基于深度学习的麻醉药物剂量预测方法

本发明属于医疗麻醉，具体涉及基于深度学习的麻醉药物剂量预测方法。

背景技术：

1、随着医疗技术不断进步，智能麻醉技术在手术中的应用越来越广泛，已经成为现代医学不可或缺的一部分。然而，麻醉过程中患者的生命安全一直是医疗界的关注重点。传统手动调整麻醉剂量的方式容易受到医生临床经验和主观意识影响，存在剂量控制不精确、患者麻醉效果不佳等问题。

2、现有的研究大多都是针对患者在手术过程中的麻醉深度进行预测，对麻醉药物剂量预测的研究鲜少，因此本发明提出一种基于深度学习的麻醉药物剂量预测模型，针对整个手术过程对麻醉药物使用量进行预测。

技术实现思路

1、为了克服以上不足，本发明提供基于深度学习的麻醉药物剂量预测方法，其利用深度学习方法学习患者的各项生理数据与麻醉深度及麻醉药物剂量之间的非线性、高维、复杂关联关系，对患者在手术过程中需注射的麻醉药物剂量进行预测，提高了预测结果的准确性。

2、为了实现上述目的，本发明采用的技术方案为：

3、基于深度学习的麻醉药物剂量预测方法，首先构建训练样本集、测试样本集和回归预测模型，其次将训练样本集导入回归预测模型进行训练优化，得到训练完成的回归预测模型，最后采用训练完成的回归预测模型对测试样本集进行预测，得到待预测的麻醉药物剂量并与真实进行对比分析，以提高麻醉药物剂量预测准确性，其中所述回归预测模块包括术前麻醉预测模块、术中特征预提取模块和术中麻醉预测模块。

4、进一步优化，所述训练样本集和测试样本集通过获取患者基本信息和手术过程周期性采集的各项生理数据构建。

5、进一步优化，所述训练样本集训练时使用adam优化器，并将学习率设置为0.01，使用余弦退火衰减策略更新学习率。

6、进一步优化，所述术前麻醉预测模块在患者手术前期根据患者的基本生理信息预测术前麻醉药物剂量，所述术中特征预提取模块提取患者手术过程中各项生理指标的变化特征，所述术中麻醉预测模块接收术中特征预提取模块的预提取特征作为输入，预测患者在手术过程中的麻醉药物剂量。

7、进一步优化，所述术前麻醉预测模块的模型通过ann网络优创建，该模型共包含一个输入层、两个隐藏层、一个全连接层和一个输出层，采用selu激活函数和带正则化的加权损失函数提高模型预测准确性，训练过程中将患者各项基本信息作为模型输入，经过改进ann网络计算，模型最终输出患者术前需注射的麻醉药物剂量。

8、进一步优化，所述术中特征预提取模块的模型通过cnn网络创建，该模型共包含一个输入层、三个卷积层、两个池化层、一个全连接层和一个输出层，使用7*1的大卷积核和最大池化和平均池化相结合的方法，提高模型的特征提取能力，训练过程中将患者手术过程中各项生理数据作为输入，经过改进cnn网络计算，模型最终输出术中患者的各项生理数据的变化特征。

9、进一步优化，所述术中麻醉预测模块的模型通过lstm网络创建，该模型包含一个输入层、两个lstm单元、一个注意力模块、一个全连接层和一个输出层，使用双向传播网络和注意力机制模块，提高模型的预测准确性，训练过程中将术中特征预提取模块预提取的患者生理数据特征作为模型输入，经过改进lstm网络计算，模型最终输出患者术中需注射的麻醉药物剂量。

10、本发明的有益效果为：

11、本发明以深度学习理论为基础，设计一种基于深度学习的麻醉药物剂量预测模型，设计基于ann的术前麻醉预测模型，使用selu激活函数和带加权的正则化损失函数解决样本不平衡问题的同时提高模型预测准确率；设计基于cnn的特征预提取模型，使用7*1大尺寸卷积核增大感受野，更好地捕获患者在整个手术过程中各项生理信息的变化特征，同时使用最大池化和平均池化相结合的方法，在消除噪声的同时，更有效地提取关键特征；设计基于lstm的术中麻醉预测模型，采用双向传播lstm，提高网络对术中患者生理状态变化趋势的学习能力，同时在全连接层前添加注意力模块，更加关注特征明显的区域，提高麻醉药物剂量预测准确性。

12、本发明以深度学习理论为基础，提出神经网络和长短期记忆网络相结合的麻醉剂量预测模型，同时改进激活函数和损失函数，使用大卷积核进行卷积运算等提高模型预测准确性和鲁棒性，使用双向传播长短期记忆网络和注意力机制模块提高麻醉药物剂量预测准确性。

技术特征：

1.基于深度学习的麻醉药物剂量预测方法，其特征在于，首先构建训练样本集、测试样本集和回归预测模型，其次将训练样本集导入回归预测模型进行训练优化，得到训练完成的回归预测模型，最后采用训练完成的回归预测模型对测试样本集进行预测，得到待预测的麻醉药物剂量并与真实进行对比分析，以提高麻醉药物剂量预测准确性，其中所述回归预测模块包括术前麻醉预测模块、术中特征预提取模块和术中麻醉预测模块。

2.如权利要求1所述的基于深度学习的麻醉药物剂量预测方法，其特征在于，所述训练样本集和测试样本集通过获取患者基本信息和手术过程周期性采集的各项生理数据构建。

3.如权利要求1所述的基于深度学习的麻醉药物剂量预测方法，其特征在于，所述训练样本集训练时使用adam优化器，并将学习率设置为0.01，使用余弦退火衰减策略更新学习率。

4.如权利要求1所述的基于深度学习的麻醉药物剂量预测方法，其特征在于，所述术前麻醉预测模块在患者手术前期根据患者的基本生理信息预测术前麻醉药物剂量，所述术中特征预提取模块提取患者手术过程中各项生理指标的变化特征，所述术中麻醉预测模块接收术中特征预提取模块的预提取特征作为输入，预测患者在手术过程中的麻醉药物剂量。

5.如权利要求1所述的基于深度学习的麻醉药物剂量预测方法，其特征在于，所述术前麻醉预测模块的模型通过ann网络优创建，该模型共包含一个输入层、两个隐藏层、一个全连接层和一个输出层，采用selu激活函数和带正则化的加权损失函数提高模型预测准确性，训练过程中将患者各项基本信息作为模型输入，经过改进ann网络计算，模型最终输出患者术前需注射的麻醉药物剂量。

6.如权利要求1所述的基于深度学习的麻醉药物剂量预测方法，其特征在于，所述术中特征预提取模块的模型通过cnn网络创建，该模型共包含一个输入层、三个卷积层、两个池化层、一个全连接层和一个输出层，使用7*1的大卷积核和最大池化和平均池化相结合的方法，提高模型的特征提取能力，训练过程中将患者手术过程中各项生理数据作为输入，经过改进cnn网络计算，模型最终输出术中患者的各项生理数据的变化特征。

7.如权利要求1所述的基于深度学习的麻醉药物剂量预测方法，

技术总结
基于深度学习的麻醉药物剂量预测方法，包括以下步骤：S1、获取患者手术过程的各项生理数据，构建训练样本集和测试样本集；S2、建立回归预测模型，包括术前麻醉预测模块、术中特征预提取模块和术中麻醉预测模块；S3、将训练样本集导入回归预测模型进行优化训练，得到训练完成的回归预测模型；S4、采用训练完成的回归预测模型对测试样本集进行预测，得到麻醉药物剂量的预测值并与真实值进行对比分析。本发明能够针对整个手术过程的麻醉操作进行预测，在手术开始和手术过程中预测患者需要注射的麻醉药物剂量，在保证患者生命安全的前提下，提高手术效率。

技术研发人员：胡志刚,潘光健,李克寒,王新征,张成武
受保护的技术使用者：河南科技大学
技术研发日：
技术公布日：2024/1/15