1. 研究目的与意义（文献综述）
1.1 研究目的及意义
自1846年william morton在波士顿麻省总医院的乙醚麻醉表演起，随着现代医学的发展，麻醉已经成为了临床手术中的一个重要组成环节。麻醉是一种由药物引导的、可控的、人体感知暂时功能消失的状态，极大得减轻了患者在临床手术中的痛苦程度。然而在临床手术过程中，术中知晓将会对患者产生严重的心理和精神损害，甚至诱发创伤后应激障碍等多种精神障碍[1-3]。据研究，在国内比较先进的现代全身麻醉技术水平下，颅内肿瘤手术知晓率为1%，而心脏手术术中知晓率高达6%[4]。
在目前医学条件下，由于对于神经科学的机理研究并不完全透彻，术中知晓的危害难以完全消除。即使是作为普遍为临床手术中的麻醉深度提供指导的脑电双频指数（bispect ral index，bis）也会因为患者年龄、健康状态和药物差别出现麻醉深度指示错误[5]。这意味着将bis在麻醉手术中并非是一个完美的标准 [6]。这种来自患者个体差异和药物的双重影响，导致降低术中知晓的进程难以突破。因此，一个对于麻醉深度的更加准确可靠的检测和判断方法可以有效减少术中知晓的危害。
2. 研究的基本内容与方案
本文将bis作为麻醉状态的标准。在国内外研究中麻醉的六种状态分类是一种较为精确的标准，但是在实际操作中，四种状态更加常见 [16]。因此，本文采用四种麻醉状态分类，将bis范围大于等于75且小于100的作为清醒状态，bis大于等于60且小于75的作为轻度麻醉状态，bis大于等于40且小于60的作为中度麻醉状态，bis小于40的作为深度麻醉状态。
本文以麻醉的eeg信号作为研究对象，首先尝试对eeg信号进行预处理，拟采用通过初步观察每一位病人的eeg信号，排除噪音干扰明显或记录异常（例如，在较长时间内eeg信号幅度为0或保持不变等）。再将预处理后的eeg信号分割成每5秒一个时期提取特征，分割时期不相互重叠，特征提取拟采用样本熵、排列熵、近似熵和光谱图分别作为时域和时频域的方法。最后将提取的熵值输入以knn、svm和决策树作为代表的传统机器学习方法中，并比较其与利用cnn的光谱图分类表现。
熵是一种反应时间序列中波动的规律性和不可预测性的方法，在清醒，轻度麻醉，中度麻醉和深度麻醉中数值表现具有一定差异，因此可以不同状态的熵值寻找最合适的分类器及其参数。光谱图的主要算法为短时傅里叶变换（short-time fourier transform，stft），stft是傅里叶变换的其中一种，主要用以确定时变信号局部频率和相位，核心思想是利用时频局部化的窗函数，计算有限时间宽度内的功率谱。
3. 研究计划与安排
第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告。
第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。
第6－9周：利用matlab进行数据处理。
4. 参考文献（12篇以上）
[1]rolf h sandin,gunnar enlund,peter samuelsson,claes lennmarken. awareness during anaesthesia: a prospective case study[j]. the lancet,2000,355(9205).
[2]osterman j e,hopper j,heran w j,keane t m,van der kolk b a. awareness under anesthesia and the development of posttraumatic stress disorder.[j]. general hospital psychiatry,2001,23(4).
[3]moerman n,bonke b,oosting j. awareness and recall during general anesthesia. facts and feelings.[j]. anesthesiology,1993,79(3).
