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。