CN119423705A - 一种基于体征数据的患者麻醉状态分析方法及系统 - Google Patents

Abstract

本发明提供了一种基于体征数据的患者麻醉状态分析方法及系统，涉及麻醉状态监测分析技术领域。系统包括麻醉状态监测模块、脑电体征关联分析模块、麻醉状态局部异常检测模块和麻醉状态扩散检测模块。本发明利用脑电状态与体征数据的关联性，结合脑电状态与体征参数综合分析患者的麻醉状态，将局部麻醉阶段的静态分析与跨阶段的动态扩散检测相结合，提供了一种更加精细化和智能化的麻醉状态监测方案，提升了麻醉异常检测的准确性，能够实现对麻醉状态的全面监控与实时预警，确保患者在麻醉过程中的安全性。

Description

一种基于体征数据的患者麻醉状态分析方法及系统

技术领域

本发明涉及麻醉状态监测分析技术领域，尤其涉及一种基于体征数据的患者麻醉状态分析方法及系统。

背景技术

麻醉状态监测是麻醉管理中至关重要的环节，旨在确保患者在手术过程中处于适当的麻醉深度，以保障患者安全并优化麻醉效果。传统的麻醉状态评估较多依赖于脑电图信号，例如通过脑电指标如脑电阻抗指数来监测患者的麻醉深度。这种聚焦于脑电信号的变化进行麻醉状态分析的方案，在麻醉诱导阶段由于麻醉药物的快速作用，患者的脑电波会发生较为剧烈的变化，这时脑电信号的变化较为敏感且剧烈，因此可以较为精确地进行麻醉深度评估及异常检测。但随着麻醉药物浓度的稳定，麻醉深度达到相对稳定的状态，脑电波的变化趋于平稳，且变化幅度较小，导致单纯依赖脑电信号进行监测时，很难发现麻醉维持阶段中潜在的局部异常。此时麻醉深度不再像诱导阶段那样波动剧烈，可能存在的麻醉状态异常难以通过脑电信号的变化来提前发现。

在麻醉维持阶段下患者的麻醉深度相对稳定，药物浓度对神经活动的影响趋于平稳，患者的生理状态与体征数据之间的关联更加显著，能够提供关于麻醉药物对器官系统影响的实时信息。因此，仅基于脑电信号进行的麻醉状态监测可能无法充分反映麻醉药物对身体各器官系统的综合影响，容易忽视潜在的麻醉异常或生理波动，导致延迟对患者麻醉状态异常的发现。

发明内容

针对上述技术问题，本发明提供一种基于体征数据的患者麻醉状态分析方法及系统，结合脑电信号和体征数据的多维度分析，通过对实时脑电信号与体征数据的关联分析，能够更精准地监测麻醉维持阶段下患者麻醉状态的变化，及时发现潜在的麻醉异常，提升对患者麻醉状态进行实时分析的精度。

作为本发明的其中一个方面，提供一种基于体征数据的患者麻醉状态分析方法，包括：

在获取到待分析患者在当前检测阶段的实时麻醉状态监测数据后，实时麻醉状态监测数据包括待分析患者的实时脑电状态监测数据和实时体征监测数据，提取出待分析患者的实时脑电状态参数序列和多个实时体征状态参数序列；

分别计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵，以构建得到待分析患者在当前检测阶段的实时脑电体征关联向量；

根据当前检测阶段下的实时脑电状态监测数据确定待分析患者的第一局部麻醉阶段，确定实时脑电体征关联向量对应的脑电体征目标关联向量和脑电体征关联参考范围；

根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果；

若麻醉状态局部异常检测结果为待分析患者未存在麻醉状态局部异常，则对待分析患者进行麻醉状态扩散检测以生成麻醉状态扩散异常检测结果；

对待分析患者进行麻醉状态扩散检测包括获取待分析患者在下个检测阶段的实时麻醉状态监测数据，根据下个检测阶段的实时麻醉状态监测数据确定待分析患者第二局部麻醉阶段，生成待分析患者的目标麻醉状态扩散路径，确定目标麻醉状态扩散路径的脑电体征目标扩散向量，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测。

优选地，对于脑电体征目标关联向量和脑电体征关联参考范围，还包括：

获取多位患者位于麻醉维持阶段的历史麻醉状态监测数据，历史麻醉状态监测数据包括患者在麻醉维持阶段的历史脑电状态监测数据和历史体征监测数据；

根据历史脑电状态监测数据将麻醉维持阶段分为多个局部麻醉阶段，从多组历史麻醉状态监测数据中提取出每个局部麻醉阶段的多组历史样本数据，构建得到每个局部麻醉阶段的阶段样本数据集合；

提取出每个阶段样本数据集合中每组历史样本数据的历史脑电状态参数序列和多个历史体征状态参数序列，分别计算每组历史样本数据中历史脑电状态参数序列和多个历史体征状态参数序列之间的条件熵，构建得到每组历史样本数据的历史脑电体征关联向量；

根据阶段样本数据集合中的多个历史脑电体征关联向量构建得到每个阶段样本数据集合的脑电体征关联矩阵，对每个脑电体征关联矩阵进行协方差计算以生成每个脑电体征关联矩阵的协方差矩阵，分别对多个协方差矩阵进行特征值分解得到多个参考特征向量和每个参考特征向量的特征值；

从多个参考特征向量中确定多个目标特征向量，根据多个目标特征向量分别对应的特征值计算得到每个体征状态参数的关联评分，生成每个局部麻醉阶段的脑电体征关联参考向量，根据脑电体征关联参考向量确定每个局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围。

优选地，根据脑电体征关联参考向量确定每个局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围，包括：

基于脑电体征关联参考向量对每个局部麻醉阶段的阶段样本数据集合中的多个历史脑电体征关联向量进行关联修正，得到每个历史脑电体征关联向量对应的历史脑电体征修正关联向量；

根据多个历史脑电体征修正关联向量生成每个局部麻醉阶段的脑电体征目标关联向量，分别计算脑电体征目标关联向量与多个历史脑电体征修正关联向量之间的距离，根据脑电体征目标关联向量确定脑电体征关联参考范围，并对脑电体征关联参考范围进行目标累计分析，包括以脑电体征目标关联向量为中心确定脑电体征关联参考范围，在每次基于目标参考距离对脑电体征关联参考范围进行扩大后统计目标累计比例，在达到目标累积阈值后完成对脑电体征关联参考范围的扩大，输出每个局部麻醉阶段的脑电体征关联参考范围。

优选地，对于脑电体征目标扩散向量，还包括：

确定每个局部麻醉阶段的麻醉阶段扩散路径，构建每个麻醉阶段扩散路径的包含多组扩散样本数据的扩散样本数据集合；

提取出每个扩散样本数据集合中每组扩散样本数据的第一脑电体征修正关联向量和第二脑电体征修正关联向量，根据第一脑电体征修正关联向量和第二脑电体征修正关联向量生成每组扩散样本数据的关联状态扩散趋势向量，根据多个关联状态扩散趋势向量生成每个麻醉阶段扩散路径的脑电体征目标扩散向量。

优选地，根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果，包括：

根据待分析患者的第一局部麻醉阶段对应的脑电体征关联参考向量，对在待分析患者在当前检测阶段的实时脑电体征关联向量进行修正生成实时脑电体征关联修正向量，计算实时脑电体征关联修正向量与脑电体征目标关联向量之间的目标距离，若目标距离处于脑电体征关联参考范围，则认为待分析患者未存在麻醉状态局部异常，否则认为待分析患者存在麻醉状态局部异常并进行麻醉状态异常预警。

优选地，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测，包括：

提取出待分析患者在下个检测阶段的实时麻醉状态监测数据对应的实时脑电体征关联向量，根据待分析患者在当前检测阶段的实时脑电体征关联向量，计算得到待分析患者的脑电体征实时扩散向量，根据脑电体征目标扩散向量对脑电体征实时扩散向量进行分析，确定每项体征状态参数的扩散偏离状态，生成待分析患者的麻醉状态扩散异常检测结果。

优选地，根据多个目标特征向量分别对应的特征值计算得到每个体征状态参数的关联评分，包括：

通过目标特征向量对应的特征值对目标特征向量中每个体征状态参数的元素值进行分析，得到每项体征状态参数在每个目标特征向量中的局部评分，将体征状态参数在多个目标特征向量中的局部评分进行累加后得到每个体征状态参数的关联评分。

作为本发明的另一个方面，还提供一种基于体征数据的患者麻醉状态分析系统，用于实现上述的一种基于体征数据的患者麻醉状态分析方法，包括：

麻醉状态监测模块，用于在获取到待分析患者在当前检测阶段的实时麻醉状态监测数据后，实时麻醉状态监测数据包括待分析患者的实时脑电状态监测数据和实时体征监测数据，提取出待分析患者的实时脑电状态参数序列和多个实时体征状态参数序列；

脑电体征关联分析模块，用于分别计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵，以构建得到待分析患者在当前检测阶段的实时脑电体征关联向量；

麻醉状态局部异常检测模块，用于根据当前检测阶段下的实时脑电状态监测数据确定待分析患者的第一局部麻醉阶段，确定实时脑电体征关联向量对应的脑电体征目标关联向量和脑电体征关联参考范围，根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果；

麻醉状态扩散检测模块，用于若麻醉状态局部异常检测结果为待分析患者未存在麻醉状态局部异常，则对待分析患者进行麻醉状态扩散检测以生成麻醉状态扩散异常检测结果；

对待分析患者进行麻醉状态扩散检测包括获取待分析患者在下个检测阶段的实时麻醉状态监测数据，根据下个检测阶段的实时麻醉状态监测数据确定待分析患者第二局部麻醉阶段，生成待分析患者的目标麻醉状态扩散路径，确定目标麻醉状态扩散路径的脑电体征目标扩散向量，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测。

本发明具有以下有益效果：

本发明结合脑电状态与体征参数综合分析患者的麻醉状态，特别适用于麻醉维持阶段，通过将麻醉维持阶段分为多个局部麻醉阶段，对患者的实时麻醉状态监测数据进行详细分析，挖掘脑电状态与体征数据之间的深层次关联规律，从而实现对麻醉状态的高精度检测，及时发现潜在异常，并且在局部麻醉阶段分析的基础上，进一步引入了麻醉状态扩散检测，在相邻的局部麻醉阶段中进行跨阶段的数据比较与动态分析，通过对麻醉状态扩散路径的监测，可以有效捕捉到潜在的、逐步累积的麻醉状态异常，利用脑电状态与体征数据的关联性，将局部麻醉阶段的静态分析与跨阶段的动态扩散检测相结合，提供了一种更加精细化和智能化的麻醉状态监测方案，提升了麻醉异常检测的准确性，能够实现对麻醉状态的全面监控与实时预警，确保患者在麻醉过程中的安全性。

附图说明

图1为本发明其中一个实施过程中一种基于体征数据的患者麻醉状态分析方法的流程示意图。

图2为本发明其中一个实施过程中一种基于体征数据的患者麻醉状态分析系统的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

作为本发明其中一个实施过程，提供了一种基于体征数据的患者麻醉状态分析方法，如图1所示，该方法具体包括如下步骤：

步骤S1、在获取到待分析患者在当前检测阶段的实时麻醉状态监测数据后，提取出待分析患者的实时脑电状态参数序列和多个实时体征状态参数序列。

需要说明的是，对于获取到的待分析患者在当前检测阶段的实时麻醉状态监测数据，这些数据通常来自于各类麻醉监测设备，包括但不限于脑电监测仪、心电图仪、血压监测设备、呼吸监测仪等。

实时麻醉状态监测数据包括实时脑电状态监测数据和实时体征监测数据两个重要部分。实时脑电状态监测数据具体为通过脑电图（EEG）或其他脑电监测设备获取患者的脑电信号，主要包括脑电波的频率、幅度等参数，反映患者的麻醉深度、意识状态等信息。可以通过对脑电图信号进行深入分析以提取出多个脑电状态参数，例如通过对脑电图信号进行分析得到的BIS值作为表征脑电状态的量化参数，从而构建得到待分析患者的包含多个脑电状态参数的实时脑电状态参数序列。实时体征状态监测数据具体为通过多种体征监测设备获取患者的生理体征数据，例如心率、血压、呼吸频率、体温等体征监测设备采集到的数据，可以提取出每类体征监测设备采集到的数据对应的多个体征参数，以构建得到待分析患者的多个实时体征状态参数序列。这些参数序列反映了麻醉药物对患者生理系统的影响。

值得说明的是，简单基于多种基于经验知识设定的阈值进行麻醉状态的异常分析，可能无法实现及时发现数据中的潜在异常，因此可以阶段性地对实时采集到的数据进行综合分析，以得到每个监测阶段下具体的麻醉状态分析结果。例如当患者处于麻醉维持阶段时，由于麻醉状态趋于平稳，患者脑电活动变化会相对较小，这种情况下可以每5分钟或每10分钟进行一次检测，以确保麻醉过程中的异常能够及时被捕捉并做出相应处理。

步骤S2、分别计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵，以构建得到待分析患者在当前检测阶段的实时脑电体征关联向量。

需要说明的是，在获取到实时脑电状态参数序列和体征状态参数序列后，通过对多个序列进行分析，量化脑电信号与体征数据之间的关联性。本实施例中通过计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵实现对关联性的量化。条件熵描述了在已知某些信息的条件下另外一些信息的不确定性。本实施例中以脑电信号为已知信息，分别分析脑电与多个体征参数之间的关联性，以衡量在脑电状态已知的条件下，体征状态的变化程度。较低的条件熵表示两者之间存在较强的相关性或依赖关系。通过计算得到的条件熵，构建待分析患者在当前检测阶段的脑电体征关联向量，其中包括了脑电状态与各体征参数之间的量化关联程度，可以为后续麻醉状态异常检测提供数据参考。

步骤S3、根据当前检测阶段下的实时脑电状态监测数据确定待分析患者的第一局部麻醉阶段，确定实时脑电体征关联向量对应的脑电体征目标关联向量和脑电体征关联参考范围。

需要说明的是，对于第一局部麻醉阶段，主要根据当前检测阶段下的实时脑电状态监测数据对应的脑电状态确定，例如基于BIS值确定麻醉维持阶段中脑电状态的参考范围，若BIS值的范围为20-60之间视为麻醉维持阶段，则可将该阶段的脑电状态分为多个局部麻醉阶段，例如以BIS差值为2作为阶段划分参考。而后根据当前检测阶段下的实时脑电状态监测数据所对应的局部麻醉阶段，最终得到待分析患者的第一局部麻醉阶段，通过预先基于历史数据分析得到的每个麻醉阶段对应的脑电体征目标关联向量和脑电体征关联参考范围，确定第一局部麻醉阶段对应的参考数据，可以基于脑电体征目标关联向量和脑电体征关联参考范围提供基准，对待分析患者当前所处的麻醉状态进行异常分析。

步骤S4、根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果。

需要说明的是，对待分析患者进行麻醉状态局部异常检测的目的在于判断待分析患者在当前检测阶段是否存在异常的麻醉状态变化。这个过程中先根据待分析患者的第一局部麻醉阶段对应的脑电体征关联参考向量，对在待分析患者在当前检测阶段的实时脑电体征关联向量进行修正以生成实时脑电体征关联修正向量。其中，第一局部麻醉阶段对应的脑电体征关联参考向量，描述了待分析患者当前阶段内脑电状态与体征参数之间的相互关系，包含了不同体征参数对于脑电状态的影响程度和关联性。修正过程具体可以采用加权的方式，用于对待分析患者当前的状态进行调整，强化其中关键性的一些特征关联性并弱化一些相对参考价值更低的体征参数。

示例性的，在不同的局部麻醉阶段，脑电状态变化与患者血压之间的变化关联性可能并不相同，简单采用统一标准进行分析，很可能在某个阶段下某种强度的关联是正常的，但是随着麻醉状态的变化，同样的关联强度下则意味着可能存在异常，从而导致一些潜在异常未能及时发现。并且实际的数据采集过程也可能存在噪声，通过修正的方式可以提供更平稳的状态分析。

而后通过计算实时脑电体征关联修正向量与脑电体征目标关联向量之间的目标距离，根据目标距离以及对应的脑电体征关联参考范围进行异常识别，目标距离的计算可以利用距离度量方式例如欧式距离进行确定。将计算得到的目标距离与脑电体征关联参考范围进行比较。如果目标距离处于正常范围内，说明当前麻醉状态在合理波动范围内，存在麻醉状态局部异常；如果目标距离超出了正常参考范围，则表明患者很有可能存在麻醉状态局部异常，这种情况下可以通过触发预警的方式进行麻醉状态预警，便于警示相关医护人员进行更为细致的分析，提前准备可能到来的异常麻醉状态。

步骤S5、若麻醉状态局部异常检测结果为待分析患者未存在麻醉状态局部异常，则对待分析患者进行麻醉状态扩散检测以生成麻醉状态扩散异常检测结果。

需要说明的是，上述的麻醉状态识别具体通过阶段性分析检测的方式，以挖掘患者在不同麻醉状态下，实时的脑电状态与体征状态之间的关联差异，从而提到对患者麻醉状态进行分析的精度。考虑到仅基于阶段分析可能存在不足，进一步在检测到患者在阶段分析过程中视为不存在麻醉状态局部异常后，对患者进行麻醉状态扩散的检测，具体通过对下一检测阶段的数据，对相邻两个阶段的状态进行综合分析，从麻醉状态演变的角度进行更进一步的异常分析。

在这个过程中，对待分析患者进行麻醉状态扩散检测，具体为在获取到待分析患者在下个检测阶段的实时麻醉状态监测数据后，根据下个检测阶段的实时麻醉状态监测数据确定待分析患者第二局部麻醉阶段，即具体根据数据中对应的BIS值，判断患者对应的局部麻醉阶段。根据阶段变化关系，以确定待分析患者的目标麻醉状态扩散路径，例如待分析患者对应的局部麻醉阶段从BIS值为50-52变为了52-54，则确定了对应的扩散路径。预先通过分析历史数据以确定不同局部麻醉阶段在扩散过程中状态的关联变化，以确定每个麻醉状态扩散路径的脑电体征目标扩散向量，在查询到待分析患者在相邻两个检测阶段对应的目标麻醉状态扩散路径后，根据目标麻醉状态扩散路径的脑电体征目标扩散向量对待分析患者进行麻醉状态扩散检测。

具体的，提取出待分析患者在下个检测阶段的实时麻醉状态监测数据对应的实时脑电体征关联向量，从而根据待分析患者在当前检测阶段的实时脑电体征关联向量，计算得到待分析患者的脑电体征实时扩散向量。

其中，当前检测阶段和下个检测阶段下的实时脑电体征关联向量，分别表征了脑电状态与体征状态之间的关联强度，通过下个检测阶段下的实时脑电体征关联向量对当前检测阶段下的实时脑电体征关联向量进行作差分析，可以提取出每项体征状态参数对应的关联强度在扩散过程中，协同性变化趋势的量化值，以构建得到待分析患者的脑电体征实时扩散向量，根据脑电体征目标扩散向量对脑电体征实时扩散向量进行分析，可以确定每项体征状态参数的扩散偏离状态，具体的，脑电体征目标扩散向量反映了每项体征状态参数在理想情况下协同性变化趋势的量化值，若某项体征状态参数的变化幅度大于理想情况下的协同性变化趋势，则认为扩散偏离状态存在异常，否则认为是正常的扩散状态，通过这种方式实现对待分析患者的麻醉状态扩散检测，生成待分析患者的麻醉状态扩散异常检测结果。

麻醉状态扩散检测的意义在于，考虑到即便患者在当前检测阶段表现为正常，即麻醉状态在一定的静态角度下虽然暂时无误，但是动态变化过程中可能由于微小异常的积累导致出现程度更深的异常，以此实现对麻醉过程中潜在异常进行有效预警，提高了对麻醉维持阶段下患者可能存在的麻醉状态异常的监测精度。

值得补充的是，基于脑电图信号评估患者的麻醉状态，尤其是广泛用于监测麻醉深度的脑电指标如脑电阻抗指数，在麻醉诱导阶段由于麻醉药物迅速作用，患者的脑电波会发生剧烈变化，此时脑电信号对麻醉深度的评估较为敏感且精确，在诱导阶段脑电图信号能够高精度的实现麻醉深度的评估与异常检测。然而，随着麻醉药物浓度的稳定，当患者处于麻醉维持阶段后，脑电波的变化趋于平稳且变化幅度较小，导致仅依赖脑电信号进行麻醉状态分析时，难以及时发现麻醉维持阶段中可能出现的局部异常，无法全面捕捉到患者麻醉状态中的潜在波动和异常，可能导致延误对麻醉状态异常的识别与干预。

本发明实施例提供的一种基于体征数据的患者麻醉状态分析方法，结合脑电状态与体征参数综合分析患者的麻醉状态，特别适用于麻醉维持阶段，通过将麻醉维持阶段分为多个较小的局部阶段，针对每个局部阶段的实时数据进行详细分析，挖掘脑电状态与体征数据之间的深层次关联规律，从而实现对麻醉状态的高精度检测，及时发现潜在异常。并且在局部麻醉阶段分析的基础上，进一步引入了麻醉状态扩散检测。考虑麻醉状态的动态演变，即考虑到虽然在某一局部阶段未发现异常，但麻醉状态可能随着时间的推移发生细微变化，因此需要在相邻的阶段中进行跨阶段的数据比较与动态分析。通过对麻醉状态扩散路径的监测，可以有效捕捉到潜在的、逐步累积的麻醉状态异常。本发明利用脑电状态与体征数据的关联性，将局部麻醉阶段的静态分析与跨阶段的动态扩散检测相结合，提供了一种更加精细化和智能化的麻醉状态监测方案，克服了仅基于脑电图信号进行麻醉状态分析的局限性，提升了麻醉异常检测的准确性，能够实现对麻醉状态的全面监控与实时预警，确保患者在麻醉过程中的安全性。

作为一种可选的实施过程，为了实现更高精度的麻醉状态监测，通过分析历史数据对麻醉维持阶段下患者的麻醉状态进行建模，以便为麻醉状态的异常检测提供更加可靠的参考。对于步骤S3中的脑电体征目标关联向量和脑电体征关联参考范围，具体生成过程包括：

获取多位患者位于麻醉维持阶段的历史麻醉状态监测数据，根据历史脑电状态监测数据将麻醉维持阶段分为多个局部麻醉阶段，从多组历史麻醉状态监测数据中提取出每个局部麻醉阶段的多组历史样本数据，构建得到每个局部麻醉阶段的阶段样本数据集合。

需要说明的是，对于获取的多位患者在麻醉维持阶段的历史麻醉状态监测数据，主要包括患者在麻醉维持阶段的历史脑电状态监测数据和历史体征监测数据两大内容，以反映在麻醉维持阶段中，用于作为样本数据的患者实际具体的脑电状态以及体征状态变化情况。对于局部麻醉阶段的划分，具体可以采用前述内容中提到的方式，通过划分得到的多个局部麻醉阶段，可以将每位患者的历史麻醉状态监测数据按照对应的阶段进行分割，得到每个局部麻醉阶段对应的多组历史样本数据。

这个过程中，考虑到不同患者在实际的手术过程中，由于生理数据以及手术类型的差异，导致处于麻醉维持阶段的时长并不相同，使得不同患者在每个局部麻醉阶段的持续时长不同，这种情况下可以基于相同持续时长将每位患者在同一局部麻醉阶段的数据进行进一步分割，例如有的患者的麻醉维持阶段可能长达七八个小时，或者短至两三个小时，这种情况下可以例如10分钟为间隔将每个局部麻醉阶段内的数据划分为多组数据，以实现数据尺度的统一，从而构建得到每个局部麻醉阶段的包含多组历史样本数据的阶段样本数据集合。

提取出每个阶段样本数据集合中每组历史样本数据的历史脑电状态参数序列和多个历史体征状态参数序列，分别计算每组历史样本数据中历史脑电状态参数序列和多个历史体征状态参数序列之间的条件熵，构建得到每组历史样本数据的历史脑电体征关联向量。

需要说明的是，在分别对每组历史样本数据中的脑电状态和体征状态进行量化，提取得到每组历史样本数据的历史脑电状态参数序列和多个历史体征状态参数序列后，为了量化脑电状态和体征状态之间的关联性，分别计算每组历史样本数据中的历史脑电状态参数序列和历史体征状态参数序列之间的条件熵，以衡量在已知脑电状态的条件下，体征数据的变化程度和关联强度，以量化脑电和体征状态之间的依赖关系，最终构建得到表征每组历史样本数据中，脑电状态和不同体征状态参数之间的依赖变化关系的历史脑电体征关联向量。

值得说明的是，虽然提取出的每组历史样本数据之间的历史脑电体征关联向量，可能多个向量来源于同一患者，且对应患者的生理参数以及体内代谢情况存在着差异，但是在这种局部的麻醉阶段下，在同一个阶段中数据的变化关系还是存在共性的，个体差异更多的是导致患者的麻醉状态维持时长会存在差异，例如有的患者代谢较快而导致脑电状态变化较快，即脑电状态变化速率存在差异，但是这个变化过程中脑电状态导致体征参数发生变化的规律是存在共性的，例如随着BIS值逐渐升高或者降低，患者的体征例如血压、心率等也会随之变化，这种共性使得在对于不同患者的麻醉状态监测数据进行分析的过程中，可以实现对变化规律的建模分析，以去除数据中的个体差异干扰而识别其中的共性变化。

根据阶段样本数据集合中的多个历史脑电体征关联向量构建得到每个阶段样本数据集合的脑电体征关联矩阵，对每个脑电体征关联矩阵进行协方差计算以生成每个脑电体征关联矩阵的协方差矩阵，分别对多个协方差矩阵进行特征值分解得到多个参考特征向量和每个参考特征向量的特征值。

需要说明的是，将集合中多组历史样本数据的历史脑电体征关联向量进行拼接形成一个高维的脑电体征关联矩阵，采用特征分解的方式提取出高维矩阵中的多个主要特征方向。这个过程中先对脑电体征关联矩阵进行协方差计算以得到对应的协方差矩阵，以便更好地捕捉矩阵数据的变化规律和内在结构。而后对每个脑电体征关联矩阵对应的协方差矩阵进行特征值分解，得到每个协方差矩阵的多个参考特征向量和每个参考特征向量的特征值。参考特征向量表示了矩阵中的主要特征方向，对应的特征值则反映这些特征的重要性。特征值较大的参考特征向量表示对于麻醉状态的分析具有较大影响，而特征值较小的特征向量则可能对麻醉状态的变化影响较小。

从多个参考特征向量中确定多个目标特征向量，根据多个目标特征向量分别对应的特征值计算得到每个体征状态参数的关联评分，生成每个局部麻醉阶段的脑电体征关联参考向量，根据脑电体征关联参考向量确定每个局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围。

需要说明的是，对于多个目标特征向量的选取，具体可以通过参考特征向量对应的特征值进行选择，例如通过特征值累积的方式，按照特征值从大到小的方式对多个参考特征向量进行排序，逐个进行选择并计算已经选取出的参考特征向量对应的特征值总和，在达到预设阈值后完成筛选并将已经选取到的多个参考特征向量记为目标特征向量，或者直接基于预设特征阈值进行选择，特征值大于预设特征阈值的参考特征向量均记为目标特征向量。

对于选择出来的多个目标特征向量，向量中的每个元素对应的数值分别代表其中一项体征状态参数的权重，目标特征向量对应的特征值则表示目标特征向量的重要性或者说是贡献程度，将多个特征值进行归一化处理后，可以得到每个目标特征向量归一化后的重要性参数。而后通过重要性参数进一步强化每个目标特征向量中每项体征状态参数的权重，例如求取两者的乘积以计算得到每项体征状态参数在每个目标特征向量中的局部评分，将体征状态参数在多个目标特征向量中的局部评分进行累加后得到每个体征状态参数的关联评分。最终根据体征状态参数的关联评分构建得到局部麻醉阶段的脑电体征关联参考向量，脑电体征关联参考向量表示了集合中脑电状态与体征状态之间的典型关联变化模式，能够提供麻醉维持阶段内不同局部麻醉阶段下脑电状态与体征状态之间的共性关联规律，而后通过脑电状态与体征状态之间的共性关联规律，对每个局部麻醉阶段对应的多个历史脑电体征关联向量进行综合分析，生成局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围。

作为一种可选的实施过程，根据脑电体征关联参考向量确定每个局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围的过程，具体包括如下内容：

基于脑电体征关联参考向量对每个局部麻醉阶段的阶段样本数据集合中的多个历史脑电体征关联向量进行关联修正，得到每个历史脑电体征关联向量对应的历史脑电体征修正关联向量，根据多个历史脑电体征修正关联向量生成每个局部麻醉阶段的脑电体征目标关联向量。

需要说明的是，对每个局部麻醉阶段中的历史脑电体征关联向量进行修正的意义在于，每个历史脑电体征关联向量所涉及的脑电状态和体征状态可能会因患者个体差异带来的波动导致存在不同的关联关系，基于脑电体征关联参考向量则是综合了大量数据的共性规律，关联修正可以使得每个历史脑电体征关联向量更具备代表性以适应个体差异。修正过程采用加权的方式，将脑电体征关联参考向量每个体征状态参数的具体数值作为修正的权重，从而得到每个历史脑电体征关联向量对应的历史脑电体征修正关联向量。而后将多个修正后的向量进行聚合，例如计算多个历史脑电体征修正关联向量的均值，以得到综合表征局部麻醉阶段中脑电状态与体征状态的群体关联模式的脑电体征目标关联向量。

值得补充的是，上述的脑电体征目标关联向量具体是在脑电体征关联参考向量的基础上考虑了个体的个性化特征生成的，即考虑了不同患者的生理差异，而脑电体征关联参考向量则是通过特征值分解生成的，脑电体征关联参考向量的生成过程提取出了数据的主要特征方向和共性规律，但是去除了个体差异的影响。而实际的麻醉状态异常检测过程中，由于不同患者之间存在较为显著的个性化生理特征，仅考虑普遍规律可能无法完全反映个体患者的特定情况，导致在检测过程中对于部分个体会出现误报的情况，以脑电体征目标关联向量作为参考，则可以兼顾个体患者的特殊性，对于个别患者的监测和异常检测具有较强的适用性和灵活性，可以从更加符合个体患者的生理特点，适应不同个体的麻醉变化规律的角度进行麻醉状态分析，使得麻醉状态分析过程更加个性化。

对于脑电体征关联参考范围，在生成脑电体征目标关联向量后，分别计算脑电体征目标关联向量与多个历史脑电体征修正关联向量之间的距离，根据脑电体征目标关联向量确定脑电体征关联参考范围，并对脑电体征关联参考范围进行目标累计分析，得到每个局部麻醉阶段的脑电体征关联参考范围。

需要说明的是，脑电体征目标关联向量具体用于作为基准，衡量每个患者在局部麻醉阶段中脑电状态与体征状态之间的变化关联特性，这个过程中进一步根据多个参考个体确定脑电体征关联参考范围，即衡量实际的麻醉状态分析过程中，患者普遍与基准状态的差异情况，参考范围是一个包含正常麻醉状态波动的区间，用于界定正常与异常的边界。

这个过程中，先以脑电体征目标关联向量为中心确定脑电体征关联参考范围，初始的脑电体征关联参考范围只有原点，而后对脑电体征关联参考范围进行逐次扩大并进行目标累计分析，每次以目标参考距离为基准进行范围扩大，在每次执行范围扩大的操作后，统计在该范围内的目标累计数量与总患者数量的比值，得到目标累计比例，若某次进行扩大后目标累计比例达到了目标累积阈值，例如85%，即扩展后的参考范围内包含了85%的历史数据，这种情况下认为参考范围已经充分覆盖了正常麻醉状态的数据波动，则完成对脑电体征关联参考范围的扩大，输出局部麻醉阶段的脑电体征关联参考范围，否则继续进行扩大操作直到达到阈值并输出。最终确定的脑电体征关联参考范围将作为局部麻醉阶段的正常麻醉状态波动范围。任何超出该范围的实时脑电体征关联向量，都可以视为潜在的麻醉异常并触发异常检测机制。通过这种方式帮助医护人员发现患者的潜在麻醉状态异常，提高麻醉状态分析的精度和安全性。

作为一种可选的实施过程，对于步骤S5，对待分析患者进行麻醉状态扩散检测的过程，具体为先确定待分析患者的目标麻醉状态扩散路径，根据目标麻醉状态扩散路径对应的脑电体征目标扩散向量实现麻醉状态扩散检测。其中，目标麻醉状态扩散路径具体是通过对多位患者位于麻醉维持阶段的历史麻醉状态监测数据进行数据挖掘生成的，具体包括如下生成过程：

确定每个局部麻醉阶段的麻醉阶段扩散路径，构建每个麻醉阶段扩散路径的包含多组扩散样本数据的扩散样本数据集合，提取出每个扩散样本数据集合中每组扩散样本数据的第一脑电体征修正关联向量和第二脑电体征修正关联向量。

需要说明的是，对于每个局部麻醉阶段，除了处于麻醉维持阶段的边界的两个阶段，其余阶段均对应有两个麻醉阶段扩散路径，即从自身向BIS值增长与降低的方向进行扩散。对于每个局部麻醉阶段的至少一个麻醉阶段扩散路径，根据每位患者的历史麻醉状态监测数据，提取出每个麻醉阶段扩散路径的多组扩散样本数据，以构建每个麻醉阶段扩散路径的扩散样本数据集合。

其中，在构建每个局部麻醉阶段的阶段样本数据集合的过程中，先根据患者实际的BIS值将数据基于局部麻醉阶段进行了初步划分，但是这个过程并未考虑到患者的麻醉状态变化过程，例如患者的局部麻醉阶段依次按照BIS值降低的方向，从阶段A变为阶段B和阶段C，再从阶段C依次回退至阶段B和阶段A，这个过程中处于阶段A的历史样本数据均用于构建得到局部麻醉阶段A的阶段样本数据集合，即患者的BIS值存在一个降低并升高的过程，使得一个局部麻醉阶段会包含降低过程和上升过程的数据，每个局部麻醉阶段内的数据最终又被分为了多组历史样本数据，但在构建阶段样本数据集合的过程中并未考虑这种BIS值变化的情况，即麻醉状态扩散变化的情况。而对于麻醉阶段扩散路径的扩散样本数据集合，则具体考虑麻醉状态的变化过程，例如阶段A变换至阶段B的过程中，阶段A包含时序变化的A1、A2、A3三组历史样本数据，阶段B包含时序变化的B1、B2、B3三组历史样本数据，则阶段A变换至阶段B的麻醉阶段扩散路径，具体的一组扩散样本数据则是历史样本数据A3和B1，以作为局部麻醉阶段扩散过程中的数据参考，用于描述在跨麻醉阶段的场景下麻醉状态的变化信息。根据前述步骤，可以得到每组扩散样本数据对应的第一脑电体征修正关联向量和第二脑电体征修正关联向量，分别表征当前局部麻醉阶段和下一扩散的局部麻醉阶段对应的历史脑电体征修正关联向量，即上述的考虑了患者个性化生理特征的关联向量。

通过第一脑电体征修正关联向量和第二脑电体征修正关联向量可以生成每组扩散样本数据的关联状态扩散趋势向量，关联状态扩散趋势向量具体可以是，第二脑电体征修正关联向量与第一脑电体征修正关联向量之间，每项体征状态参数的特征值之间的差值构成的，表征了在麻醉状态的扩散过程，脑电状态变化与体征状态协同变化过程的协同性变化趋势。最终在考虑顾个体患者的特殊性的基础上，将多组扩散样本数据的表征协同性变化趋势的关联状态扩散趋势向量进行聚合，以得到综合表征每个麻醉阶段扩散路径中，脑电状态与体征状态的群体关联模式变化趋势的脑电体征目标扩散向量。

选取第一脑电体征修正关联向量和第二脑电体征修正关联向量生成关联状态扩散趋势向量，并最终构建得到脑电体征目标扩散向量的意义在于，由于扩散样本数据的构建是基于跨阶段相邻的两组历史样本数据构成的，在这种短期时段内，患者本身的脑电状态变化程度实际上是相对较小的，不同于整个局部麻醉阶段内的变化，导致如果仅基于扩散样本数据所对应的历史脑电体征关联向量生成关联状态扩散趋势向量，最终表征得到扩散趋势会相对较弱，导致在实际检测中存在检测精度不足的问题，而根据修正后的第一脑电体征修正关联向量和第二脑电体征修正关联向量生成关联状态扩散趋势向量，可以从全局的角度上实现对短时段内的数据实际变化情况进行放大，从而使得基于脑电体征目标扩散向量可以更好地实现麻醉状态扩散检测。

在这种情况下，对于实际的麻醉状态扩散检测过程，由于脑电体征目标扩散向量的生成考虑了患者个性化差异再进行群体共性特征的表征，可以包含其中的一些特殊个体的扩散趋势，实时监测过程中若未超出这一扩散趋势，则认为是属于正常的扩散状态，否则认为扩散状态存在异常。而对于被判定为属于正常的扩散状态的患者，当患者处于新的局部麻醉阶段后，采用上述的方案，可以再次进行新的局部麻醉阶段的局部静态检测，若不符合相关的局部状态变化依旧会被标记为异常，避免出现异常状态的漏检，保证了对患者的麻醉状态进行分析的精度。

作为本发明其中一个实施过程，还提供了一种基于体征数据的患者麻醉状态分析系统，用于实现上述的一种基于体征数据的患者麻醉状态分析方法，如图2所示，该系统包括：

麻醉状态监测模块，用于在获取到待分析患者在当前检测阶段的实时麻醉状态监测数据后，实时麻醉状态监测数据包括待分析患者的实时脑电状态监测数据和实时体征监测数据，提取出待分析患者的实时脑电状态参数序列和多个实时体征状态参数序列；

脑电体征关联分析模块，用于分别计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵，以构建得到待分析患者在当前检测阶段的实时脑电体征关联向量；

麻醉状态局部异常检测模块，用于根据当前检测阶段下的实时脑电状态监测数据确定待分析患者的第一局部麻醉阶段，确定实时脑电体征关联向量对应的脑电体征目标关联向量和脑电体征关联参考范围，根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果；

麻醉状态扩散检测模块，用于若麻醉状态局部异常检测结果为待分析患者未存在麻醉状态局部异常，则对待分析患者进行麻醉状态扩散检测以生成麻醉状态扩散异常检测结果；

对待分析患者进行麻醉状态扩散检测包括获取待分析患者在下个检测阶段的实时麻醉状态监测数据，根据下个检测阶段的实时麻醉状态监测数据确定待分析患者第二局部麻醉阶段，生成待分析患者的目标麻醉状态扩散路径，确定目标麻醉状态扩散路径的脑电体征目标扩散向量，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测。

上述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于体征数据的患者麻醉状态分析方法，其特征在于，包括：

在获取到待分析患者在当前检测阶段的实时麻醉状态监测数据后，实时麻醉状态监测数据包括待分析患者的实时脑电状态监测数据和实时体征监测数据，提取出待分析患者的实时脑电状态参数序列和多个实时体征状态参数序列；

分别计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵，以构建得到待分析患者在当前检测阶段的实时脑电体征关联向量；

根据当前检测阶段下的实时脑电状态监测数据确定待分析患者的第一局部麻醉阶段，确定实时脑电体征关联向量对应的脑电体征目标关联向量和脑电体征关联参考范围；

根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果；

若麻醉状态局部异常检测结果为待分析患者未存在麻醉状态局部异常，则对待分析患者进行麻醉状态扩散检测以生成麻醉状态扩散异常检测结果；

对待分析患者进行麻醉状态扩散检测包括获取待分析患者在下个检测阶段的实时麻醉状态监测数据，根据下个检测阶段的实时麻醉状态监测数据确定待分析患者第二局部麻醉阶段，生成待分析患者的目标麻醉状态扩散路径，确定目标麻醉状态扩散路径的脑电体征目标扩散向量，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测。

2.根据权利要求1所述的一种基于体征数据的患者麻醉状态分析方法，其特征在于，对于脑电体征目标关联向量和脑电体征关联参考范围，还包括：

获取多位患者位于麻醉维持阶段的历史麻醉状态监测数据，历史麻醉状态监测数据包括患者在麻醉维持阶段的历史脑电状态监测数据和历史体征监测数据；

根据历史脑电状态监测数据将麻醉维持阶段分为多个局部麻醉阶段，从多组历史麻醉状态监测数据中提取出每个局部麻醉阶段的多组历史样本数据，构建得到每个局部麻醉阶段的阶段样本数据集合；

提取出每个阶段样本数据集合中每组历史样本数据的历史脑电状态参数序列和多个历史体征状态参数序列，分别计算每组历史样本数据中历史脑电状态参数序列和多个历史体征状态参数序列之间的条件熵，构建得到每组历史样本数据的历史脑电体征关联向量；

根据阶段样本数据集合中的多个历史脑电体征关联向量构建得到每个阶段样本数据集合的脑电体征关联矩阵，对每个脑电体征关联矩阵进行协方差计算以生成每个脑电体征关联矩阵的协方差矩阵，分别对多个协方差矩阵进行特征值分解得到多个参考特征向量和每个参考特征向量的特征值；

从多个参考特征向量中确定多个目标特征向量，根据多个目标特征向量分别对应的特征值计算得到每个体征状态参数的关联评分，生成每个局部麻醉阶段的脑电体征关联参考向量，根据脑电体征关联参考向量确定每个局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围。

3.根据权利要求2所述的一种基于体征数据的患者麻醉状态分析方法，其特征在于，根据脑电体征关联参考向量确定每个局部麻醉阶段的脑电体征目标关联向量和脑电体征关联参考范围，包括：

基于脑电体征关联参考向量对每个局部麻醉阶段的阶段样本数据集合中的多个历史脑电体征关联向量进行关联修正，得到每个历史脑电体征关联向量对应的历史脑电体征修正关联向量；

根据多个历史脑电体征修正关联向量生成每个局部麻醉阶段的脑电体征目标关联向量，分别计算脑电体征目标关联向量与多个历史脑电体征修正关联向量之间的距离，根据脑电体征目标关联向量确定脑电体征关联参考范围，并对脑电体征关联参考范围进行目标累计分析，包括以脑电体征目标关联向量为中心确定脑电体征关联参考范围，在每次基于目标参考距离对脑电体征关联参考范围进行扩大后统计目标累计比例，在达到目标累积阈值后完成对脑电体征关联参考范围的扩大，输出每个局部麻醉阶段的脑电体征关联参考范围。

4.根据权利要求3所述的一种基于体征数据的患者麻醉状态分析方法，其特征在于，对于脑电体征目标扩散向量，还包括：

确定每个局部麻醉阶段的麻醉阶段扩散路径，构建每个麻醉阶段扩散路径的包含多组扩散样本数据的扩散样本数据集合；

提取出每个扩散样本数据集合中每组扩散样本数据的第一脑电体征修正关联向量和第二脑电体征修正关联向量，根据第一脑电体征修正关联向量和第二脑电体征修正关联向量生成每组扩散样本数据的关联状态扩散趋势向量，根据多个关联状态扩散趋势向量生成每个麻醉阶段扩散路径的脑电体征目标扩散向量。

5.根据权利要求3所述的一种基于体征数据的患者麻醉状态分析方法，其特征在于，根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果，包括：

根据待分析患者的第一局部麻醉阶段对应的脑电体征关联参考向量，对在待分析患者在当前检测阶段的实时脑电体征关联向量进行修正生成实时脑电体征关联修正向量，计算实时脑电体征关联修正向量与脑电体征目标关联向量之间的目标距离，若目标距离处于脑电体征关联参考范围，则认为待分析患者未存在麻醉状态局部异常，否则认为待分析患者存在麻醉状态局部异常并进行麻醉状态异常预警。

6.根据权利要求4所述的一种基于体征数据的患者麻醉状态分析方法，其特征在于，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测，包括：

提取出待分析患者在下个检测阶段的实时麻醉状态监测数据对应的实时脑电体征关联向量，根据待分析患者在当前检测阶段的实时脑电体征关联向量，计算得到待分析患者的脑电体征实时扩散向量，根据脑电体征目标扩散向量对脑电体征实时扩散向量进行分析，确定每项体征状态参数的扩散偏离状态，生成待分析患者的麻醉状态扩散异常检测结果。

7.根据权利要求2所述的一种基于体征数据的患者麻醉状态分析方法，其特征在于，根据多个目标特征向量分别对应的特征值计算得到每个体征状态参数的关联评分，包括：

通过目标特征向量对应的特征值对目标特征向量中每个体征状态参数的元素值进行分析，得到每项体征状态参数在每个目标特征向量中的局部评分，将体征状态参数在多个目标特征向量中的局部评分进行累加后得到每个体征状态参数的关联评分。

8.一种基于体征数据的患者麻醉状态分析系统，其特征在于，所述系统用于实现上述权利要求1-7任一项所述的一种基于体征数据的患者麻醉状态分析方法，包括：

麻醉状态监测模块，用于在获取到待分析患者在当前检测阶段的实时麻醉状态监测数据后，实时麻醉状态监测数据包括待分析患者的实时脑电状态监测数据和实时体征监测数据，提取出待分析患者的实时脑电状态参数序列和多个实时体征状态参数序列；

脑电体征关联分析模块，用于分别计算实时脑电状态参数序列和多个实时体征状态参数序列之间的条件熵，以构建得到待分析患者在当前检测阶段的实时脑电体征关联向量；

麻醉状态局部异常检测模块，用于根据当前检测阶段下的实时脑电状态监测数据确定待分析患者的第一局部麻醉阶段，确定实时脑电体征关联向量对应的脑电体征目标关联向量和脑电体征关联参考范围，根据脑电体征目标关联向量和脑电体征关联参考范围对待分析患者进行麻醉状态局部异常检测，得到麻醉状态局部异常检测结果；

麻醉状态扩散检测模块，用于若麻醉状态局部异常检测结果为待分析患者未存在麻醉状态局部异常，则对待分析患者进行麻醉状态扩散检测以生成麻醉状态扩散异常检测结果；

对待分析患者进行麻醉状态扩散检测包括获取待分析患者在下个检测阶段的实时麻醉状态监测数据，根据下个检测阶段的实时麻醉状态监测数据确定待分析患者第二局部麻醉阶段，生成待分析患者的目标麻醉状态扩散路径，确定目标麻醉状态扩散路径的脑电体征目标扩散向量，基于脑电体征目标扩散向量对待分析患者在下个检测阶段的实时麻醉状态监测数据进行麻醉状态扩散检测。