1.2 研究现状
1.3 研究目的及意义
Bayesian网络是一种图形化网络,这个网络的基础是Bayesian公式。根据一些变量信息来推断另一些变量的概率信息的过程,叫做概率推理。Bayesian网络就是一种基于概率推理的数学模型和概率网络,它的提出主要是为了解决信息的不定性和不完整性,在多个领域中都得到广泛的应用,尤其是对于复杂因素的关联性和不确定性导致的推理疑难问题的解决,更加具有明显的优势。
本文针对手术过程中麻醉药物及剂量控制等问题,提出一种基于Bayesian信念网络的麻醉控制方法。主要涉及到适用于医疗领域的麻醉服务机器人的关键算法和系统结构,包括:借助心跳监护仪、脑电双频指数(BIS)、生命监控装置等传感器获取目标参数, 利用Bayesian网络分析器推算病人的麻醉程度,基于目标参数计算必要的静脉注射麻醉药剂量,并激活和控制自动注射系统对病人进行麻醉控制。同时为医生及护理人员提供输入、输出用户界面,实现对药物传递机制的配置。
本文的组织结构如下。第1章绪论中介绍了课题的研究背景、研究现状和研究目的及意义。第2章主要介绍与本课题相关的一些理论基础及技术支持。第3章主要介绍算法的模型与定义。第4章详细介绍了算法描述与具体实现。第5章主要是算法的测试与实验。最后是结论、致谢和参考文献。
2 理论基础及相关技术
本章主要介绍了基于Bayesian网络的麻醉控制算法研究所采用的Bayesian网络及Bayesian网络多源数据融合的相关理论基础,同时还介绍了本课题使用的开发语言Java以及开发工具MyEclipse和LabView。
2.1 Bayesian网络
2.1.1 概率计算公式
条件概率、全概率公式和Bayesian公式是Bayesian网络理论中常用到的概率公式。在介绍Bayesian网络之前,我们先了解这几个公式。
1) 条件概率
设 A,B是E(E为基本事件集)的两个事件,且 ,则称
(2.1)
为事件A发生的条件下,事件B的条件概率。
2) 全概率公式文献综述
设 是E的事件,且满足① ( 为样本空间);② ,则称
(2.2)
为全概率公式。
3) Bayesian公式
设 是E的一个互不相容的完备事件组,且 ,A是E的任意事件,则称
(2.3)
为Bayesian公式。
2.1.2 Bayesian方法
张尧庭和陈汉峰(1991)对Bayesian方法归纳如下[16]:
(1)将未知参数堪称随机变量(或随机向量),记它为 ,于是当 已知时,样本 的联合分布密度 就看成是 对 的条件密度,记为 或简写为 ;
(2)用 表示 的先验分布,一般根据以往对参数 的知识来确定先验分布(经常用于表示先验知识),如果没有关于先验参数 的先验知识, 应采用在 取值范围内的均匀分布(也成为Bayesian假设),这是Bayesian方法中容易引起争议的一步;
(3)利用条件分布密度 和先验分布 ,可以求出 与 的联合分布和样本 的分布,于是就可以用它们求得 对 的条件分布密度,也就是用Bayesian公式求得后验分布密度 ;
(4)利用后验分布密度 作出对 的推断(估计 或对 作检验),则
(2.4)
其中 。
2.1.3 Bayesian网络
Bayesian网络又叫做信念网络,是当前不确定信息表达和推理研究领域最为有效的理论模型之一,它是Bayesian方法的扩展。自1988由Pearl提出这一概念后,已成为最近几年的研究热点。Bayesian网络包括两部分:有向无环图(Directed Acyclic Graph,DAG)和条件概率表(Conditional Probability Table,CPT)。有向无环图由两部分构成,一部分是代表变量的节点,另一部分是连接这些节点的有向边,也称作弧。随机变量用节点表示,节点间的相互关系由节点间的有向边表示, 方向由父节点指向其对应的子节点。条件概率表保存表达关系强度的条件概率,由于根节点没有父节点,表示其信息时采用先验概率代替条件概率。任何问题的抽象都可以表示为节点变量,例如:观测现象,测试值,意见征询等。Bayesian网络主要用于表达和分析概率性和不确定性的事件,适用于条件性地依赖于多种相关因素的决策,还可以从不精确、不确定或不完全的信息或知识中做出推理。