麻醉在现代手术过程中占据了极为重要的地位,但是麻醉药物的不恰当使用会导致麻醉的过深或者过浅,无论麻醉的过深还是过浅都会对病人的健康造成很大的危害。麻醉如果过浅则会导致病人出现术中知晓,给病人的身体和心理造成危害;麻醉如果过深则会导致患者的苏醒延迟、身体机能受损、甚至危及生命。所以精确和无创的麻醉深度监测不仅能指导麻醉师的用药,还能确保手术的安全性和有效性为患者提供一个舒适的手术环境。但是,目前还没有一种麻醉深度监测的“金标准”。大脑是直接受到麻醉药物影响的地方,因此脑电信号在麻醉深度的研究方面一直受到研究人员的关注。所以,本文从患者的脑电数据出发,提出了一种麻醉深度监测的方法。本文从30名全麻患者的脑电信号出发,将麻醉状态分为清醒、浅麻醉和麻醉维持,其中麻醉维持又根据BIS值分为BIS值大于40和BIS值小于40两种情况。首先通过对脑电信号的预处理提高信号的信噪比,然后提取脑电信号中与麻醉深度相关的特征值,最后根据麻醉手术过程中各麻醉阶段时间不一致的特点,选择加权K-最近邻(WKNN)算法对不同麻醉阶段的脑电数据进行分类,形成一个完整的麻醉深度监测的算法系统。具体的工作内容如下:(1)针对脑电信号中存在的人体自身的生理信号、电气设备的工频干扰以及基线漂移等问题,借助了基于小波分解、低高通滤波器和经验模态分解(EMD)相结合的滤波算法,滤除脑电信号中含有的干扰,提高信号的信噪比。(2)提取脑电信号中与麻醉深度相关的特征值,通过利用去趋势波动分析、自回归模型(AR模型)以及样本熵三种方法提取脑电信号中有用的特征值。然后,对比三种特征值在不同麻醉深度下的分布情况,并分析提取到的特征值与麻醉深度之间的相关性。(3)根据样本点分布不均匀的特点,选取WKNN分类器。通过优化选取最优的K值,并利用提取到的三类特征值分别对麻醉深度进行分类,将麻醉状态分为清醒、浅麻醉和麻醉维持,其中麻醉维持又根据BIS值分为BIS值大于40和BIS值小于40两种情况,总共将麻醉深度分为四类并判断最后的识别率。(4)通过对三种特征值对麻醉深度分类的结果分析,选取了AR系数和样本熵两种特征值用来对麻醉深度进行分类。通过对AR系数的优化,最后采取2~5阶AR系数和样本熵组成的特征向量,结合WKNN分类器完成麻醉深度的分类。最终的分析结果和数据表明:脑电数据的样本熵和麻醉深度相关系数达到了0.8,具有很强的相关性。第二阶到第五阶AR系数与麻醉深度都存在着一定的相关性,且最高的相关系数也可以达到0.8左右。通过WKNN的分类结果显示,该方法对麻醉深度分类的准确率高达88.71%,说明本文提出的方法能够很好的完成麻醉深度的监测。