等。在国内，有不少研究机构和学者专注于通过结合国内患者的特点和临床实践，探索和验证新的生理参数指标，并应用于临床实践中。在国际上，许多研究团队致力于开发和验证新的生理参数指标，以提高麻醉辨识的准确性。同时研究借助机器学习算法，通过分析和比较多种生理参数，构建模型以预测麻醉效果。国内外先后出现以脑电监测技术为主的临床麻醉深度监测方式，可完整支持医院手术的开展，但在院外使用过程中应用过程中仍存在以下问题：
4、(1)脑电监测设备使用局限性大
5、脑电监测技术可反映大脑皮质意识水平，麻醉抑制手术对机体产生伤害性刺激的作用主要发生在皮质下中枢，是监测镇静深度的良好指标。但是脑电信号变化个体差异较大，易受肌电、市电、电刀磁场等其他电磁信号干扰，加之脑电监测设备装机量少和耗材昂贵，在环境恶劣复杂、电磁噪声强烈的院外救治过程中尚未广泛应用。同时，脑电信号在突发公共卫生事件、战场一线或偏远地区等情况下，难以获得硬件支持；或者采集信号单一，缺乏相对准确且客观的多模态生理参数来判断术中伤害性刺激的程度和患者镇静水平，从而准确评估并实时调整患者术中麻醉深度，预防麻醉不良事件的发生。
6、(2)麻醉深度监测信号来源单一
7、国内外现阶段缺乏相对准确且客观的多模态生理参数来判断术中伤害性刺激的程度和患者镇静水平，从而准确评估并实时调整患者术中麻醉深度，预防麻醉不良事件的发生。因此，有必要寻求一种新的麻醉深度监测方法，以克服基于脑电信号的主流麻醉深度监测方法的不足，从而提高麻醉深度监测的准确性。
8、(3)麻醉深度监测识别准确率低
9、当前，麻醉深度监护设备缺少核心算法，麻醉深度监护仪在识别准确性以及对特殊情况的处理效果方面还存在提升的空间。
10、因此，有必要寻求一种新的麻醉深度监测方法，以解决缺乏脑电信号进行麻醉深度监测的情况下，使用常规生理参数进行麻醉监测，，从而提高麻醉深度监测的准确性和普适性。
技术实现思路
1、本发明主要解决缺乏脑电信号进行麻醉深度监测的情况下，使用常规生理参数进行麻醉监测的问题，从而提高麻醉深度监测的准确性和普适性，本发明公开了一种基于多源信息融合的麻醉深度动态辨识方法和装置。
2、本技术实施例第一方面，公开了一种基于多源信息融合的用户模态动态辨识方法，包括：
3、s1，获取用户模态信息集；所述用户模态信息集，包括若干个用户的模态信息；所述模态信息，包括用户年龄、性别、bmi值、asa分级值、心电序列、脉博序列、血压序列、血氧序列、呼吸参数和用户清醒值；所述用户清醒值的取值为1，表示用户为有意识状态，用户清醒值的取值为0，表示用户为无意识状态；
4、s2，对所述用户模态信息集进行预处理，得到预处理用户模态信息集；
5、s3，对所述预处理用户模态信息集进行辨识处理，得到辨识结果信息；所述辨识结果信息，用于表征用户的清醒程度；当所述辨识结果信息取值为1时，表示用户处于清醒状态，对应的麻醉深度为浅度麻醉；当所述辨识结果信息取值为0时，表示用户处于无意识状态，对应的麻醉深度为深度麻醉。
6、所述对所述用户模态信息集进行预处理，得到预处理用户模态信息集，包括：
7、对所述用户模态信息集的每类数据，分别进行数据清洗处理，得到第一模态信息集；
8、对所述第一模态信息集的每类数据，分别进行采集时间对齐处理，得到第二模态信息集；
9、对所述第二模态信息集中的呼吸参数，进行高通滤波处理，得到更新的呼吸参数；
10、利用所述更新的呼吸参数，对所述第二模态信息集中的呼吸参数进行替代处理，得到第三模态信息集；
11、利用所述第三模态信息集中的心电序列，计算得到心率变异性值，将所述心率变异性值添加到所述第三模态信息集中，得到预处理用户模态信息集。
12、所述对所述预处理用户模态信息集进行辨识处理，得到辨识结果信息，包括：
13、s31，利用所述预处理用户模态信息集，对预设的辨识模型集合进行训练处理，得到训练辨识模型集合；
14、s32，利用所述训练辨识模型集合，对所述预处理用户模态信息集进行辨识处理，得到辨识结果信息。
15、所述辨识模型集合，包括第一辨识模型、第二辨识模型、第三辨识模型、第四辨识模型和第五辨识模型；
16、所述第一辨识模型，包括编码网络、量化网络和解码网络；
17、所述编码网络，与量化网络相连接，包括第一处理模块、第二处理模块、第三处理模块和第四处理模块，用于对输入数据进行编码处理，得到特征图像数据；
18、所述第一处理模块，包括输入模块、第一二维卷积模块、第一激活模块、第一残差模块、第一归一化模块；所述第一处理模块的第一端口，为所述输入模块的输入端；所述第一处理模块的第二端口，为所述第一归一化模块的输出端；所述第一处理模块的第一端口，作为所述编码网络的输入端，用于接收得到输入数据；所述第一处理模块的第二端口，与所述第二处理模块的第一端口连接；在所述第一处理模块中，所述输入模块、第一二维卷积模块、第一激活模块、第一残差模块、第一归一化模块依次连接；
19、所述第二处理模块，包括第二二维卷积模块、第二激活模块、第二归一化模块；所述第二处理模块的第一端口，为所述第二二维卷积模块的输入端；所述第二处理模块的第二端口，为所述第二归一化模块的输出端；所述第二处理模块的第二端口，与所述第三处理模块的第一端口连接；在所述第二处理模块中，所述第二二维卷积模块、第二激活模块、第二归一化模块依次连接；
20、所述第三处理模块，包括第三二维卷积模块、第三激活模块、第三残差模块；所述第三处理模块的第一端口，为所述第三二维卷积模块的输入端；所述第三处理模块的第二端口，为所述第三残差模块的输出端；所述第三处理模块的第二端口，与所述第四处理模块的第一端口连接；在所述第三处理模块中，所述第三二维卷积模块、第三激活模块、第三残差模块依次连接；
21、所述第四处理模块，包括第四二维卷积模块、第四激活模块、第四残差模块；所述第四处理模块的第一端口，为所述第四二维卷积模块的输入端；所述第四处理模块的第二端口，为所述第四残差模块的输出端；所述第四处理模块的第二端口，作为所述编码网络的输出端，用于输出特征图像数据；在所述第四处理模块中，所述第四二维卷积模块、第四激活模块、第四残差模块依次连接；
22、所述量化网络，与编码网络和解码网络相连接，用于对所述特征图像数据进行量化处理，得到压缩数据；所述量化网络，包括第九二维卷积模块、第九激活模块和量化模块；在所述量化网络，所述第九二维卷积模块、第九激活模块和量化模块依次连接；
23、所述解码网络，与量化网络相连接，包括第五处理模块、第六处理模块、第七处理模块和第八处理模块，用于对所述压缩数据进行解码处理，得到用户清醒预测值；
24、所述第五处理模块，包括输入模块、随机排列模块、第五二维卷积模块、第五激活模块、第五残差模块；所述第五处理模块的第一端口，为所述输入模块的输入端，用于接收得到压缩数据；所述第五处理模块的第二端口，为所述第五残差模块的输出端，与所述第六处理模块的第一端口连接；在所述第五处理模块中，所述输入模块、随机排列模块、第五二维卷积模块、第五激活模块、第五残差模块依次连接；
25、所述第六处理模块，包括第六二维卷积模块、第六激活模块、第六残差模块；所述第六处理模块的第一端口，为所述第六二维卷积模块的输入端；所述第六处理模块的第二端口，为所述第六残差模块的输出端；所述第六处理模块的第二端口，与所述第七处理模块的第一端口连接；在所述第六处理模块中，所述第六二维卷积模块、第六激活模块、第六残差模块依次连接；
26、所述第七处理模块，包括第七二维卷积模块、第七激活模块、第七归一化模块；所述第七处理模块的第一端口，为所述第七二维卷积模块的输入端；所述第七处理模块的第二端口，为所述第七归一化模块的输出端；所述第七处理模块的第二端口，与所述第八处理模块的第一端口连接；在所述第七处理模块中，所述第七二维卷积模块、第七激活模块、第七归一化模块依次连接；
27、所述第八处理模块，包括第八二维卷积模块、第八激活模块、第八残差模块、第八归一化模块；所述第八处理模块的第一端口，为所述第八二维卷积模块的输入端；所述第八处理模块的第二端口，为所述第八归一化模块的输出端；所述第八处理模块的第二端口，是所述解码网络的输出端，用于输出计算得到的用户清醒预测值；在所述第八处理模块中，所述第八二维卷积模块、第八激活模块、第八残差模块、第八归一化模块依次连接。
28、所述第二辨识模型，包括第一输入模块、第一卷积模块、深度可分离卷积模块、第一升维卷积模块、第二升维卷积模块、第三升维卷积模块、第四升维卷积模块、第二卷积模块、第一池化模块、第三卷积模块和第一全连接模块；
29、所述第二辨识模型的第一输入模块的输入端，用于接收输入数据；所述第二辨识模型的第一输入模块的输出端，与所述第二辨识模型的第一卷积模块的输入端相连接；所述第二辨识模型的第一卷积模块的输出端，与所述第二辨识模型的深度可分离卷积模块的输入端相连接；所述第二辨识模型的深度可分离卷积模块的输出端，与所述第二辨识模型的第一升维卷积模块的输入端相连接；所述第二辨识模型的第一升维卷积模块的输出端，与所述第二辨识模型的第二升维卷积模块的输入端相连接；所述第二辨识模型的第二升维卷积模块的输出端，与所述第二辨识模型的第三升维卷积模块的输入端相连接；所述第二辨识模型的第三升维卷积模块的输出端，与所述第二辨识模型的第四升维卷积模块的输入端相连接；所述第二辨识模型的第四升维卷积模块的输出端，与所述第二辨识模型的第二卷积模块的输入端相连接；所述第二辨识模型的第二卷积模块的输出端，与所述第二辨识模型的第一池化模块的输入端相连接；所述第二辨识模型的第一池化模块的输出端，与所述第二辨识模型的第三卷积模块的输入端相连接；所述第二辨识模型的第三卷积模块的输出端，与所述第二辨识模型的第一全连接模块的输入端相连接；
30、所述第二辨识模型的第一全连接模块的输出端，用于输出用户清醒预测值。
31、所述第三辨识模型，包括第二输入模块、第四卷积模块、第五卷积模块、第六卷积模块、第二池化模块、第七卷积模块和第二全连接模块；
32、所述第三辨识模型的第二输入模块的输入端，用于接收输入数据；所述第三辨识模型的第二输入模块的输出端，与所述第三辨识模型的第四卷积模块的输入端相连接；所述第三辨识模型的第四卷积模块的输出端，与所述第三辨识模型的第五卷积模块的输入端相连接；所述第三辨识模型的第五卷积模块的输出端，与所述第三辨识模型的第六卷积模块的输入端相连接；所述第三辨识模型的第六卷积模块的输出端，与所述第三辨识模型的第二池化模块的输入端相连接；所述第三辨识模型的第二池化模块的输出端，与所述第三辨识模型的第七卷积模块的输入端相连接；所述第三辨识模型的第七卷积模块的输出端，与所述第三辨识模型的第二全连接模块的输入端相连接；
33、所述第三辨识模型的第二全连接模块的输出端，用于输出用户清醒预测值。
34、所述第四辨识模型，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一融合模块、第二融合模块、第三融合模块、第一归一化模块、第二归一化模块、第一激活模块；所述第一卷积模块的输入端，用于接收输入数据，所述第一卷积模块的输出端分别连接所述第一融合模块的输入端和所述第二融合模块的输入端；所述第一融合模块的输出端连接所述第三卷积模块的输入端；所述第三卷积模块的输出端连接所述第一归一化模块的输入端；所述第一归一化模块的输出端连接所述第三融合模块的输入端；所述第二卷积模块的输入端，用于接收输入数据，所述第二卷积模块的输出端分别连接所述第二卷积模块的输入端和所述第一融合模块的输入端；所述第二融合模块的输出端连接所述第四卷积模块的输入端；所述第四卷积模块的输出端连接所述第二归一化模块的输入端；所述第二归一化模块的输出端连接所述第三融合模块的输入端；所述第三融合模块的输出端连接所述第一激活模块的输入端；所述第一激活模块的输出端，用于输出用户清醒预测值。
35、所述第五辨识模型，包括第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块、第九卷积模块、第十卷积模块、第十一卷积模块、第十二卷积模块、第一上采样模块、第二上采样模块、第一多头注意力模块、第二多头注意力模块、第三多头注意力模块、第四多头注意力模块、第二激活模块、第三激活模块、第四激活模块、第五激活模块、第六激活模块、第七激活模块、第三归一化模块、第四归一化模块、第五归一化模块、第四融合模块和第五融合模块；
36、所述第五卷积模块的输入端，用于接收输入数据，所述第五卷积模块的输出端连接所述第六卷积模块的输入端；所述第六卷积模块的输出端连接所述第一多头注意力模块的输入端；所述第一多头注意力模块的输出端连接所述第二激活模块的输入端；所述第二激活模块的输出端连接所述第二多头注意力模块的输入端；所述第二多头注意力模块的输出端分别连接所述第七卷积模块的输入端和所述第三激活模块的输入端；得到第七卷积模块的输出端连接所述第三归一化模块的输入端；所述第三归一化模块的输出端分别连接所述第八卷积模块的输入端和所述第五融合模块的输入端；所述第八卷积模块的输出端连接所述第十卷积模块的输入端；所述第十卷积模块的输出端连接所述第四归一化模块的输入端；所述第四归一化模块的输出端分别连接所述第十一卷积模块的输入端和所述第五融合模块的输入端；所述第十一卷积模块的输出端连接所述第十二卷积模块的输入端；所述第三激活模块的输出端连接所述第三多头注意力模块的输入端；所述第三多头注意力模块的输出端分别连接所述第四融合模块的输入端和所述第五激活模块的输入端；所述第四融合模块的输出端连接所述第九卷积模块的输出端；所述第九卷积模块的输出端分别连接所述第二上采样模块的输入端和所述第十卷积模块的输入端；所述第二上采样模块的输出端连接所述第七卷积模块的输入端；所述第五激活模块的输出端连接所述第一池化模块的输入端；所述第一池化模块的输出端连接所述第四多头注意力模块的输入端；所述第四多头注意力模块的输出端连接所述第六激活模块的输入端；所述第六激活模块的输出端分别连接所述第一上采样模块的输入端和所述第十二卷积模块的输入端；所述第一上采样模块的输出端连接所述第四融合模块的输入端；所述第十二卷积模块的输出端连接所述第五归一化模块的输入端；所述第五归一化模块的输出端连接所述第五融合模块的输入端；所述第五融合模块的输出端连接所述第七激活模块的输入端；所述第七激活模块的输出端，用于输出用户清醒预测值。
37、所述利用所述预处理用户模态信息集，对预设的辨识模型集合进行训练处理，得到训练辨识模型集合，包括：
38、按照预设比例，对所述预处理用户模态信息集进行划分处理，得到训练集和测试集；所述训练集，包括若干个训练数据和对应的标签值；所述训练数据，包括用户的模态信息中剔除用户清醒值后的剩余数据；训练数据对应的标签值，为所述训练数据对应的模态信息中的用户清醒值；
39、利用训练集，对预设的辨识模型集合中的每个辨识模型，分别进行训练处理，得到训练后的辨识模型；
40、利用所有训练后的辨识模型，构建得到训练辨识模型集合。
41、所述辨识模型的训练处理，包括：
42、对训练次数值进行初始化；
43、从所述训练集中获取训练数据；
44、将所述训练数据输入到辨识模型，得到用户清醒预测值；
45、利用损失函数对所述用户清醒预测值和所述训练数据对应的标签值进行计算，得到差异值；
46、利用所述差异值对辨识模型的参数值进行更新；
47、对所述训练次数值进行累加操作；
48、判断所述训练次数值，是否大于预设的训练次数阈值，得到第一判断结果；当所述第一判断结果为是时，确定参数值更新后的辨识模型为训练后的辨识模型；当所述第一判断结果为否时，触发执行从所述训练集中获取训练数据。
49、本发明的有益效果为：
50、本发明主要解决缺乏脑电信号进行麻醉深度监测的情况下，使用常规生理参数进行麻醉监测的问题，从而提高了麻醉深度监测的准确性和普适性。
51、本发明通过利用所述更新的呼吸参数，对所述第二模态信息集中的呼吸参数进行替代处理，得到第三模态信息集；利用所述第三模态信息集中的心电序列，计算得到心率变异性值，将所述心率变异性值添加到所述第三模态信息集中，得到预处理用户模态信息集。通过这种方式，有效提高了预处理用户模态信息集的多样性，确保了后续模型训练过程的有效性。
52、本发明建立的所述辨识模型集合，包括第一辨识模型、第二辨识模型、第三辨识模型、第四辨识模型和第五辨识模型，通过五级不同维度的辨识模型的方式，提高辨识的准确度。
53、本发明提出了针对辨识模型的更新过程，更新过程包括：θ←θ+v；通过该更新过程，实现了利用所述差异值对辨识模型的参数值进行准确和高效的更新，确保了辨识辨识模型的收敛性。
1.一种基于多源信息融合的用户模态动态辨识方法，其特征在于，包括：
2.如权利要求1所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述对所述用户模态信息集进行预处理，得到预处理用户模态信息集，包括：
3.如权利要求1所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述对所述预处理用户模态信息集进行辨识处理，得到辨识结果信息，包括：
4.如权利要求3所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述辨识模型集合，包括第一辨识模型、第二辨识模型、第三辨识模型、第四辨识模型和第五辨识模型；
5.如权利要求3所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述第二辨识模型，包括第一输入模块、第一卷积模块、深度可分离卷积模块、第一升维卷积模块、第二升维卷积模块、第三升维卷积模块、第四升维卷积模块、第二卷积模块、第一池化模块、第三卷积模块和第一全连接模块；
6.如权利要求3所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述第三辨识模型，包括第二输入模块、第四卷积模块、第五卷积模块、第六卷积模块、第二池化模块、第七卷积模块和第二全连接模块；
7.如权利要求3所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述第四辨识模型，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一融合模块、第二融合模块、第三融合模块、第一归一化模块、第二归一化模块、第一激活模块；所述第一卷积模块的输入端，用于接收输入数据，所述第一卷积模块的输出端分别连接所述第一融合模块的输入端和所述第二融合模块的输入端；所述第一融合模块的输出端连接所述第三卷积模块的输入端；所述第三卷积模块的输出端连接所述第一归一化模块的输入端；所述第一归一化模块的输出端连接所述第三融合模块的输入端；所述第二卷积模块的输入端，用于接收输入数据，所述第二卷积模块的输出端分别连接所述第二卷积模块的输入端和所述第一融合模块的输入端；所述第二融合模块的输出端连接所述第四卷积模块的输入端；所述第四卷积模块的输出端连接所述第二归一化模块的输入端；所述第二归一化模块的输出端连接所述第三融合模块的输入端；所述第三融合模块的输出端连接所述第一激活模块的输入端；所述第一激活模块的输出端，用于输出用户清醒预测值。
8.如权利要求3所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述第五辨识模型，包括第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块、第九卷积模块、第十卷积模块、第十一卷积模块、第十二卷积模块、第一上采样模块、第二上采样模块、第一多头注意力模块、第二多头注意力模块、第三多头注意力模块、第四多头注意力模块、第二激活模块、第三激活模块、第四激活模块、第五激活模块、第六激活模块、第七激活模块、第三归一化模块、第四归一化模块、第五归一化模块、第四融合模块和第五融合模块；
9.如权利要求3所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述利用所述预处理用户模态信息集，对预设的辨识模型集合进行训练处理，得到训练辨识模型集合，包括：
10.如权利要求9所述的基于多源信息融合的用户模态动态辨识方法，其特征在于，所述辨识模型的训练处理，包括：
