本发明涉及光谱数据处理，具体涉及一种麻醉气体成分智能化识别方法及系统。
背景技术：
1、在手术中，需要对混合麻醉气体中的各个麻醉气体的组分进行识别，从而确保病人处于适当的麻醉状态，通常基于回归的方式来识别混合麻醉气体中多种物质的含量。
2、在现有技术中，存在识别混合麻醉气体中多种物质的含量不够准确的技术问题。
技术实现思路
1、为了解决识别混合麻醉气体中多种物质的含量不够准确的技术问题，本发明的目的在于提供一种麻醉气体成分智能化识别方法及系统，所采用的技术方案具体如下：
2、一种麻醉气体成分智能化识别方法，所述方法包括：
3、获取多个麻醉混合气体样本的光谱数据和对应的流速数据；其中，不同的麻醉混合气体样本其流速不同；
4、基于所述光谱数据，构建单个麻醉气体的含量贡献度模型；
5、基于所述流速数据，对所述单个麻醉气体的含量贡献度模型进行修改从而得到修正后的含量贡献度模型；其中，所述修正后的含量贡献度模型考虑了所述流速数据对光谱数据的影响；其中，所述影响用于表示当所述流速数据高于某一阈值时，其光谱数据的峰形变窄，当所述流速数据低于某一阈值时，其光谱数据的峰形展宽；
6、基于所述修正后的含量贡献度模型，构建基于回归模型的优化问题；其中，所述的优化问题的目标函数是实际检测到的某一麻醉气体的真实含量与经所述回归模型计算得到的估算含量的差值；
7、求解所述优化问题的目标函数，从而得到麻醉气体估算模型，其中，所述麻醉气体估算模型用于对麻醉气体执行智能化识别。
8、进一步的，所述基于所述光谱数据，构建单个麻醉气体的含量贡献度模型的步骤，包括：
9、基于所述光谱数据，确定所述麻醉混合气体样本中各个麻醉气体的特征波段区间；
10、构建在所述特征波段区间内不同波段对单个麻醉气体的含量贡献度模型；其中，所述含量贡献度模型考虑了单个麻醉气体在所述特征波段区间内不同波段下的响应估计值。
11、进一步的，所述基于所述流速数据，对所述单个麻醉气体的含量贡献度模型进行修改从而得到修正后的含量贡献度模型的步骤，包括：
12、基于所述流速数据，确定所述麻醉混合气体样本的光谱数据的自适应gamma值；其中，所述自适应gamma值用于表征在携带有流速数据的情况下，在各特征波段区间内，最大流速下吸收率的偏度系数与各个波段吸收率的偏度系数的差值其中，该差值是经过指数函数映射的；
13、基于所述自适应gamma值，对所述含量贡献度模型执行修正，得到修正后的含量贡献度模型。
14、进一步的，所述的特征波段区间通过如下方法确定：
15、针对各个麻醉气体的光谱数据，确定其光谱数据吸收率的最大值对应的波段；
16、以该光谱数据吸收率的最大值对应的波段为起点，以预设长度的滑窗向两侧滑动若干个滑窗的距离；
17、将所述滑窗内的波段以及所述光谱数据吸收率的最大值对应的波段确定为所述特征波段区间。
18、进一步的，所述含量贡献度模型的表达式为：所述的含量贡献度模型表示为任一麻醉气体在某一波段下的吸收率估计值占其余各个麻醉气体吸收率估计值的比例系数与对应麻醉气体在该波段下的光谱吸收率的乘积，其中，该乘积是经过最大最小归一化处理的。
19、进一步的，在所述优化问题的目标函数中，所述实际检测到的某一麻醉气体的真实含量通过如下的方法来却确定：
20、通过预设的训练样本来表示所述实际检测到的某一麻醉气体的真实含量；其中，所述训练样本中包括有至少一个麻醉混合气体样本在至少一个气体流速下的情况下的，至少一种麻醉气体物质的成分含量。
21、进一步的，在所述优化问题的目标函数的表达式中，所述经所述回归模型计算得到的估算含量通过如下的方法来却确定：
22、构建待求解的系数向量；
23、将所述待求解的系数向量，与修正系数矩阵以及光谱数据吸收率向量进行乘积，得到乘积后的值；其中，所述修正系数矩阵是任一麻醉混合气体样本中任一麻醉气体物质的成分含量，在麻醉气体流速数据为某一值时的维修正系数矩阵；其中，所述光谱数据吸收率向量是对应的麻醉气体物质在特征波段区间内的光谱数据吸收率向量；
24、将所述乘积后的值加上待求解的偏置参数，再至少进行关于麻醉混合气体样本的个数以及醉气体流速数据的积分处理，得到所述经所述回归模型计算得到的估算含量。
25、进一步的，采用拉格朗日数乘法或者使用用梯度下降方法求解所述优化问题的目标函数。
26、进一步的，所述麻醉气体估算模型的表达式：
27、已经求解的系数向量、成分含量以及光谱吸收率向量的乘积并且该乘积还加上已经求解的偏置参数；其中，该成分含量是目标麻醉混合气体样本中目标麻醉气体物质的成分含量；其中，该光谱吸收率向量表示目标麻醉混合气体样本中目标麻醉气体物质在征波段区间内，多个波段对应的光谱吸收率向量。
28、一种麻醉气体成分智能化识别系统，所述系统包括：
29、获取模块，其用于获取多个麻醉混合气体样本的光谱数据和对应的流速数据；其中，不同的麻醉混合气体样本其流速不同；
30、第一构建模块，其用于基于所述光谱数据，构建单个麻醉气体的含量贡献度模型；
31、修改模块，其用于基于所述流速数据，对所述单个麻醉气体的含量贡献度模型进行修改从而得到修正后的含量贡献度模型；其中，所述修正后的含量贡献度模型考虑了所述流速数据对光谱数据的影响；其中，所述影响用于表示当所述流速数据高于某一阈值时，其光谱数据的峰形变窄，当所述流速数据低于某一阈值时，其光谱数据的峰形展宽；
32、第二构建模块，其用于基于所述修正后的含量贡献度模型，构建基于回归模型的优化问题；其中，所述的优化问题的目标函数是实际检测到的某一麻醉气体的真实含量与经所述回归模型计算得到的估算含量的差值；
33、求解模块，其用于求解所述优化问题的目标函数，从而得到麻醉气体估算模型，其中，所述麻醉气体估算模型用于对麻醉气体执行智能化识别。
34、本发明具有如下有益效果：
35、本发明首先获取多个麻醉混合气体样本的光谱数据和对应的流速数据；其中，不同的麻醉混合气体样本其流速不同；再基于所述光谱数据，构建单个麻醉气体的含量贡献度模型；然后基于所述流速数据，对所述单个麻醉气体的含量贡献度模型进行修改从而得到修正后的含量贡献度模型；其中，所述修正后的含量贡献度模型考虑了所述流速数据对光谱数据的影响；其中，所述影响用于表示当所述流速数据高于某一阈值时，其光谱数据的峰形变窄，当所述流速数据低于某一阈值时，其光谱数据的峰形展宽；接着基于所述修正后的含量贡献度模型，构建基于回归模型的优化问题；其中，所述的优化问题的目标函数是实际检测到的某一麻醉气体的真实含量与经所述回归模型计算得到的估算含量的差值；最后求解所述优化问题的目标函数，从而得到麻醉气体估算模型，该方法利用不同流速以及原始麻醉气体浓度配比下的光谱数据，对不同波段对各麻醉气体物质含量的贡献程度进行进一步的量化，使得在不同流速下的贡献程度可以得到自适应的调整，以提高检测系统对不同流速下麻醉气体的检测准确性。
1.一种麻醉气体成分智能化识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种麻醉气体成分智能化识别方法，其特征在于，所述基于所述光谱数据，构建单个麻醉气体的含量贡献度模型的步骤，包括：
3.根据权利要求2所述的一种麻醉气体成分智能化识别方法，其特征在于，所述基于所述流速数据，对所述单个麻醉气体的含量贡献度模型进行修改从而得到修正后的含量贡献度模型的步骤，包括：
4.根据权利要求2所述的一种麻醉气体成分智能化识别方法，其特征在于，所述的特征波段区间通过如下方法确定：
5.根据权利要求3或者4所述的一种麻醉气体成分智能化识别方法，其特征在于，所述含量贡献度模型的表达式为：所述的含量贡献度模型表示为任一麻醉气体在某一波段下的吸收率估计值占其余各个麻醉气体吸收率估计值的比例系数与对应麻醉气体在该波段下的光谱吸收率的乘积，其中，该乘积是经过最大最小归一化处理的。
6.根据权利要求5所述的一种麻醉气体成分智能化识别方法，其特征在于，在所述优化问题的目标函数的表达式中，所述实际检测到的某一麻醉气体的真实含量通过如下的方法来却确定：
7.根据权利要求6所述的一种麻醉气体成分智能化识别方法，其特征在于，在所述优化问题的目标函数中，所述经所述回归模型计算得到的估算含量通过如下的方法来却确定：
8.根据权利要求7所述的一种麻醉气体成分智能化识别方法，其特征在于，采用拉格朗日数乘法或者使用用梯度下降方法求解所述优化问题的目标函数。
9.根据权利要求7所述的一种麻醉气体成分智能化识别方法，其特征在于，所述麻醉气体估算模型的表达式：
10.一种麻醉气体成分智能化识别系统，其特征在于，所述系统包括：
