一种人工智能麻醉苏醒监控系统及方法

技术领域

本发明涉及麻醉苏醒技术领域，特别是关于一种人工智能麻醉苏醒监控系统及方法。

背景技术

美国麻醉医生协会(American Society of Anesthesiologists。ASA)将避免术中知晓定为麻醉的首要目标。尽管术中知晓的发生率并不高，但术中知晓对患者造成的心理后遗症(包括心理和行为的异常，如睡眠障碍、焦虑多梦以及精神失常等精神症状)可持续数月或数年。术中知晓的患者常需进行心理治疗，严重者可发展为创伤后应激紊乱(PTSD)。PTSD是指经历创伤事件后患者思维与记忆中不由自主地反复涌现创伤性情境、逃避以及生理过激反应等为特征的系列综合征。最新统计数据显示，约22％的术中知晓患者出现该后遗症。研究人员对研究中发生术中知晓的患者进行随访，发生PTSD的比例为71％，明显高于对照组(12％)，症状待续平均4.7年。可见，发生术中知晓的患者易于出现后期心理障碍，PTSD发生率高且持续时间长。术中知晓会给患者造成不愉快的麻醉体验，并导致严重的后遗症，因此术中知晓不仅是患者担心的问题和严重的麻醉并发症，同时对麻醉科医师来说也是医疗纠纷的原因之一。

近些年，脑电双频指数(BIS)、脑电熵指数(entropy index)、Narcotrend麻醉/脑电意识深度监测指数(NI)、听觉诱发电位指数(AEPI)的出现，用于术中监测麻醉深度，但研究显示，这些指标仅可以部分减低术中知晓的发生率，并不能准确发现术中知晓。

目前应用最广泛的BIS需要将电极片贴于患者额头部，会影响部分手术视野的暴露，并不适用于所有手术的监测，同时该设备的价格较昂贵、体积较大，也让一些中小型医院或是较为偏远地区的医院采购该设备产生一定的困扰。另外，BIS脑电监测也会出现不准确的情况，比如脑电伪迹或是信号质量欠佳。如果是明确精神障碍患者、服用有精神作用药物的患者、以及年龄不满一岁的儿童在使用和解读BIS的数据时也需要考量，故而无法单凭仅靠BIS脑电进行监测。在现阶段，无论是在手术间、麻醉恢复室还是在重症监护室(ICU)，判断病人苏醒最常用的方法还停留在通过呼喊病人的名字，并没有麻醉苏醒相关的监测设备应用，但是这种方法需要医生或护士守护在患者床边，如果患者出现苏醒延迟，会耗费医护很多精力，一名医护只能看护一位患者，工作效率很低。

发明内容

针对上述问题，本发明的目的是提供一种人工智能麻醉苏醒监控系统及方法，能够实时、远程监控患者的苏醒状态。

为实现上述目的，本发明采取以下技术方案：一方面，提供一种人工智能麻醉苏醒监控系统，其特征在于，包括摄像头、上位机和扬声器；

所述摄像头用于实时采集患者的脸部和眼部图像；

所述上位机用于对所述摄像头采集的脸部和眼部图像进行识别、运算和判断处理，确定患者的眼部纵横比，并根据预先设定的患者苏醒阈值和患者闭眼阈值确定患者是否苏醒，并发送报警信号至所述扬声器，以及显示处理后的脸部和眼部图像、眼部纵横比和画面报警；

所述扬声器用于根据所述上位机发送的报警信号，发出报警音。

进一步地，该人工智能麻醉苏醒监控系统还包括可调整固定装置，所述可调整固定装置设置在手术床头架或手术车头架上，用于放置所述摄像头。

进一步地，该人工智能麻醉苏醒监控系统还包括本地服务器或云端，所述本地服务器或云端通过有线或无线方式与所述上位机进行网络连接，所述本地服务器或云端用于记录存储所述上位机的分析结果、个体化的患者苏醒阈值和患者闭眼阈值、患者的基本信息、术前监测录入阈值、术中监控信息和图像和手术时间与眼部变化频率关系信息。

进一步地，所述上位机包括运行主机和显示器；

所述运行主机用于对所述摄像头采集的脸部和眼部图像和眼部纵横比进行识别、运算和判断处理，确定患者的眼部纵横比，并根据预先设定的患者苏醒阈值和患者闭眼阈值确定患者是否苏醒，发送报警信号至所述显示器和扬声器；

所述显示器用于显示处理后的脸部和眼部图像以及眼部纵横比，以及当眼部纵横比超过设定的患者苏醒阈值时进行画面提醒。

进一步地，所述运行主机内设置有：

患者信息录入模块，用于录入患者的基本信息、默认的患者苏醒阈值和患者闭眼阈值以及通过AI自我学习库更新默认的患者苏醒阈值和患者闭眼阈值；

苏醒监控模块，用于对所述摄像头采集患者的脸部和眼部图像进行识别处理，计算出患者的眼部纵横比，以监控患者是否苏醒；

个体化患者阈值设定模块，用于根据所述摄像头获取的患者的若干次睁眼-闭眼动作的眼部纵横比的平均值，进行个体化的患者苏醒阈值和患者闭眼阈值的设定；

苏醒监控显示报警模块，用于当眼部纵横比超过设定的患者苏醒阈值时，发送报警信号至所述显示器和扬声器；

AI自我学习模块，用于将所述患者信息录入模块、个体化患者阈值设定模块和苏醒监控模块录入和监控的数据进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并存入所述本地服务器或云端。

进一步地，所述苏醒监控模块内设置有：

图像采集单元，用于获取所述摄像头采集的脸部和眼部图像；

图像设定单元，用于对获取的每一帧图像均进行解析度和灰度设定；

脸部特征点定位单元，用于基于人脸识别的特征点检测库，对图像设定后的每一帧图像进行脸部特征点定位；

眼部特征点定位单元，用于采用脸部特征位置检测器，基于脸部特征点定位后的每一帧图像进行眼部特征点定位，并得到各眼部特征点对应的坐标；

EAR值计算单元，用于基于眼部特征点定位后的每一帧图像，计算患者的左眼EAR值和右眼EAR值；

苏醒情况判断单元，用于根据计算的左眼EAR值和右眼EAR值以及设定的患者苏醒阈值和患者闭眼阈值，判定患者的苏醒情况。

进一步地，所述苏醒情况判断单元的判断过程为：

当左眼EAR值和右眼EAR值的平均值≥患者苏醒阈值时，则判定患者为睁眼，发送报警信号至所述显示器和扬声器；

当患者闭眼阈值<左眼EAR值和右眼EAR值的平均值<患者苏醒阈值时，则计为眯眼状态1次，若眯眼状态计数超过眯眼计数阈值时，则判定为眼部快速跳动，发送报警信号至所述显示器和扬声器；

当左眼EAR值和右眼EAR值的平均值≤患者闭眼阈值时，计数清零，所述显示器提示消失，所述扬声器停止报警。

进一步地，所述AI自我学习模块内设置有：

阈值模型生成单元，用于将所述患者信息录入模块、个体化患者阈值设定模块和苏醒监控模块录入和监控的数据进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并存入所述本地服务器或云端；

阈值建议单元，用于根据患者的基本信息，在所述本地服务器或云端中查询出符合该基本信息的苏醒阈值模型和闭眼阈值模型，给出患者苏醒阈值和患者闭眼阈值建议作为默认的患者苏醒阈值和患者闭眼阈值。

另一方面，提供一种人工智能麻醉苏醒监控方法，包括：

摄像头实时采集患者的脸部和眼部图像；

上位机对摄像头采集的脸部和眼部图像进行识别、运算和判断处理，确定患者的眼部纵横比，并根据预先设定的患者苏醒阈值和患者闭眼阈值确定患者是否苏醒，发送报警信号至扬声器，以及显示处理后的脸部和眼部图像、眼部纵横比和画面报警；

扬声器根据上位机发送的报警信号，发出报警音。

进一步地，所述上位机对摄像头采集的脸部和眼部图像进行识别、运算和判断处理，确定患者的眼部纵横比，并根据预先设定的患者苏醒阈值和患者闭眼阈值确定患者是否苏醒，发送报警信号至扬声器，以及显示处理后的脸部和眼部图像、眼部纵横比和画面报警，包括：

运行主机录入患者的基本信息；

运行主机确定患者苏醒阈值和患者闭眼阈值为默认的患者苏醒阈值和患者闭眼阈值或个体化的患者苏醒阈值和患者闭眼阈值；

运行主机对摄像头采集患者的脸部和眼部图像进行识别处理，计算出患者的眼部纵横比，以监控患者是否苏醒；

当眼部纵横比超过设定的患者苏醒阈值时，运行主机发送报警信号至显示器和扬声器，显示器进行画面提醒；

运行主机对患者的基本信息、患者苏醒阈值、患者闭眼阈值和摄像头采集的脸部和眼部图像进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并存入本地服务器或云端，以在本地服务器或云端中查询出符合患者的苏醒阈值模型和闭眼阈值模型，给出患者苏醒阈值和患者闭眼阈值的建议。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明通过患者信息录入模块录入患者基本信息，采用人工智能算法根据机器学习结果给出默认的患者苏醒阈值和患者闭眼阈值的建议，也可在此基础上设定个体化的患者苏醒阈值和患者闭眼阈值。

2、在阈值设定后，本发明可以通过监控用摄像头获取患者脸部和眼部图像，并通过运行主机，对采集的图像进行识别处理，计算出眼部纵横比，当眼部纵横比超过设定的患者苏醒阈值，将发送报警信号至监控信息显示用的显示器和监控信息报警用的扬声器提示给麻醉医生。

3、本发明所有的监控信息均存储于本地服务器或云端，用于AI自我学习模块的学习和训练，以便提供更为准确的患者苏醒阈值和患者闭眼阈值的建议。

4、本发明能够应用于手术间、麻醉恢复室和ICU等多种场景的人工智能麻醉苏醒监控系统，可实时、远程监控患者的苏醒状态，并给予报警提示，在术中帮助麻醉医生及时发现术中知晓，在麻醉恢复室和ICU解放麻醉医生唤醒病人，可不断自主完善数据及分析判断的麻醉苏醒监控系统，填补麻醉苏醒监测设备的空白。

5、本发明为无创监测设备，轻便易携带，无一次性消耗品，可重复利用，较临床上应用的麻醉深度监测设备造价更低廉，可降低麻醉相关费用，利于临床推广，尤其是不能采购昂贵麻醉深度监测设备的医疗机构。

综上所述，本发明可以广泛应用于麻醉苏醒技术领域中。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：

图1是本发明一实施例提供的系统主视图；

图2是本发明一实施例提供的系统右视图；

图3是本发明一实施例提供的系统俯视图；

图4是本发明一实施例提供的系统连接结构示意图；

图5是本发明一实施例提供的运行主机的结构示意图；

图6是本发明一实施例提供的脸部及眼部特征点具体定位示意图；

图7是本发明一实施例提供的眼部特征点具体定位示意图，其中，图7(a)为睁眼时的眼部特征点具体定位示意图，图7(b)为闭眼时的眼部特征点具体定位示意图；

图8是本发明一实施例提供的苏醒监控模块的流程示意图；

图9是本发明一实施例提供的AI自我学习模块的流程示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。

应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。

尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。

本发明实施例提供的人工智能麻醉苏醒监控系统及方法，能应用于手术间、麻醉恢复室和ICU等多种场景的人工智能麻醉苏醒监控系统，可实时、远程监控患者的苏醒状态，并给予报警提示，在术中帮助麻醉医生及时发现术中知晓，在麻醉恢复室和ICU解放麻醉医生唤醒病人，进一步该设备还可不断自主完善数据及分析判断的麻醉苏醒监控系统，填补麻醉苏醒监测设备的空白。

实施例1

如图1至图3所示，本实施例提供一种人工智能麻醉苏醒监控系统，包括摄像头1、上位机2和扬声器3。

摄像头1用于实时采集患者的脸部和眼部图像。

上位机2用于对摄像头1采集的脸部和眼部图像进行识别、运算和判断处理，确定患者的眼部纵横比(EAR，Eye Aspect Ratio)，并根据预先设定的患者苏醒阈值和患者闭眼阈值确定患者是否苏醒，并发送报警信号至扬声器3，以及显示处理后的脸部和眼部图像、眼部纵横比和画面报警，以供麻醉医生进行实时患者监控，并分析患者的苏醒状况。

扬声器3用于根据上位机2发送的报警信号，发出报警音，提示麻醉医生关注患者苏醒状况。

在一个优选的实施例中，如图2和图3所示，该人工智能麻醉苏醒监控系统还包括可调整固定装置4，可调整固定装置4通过旋转螺丝固定设置在手术床头架或手术车头架上，用于放置摄像头1，以便摄像头1位于患者头部正上方采集患者的脸部和眼部图像。

具体地，可调整固定装置4固定设置在手术床头架或手术车头架上使摄像头1位于患者脸部正上方，距患者的脸部30cm左右，保证从显示器22能够看到患者完整的脸部图像，尤其是眼部图像够清晰。

在一个优选的实施例中，如图4所示，该人工智能麻醉苏醒监控系统还包括本地服务器或云端，本地服务器或云端通过有线或无线方式与上位机2进行网络连接，本地服务器或云端用于记录存储上位机2的分析结果、个体化的患者苏醒阈值和患者闭眼阈值、患者的基本信息、术前监测录入阈值、术中监控信息和图像、手术时间与眼部变化频率关系信息等数据，以为后续AI自我学习模块进行进一步强化训练，提供更准确建议阈值和术中监控侧重。

在一个优选的实施例中，如图4所示，上位机2包括运行主机21和显示器22，显示器22通过数据缆线连接运行主机21，运行主机21用于对摄像头1采集的脸部和眼部图像进行识别、运算和判断处理，确定患者的眼部纵横比，并根据预先设定的患者苏醒阈值确定患者是否苏醒，发送报警信号至显示器22和扬声器3。显示器22用于显示处理后的脸部和眼部图像以及眼部纵横比，以及当眼部纵横比超过设定的患者苏醒阈值时进行画面提醒。

具体地，如图5所示，运行主机21内设置有患者信息录入模块、苏醒监控模块、个体化患者阈值设定模块、苏醒监控显示报警模块、AI自我学习模块和数据传输模块。

患者信息录入模块用于录入患者的基本信息、默认的患者苏醒阈值和患者闭眼阈值以及通过AI自我学习库更新默认的患者苏醒阈值和患者闭眼阈值，其中，患者的基本信息包括患者年龄、性别、身高和体重等。

苏醒监控模块用于对摄像头1采集患者的脸部和眼部图像进行识别处理，计算出患者的眼部纵横比，以监控患者是否苏醒。

个体化患者阈值设定模块用于根据摄像头1获取的患者自然做的若干次(一般为3至5次，也可进行更多次的采集，更多次的采集虽然会提高工作量但可以减小误差，因而需要进行权衡)睁眼-闭眼动作的眼部纵横比的平均值，进行个体化的患者苏醒阈值和患者闭眼阈值的设定，其中，个体化的患者苏醒阈值为患者自然睁眼时双眼若干次眼部纵横比的平均值，个体化的患者闭眼阈值为患者自然放松闭眼时双眼若干次眼部纵横比的平均值。

苏醒监控显示报警模块用于当眼部纵横比超过设定的患者苏醒阈值时，发送报警信号至显示器22和扬声器3，显示器22进行画面提醒，扬声器3发出报警音。

AI自我学习模块用于将患者信息录入模块、个体化患者阈值设定模块和苏醒监控模块录入和监控的数据进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并通过数据传输模块存入本地服务器或云端，以供麻醉医生基于患者的基本信息在本地服务器或云端中查询出符合患者的苏醒阈值模型，给出更为准确的患者苏醒阈值和患者闭眼阈值的建议。

具体地，苏醒监控模块内设置有图像采集单元、图像设定单元、脸部特征点定位单元、眼部特征点定位单元、EAR值计算单元、苏醒情况判断单元、凸包点计算单元和脸部区域绘制单元。

图像采集单元用于采用OpenCV库中VideoCapture()函数，获取摄像头1采集的脸部和眼部图像。

图像设定单元用于对获取的每一帧图像均进行解析度和灰度设定。

脸部特征点定位单元用于采用dlib库中shape_predictor()函数，基于人脸识别的68个特征点检测库，对图像设定后的每一帧图像进行脸部特征点定位，如图6所示。

眼部特征点定位单元用于采用脸部特征位置检测器，基于脸部特征点定位后的每一帧图像进行眼部特征点定位，并得到各眼部特征点对应的坐标，其中，每只眼包括6个特征点，由外到内的坐标分别采用p1～p6表示，p1为外眦，p2为外侧虹膜与上眼睑交界处，p3为内侧虹膜与上眼睑交界处，p4为内眦，p5内侧虹膜与下眼睑交界处，p6外侧虹膜与上眼睑交界处，如图7所示。

EAR值计算单元用于基于眼部特征点定位后的每一帧图像，计算患者的左眼EAR值和右眼EAR值：

当眼睛在睁眼和闭眼时，EAR值有明显差别。

苏醒情况判断单元用于根据计算的左眼EAR值和右眼EAR值以及设定的患者苏醒阈值和患者闭眼阈值，判定患者的苏醒情况。更具体地，判断过程为：①当左眼EAR值和右眼EAR值的平均值≥患者苏醒阈值时，则判定患者为睁眼，发送报警信号至显示器22和扬声器3。②当患者闭眼阈值<左眼EAR值和右眼EAR值的平均值<患者苏醒阈值时，则计为眯眼状态1次，若眯眼状态计数超过5次，则判定为眼部快速跳动，发送报警信号至显示器22和扬声器3。③当左眼EAR值和右眼EAR值的平均值≤患者闭眼阈值时，计数清零，显示器22提示消失，扬声器3停止报警。

凸包点计算单元用于计算患者左眼和右眼的凸包点并绘制出曲线显示在显示器22上。

脸部区域绘制单元用于基于脸部特征点定位后的每一帧图像，绘制脸部区域曲线并显示在显示器22上。

具体地，AI自我学习模块内设置有阈值模型生成单元和阈值建议单元。

阈值模型生成单元用于采用人工智能算法，将患者信息录入模块、个体化患者阈值设定模块和苏醒监控模块录入和监控的数据进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并存入本地服务器或云端。

阈值建议单元用于根据患者的基本信息，在本地服务器或云端中查询出符合该基本信息的苏醒阈值模型和闭眼阈值模型，给出患者苏醒阈值和患者闭眼阈值建议作为AI自我学习库更新默认的患者苏醒阈值和患者闭眼阈值，其中，给出的阈值可能是一个数值，也可能是多个数值，多个数值可能设定成一个范围区间。

具体地，阈值模型生成单元的具体模型构建过程为：

采用人工智能算法，将所记录的患者左眼EAR值和右眼EAR值的平均值，与设定的个体化的患者苏醒阈值和患者闭眼阈值或默认的患者苏醒阈值和患者闭眼阈值进行模型比对和大数据修正更新，并将结果上传至本地服务器或云端。

更具体地，若患者苏醒阈值或患者闭眼阈值适合：上位机2未报警且麻醉医生未进行操作干预(未操作上位机2)，无需进行模型比对及修正更新；其中，适合的患者苏醒阈值或患者闭眼阈值可定义为：患者在被本发明的人工智能麻醉苏醒监控系统监测过程中，未出现麻醉医生认为患者无苏醒或无明显苏醒迹象，但上位机2报警的情况下(即假阳性)所设定的患者苏醒阈值和患者闭眼阈值；也未出现麻醉医生认为患者已经苏醒或有明显苏醒迹象，但上位机2未报警的情况下(即假阴性)所设定的患者苏醒阈值和闭眼阈值。

若患者苏醒阈值或患者闭眼阈值过低(假阳性)：上位机2出现报警，但麻醉医生认为患者未出现苏醒情况，则消除警报，并主动调高患者苏醒阈值或患者闭眼阈值，将该数值作为新阈值继续对患者进行监测；采用人工智能算法，将调整后的患者苏醒阈值或患者闭眼阈值，与设定的个体化的患者苏醒阈值和患者闭眼阈值或建议的患者苏醒阈值和患者闭眼阈值进行模型比对及大数据修正更新，并将结果上传至本地服务器或云端。

若患者苏醒阈值或患者闭眼阈值过高(假阴性)：上位机2未报警，但麻醉医生认为患者出现苏醒情况，并主动降低患者苏醒阈值或患者闭眼阈值，则将该数值作为新阈值继续对患者进行监测；采用人工智能算法，将调整后的患者苏醒阈值或患者闭眼阈值，与设定的个体化的患者苏醒阈值和患者闭眼阈值或建议的患者苏醒阈值和患者闭眼阈值进行模型比对及大数据修正更新，并将结果上传至本地服务器或云端。

具体地，运行主机21可以采用基于Linux的Raspberry PI左右操作系统、Windows系统或Mac系统。

在一个优选的实施例中，摄像头1可以采用CSI摄像头1、USB摄像头1或无线连接摄像头1，通过数据缆线或无线Wi-Fi的形式与运行主机21连接，其中，当摄像头1采用无线Wi-Fi的形式时，即可实现远程监测采集图像。

在一个优选的实施例中，扬声器3可以采用3.5mm耳机插孔扬声器3或支持HDMI扬声器3，扬声器3通过数据缆线连接运行主机21。

实施例2

本实施例提供一种人工智能麻醉苏醒监控方法，包括以下步骤：

1)摄像头1实时采集患者的脸部和眼部图像，具体为：

1.1)将摄像头1固定设置在可调整固定装置4上。

1.2)将可调整固定装置4通过旋转螺丝固定设置在手术床头架或手术车头架上，使得摄像头1距患者的脸部30cm左右，保证从显示器22能够看到患者完整的脸部图像，尤其是眼部图像足够清晰。

1.3)摄像头1实时采集患者的脸部和眼部图像。

2)上位机2对摄像头1采集的脸部和眼部图像进行识别、运算和判断处理，确定患者的眼部纵横比，并根据预先设定的患者苏醒阈值和患者闭眼阈值确定患者是否苏醒，发送报警信号至扬声器3，以及显示处理后的脸部和眼部图像、眼部纵横比和画面报警，具体为：

2.1)运行主机21录入患者的基本信息，包括患者年龄、性别、身高和体重等。

2.2)运行主机21确定患者苏醒阈值和患者闭眼阈值为默认的患者苏醒阈值和患者闭眼阈值或个体化的患者苏醒阈值和患者闭眼阈值，无论默认的患者苏醒阈值和患者闭眼阈值还是个体化的患者苏醒阈值和患者闭眼阈值，只要设定好一种，就可以开始对患者的苏醒状况进行监控：

2.2.1)数据传输模块将患者的基本信息发送至本地服务器或云端，AI自我学习模块基于患者的基本信息提供默认的患者苏醒阈值和患者闭眼阈值，并在显示器22上显示给麻醉医生。

2.2.2)个体化患者阈值设定模块基于摄像头1获取的患者自然做的3至5次睁眼-闭眼动作，进行个体化的患者苏醒阈值和患者闭眼阈值设定。

2.3)如图8所示，运行主机21对摄像头1采集患者的脸部和眼部图像进行识别处理，计算出患者的眼部纵横比，以监控患者是否苏醒：

2.3.1)苏醒监控模块的图像采集单元采用OpenCV库中VideoCapture()函数，获取摄像头1采集的脸部和眼部图像。

2.3.2)苏醒监控模块的图像设定单元对获取的一帧图像进行解析度和灰度设定。

2.3.3)苏醒监控模块的脸部特征点定位单元采用dlib库中shape_predictor()函数，基于人脸识别的68个特征点检测库，对图像设定后的该帧图像进行脸部特征点定位。

2.3.4)苏醒监控模块的眼部特征点定位单元采用脸部特征位置检测器，基于脸部特征点定位后的该帧图像进行眼部特征点定位，并得到各眼部特征点对应的坐标，其中，每只眼包括6个特征点，由外到内的坐标分别采用p1～p6表示。

2.3.5)苏醒监控模块的EAR值计算单元基于眼部特征点定位后的该帧图像，计算患者的左眼EAR值和右眼EAR值。

2.3.6)苏醒监控模块的苏醒情况判断单元根据计算的左眼EAR值和右眼EAR值以及设定的患者苏醒阈值和患者闭眼阈值，判定患者的苏醒情况：

①当左眼EAR值和右眼EAR值的平均值≥患者苏醒阈值时，则判定患者为睁眼，发送报警信号至显示器22和扬声器3。

②当患者闭眼阈值<左眼EAR值和右眼EAR值的平均值<患者苏醒阈值时，则计为眯眼状态1次，若眯眼状态计数超过5次，则判定为眼部快速跳动，发送报警信号至显示器22和扬声器3。

③当左眼EAR值和右眼EAR值的平均值≤患者闭眼阈值时，计数清零，显示器22提示消失，扬声器3停止报警。

2.3.7)苏醒监控模块的凸包点计算单元计算患者左眼和右眼的凸包点并绘制出曲线显示在显示器22上。

2.3.8)苏醒监控模块的脸部区域绘制单元基于脸部特征点定位后的每一帧图像，绘制脸部区域曲线并显示在显示器22上。

2.3.9)运行主机21计算分析一次完成，进入步骤2.3.2)继续下一分析过程，逐帧图像进行循环分析。

2.4)当眼部纵横比超过设定的患者苏醒阈值时，运行主机21发送报警信号至显示器22和扬声器3，显示器22进行画面提醒。

2.5)如图9所示，运行主机21对患者的基本信息、患者苏醒阈值、患者闭眼阈值和摄像头1采集的脸部和眼部图像进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并存入本地服务器或云端，以供麻醉医生基于患者的基本信息在本地服务器或云端中查询出符合患者的苏醒阈值模型和闭眼阈值模型，给出更为准确的患者苏醒阈值和患者闭眼阈值的建议：

2.5.1)AI自我学习模块的阈值模型生成单元采用人工智能算法，将患者信息录入模块、个体化患者阈值设定模块和苏醒监控模块录入和监控的数据进行分析、比较和学习，生成不同的苏醒阈值模型和闭眼阈值模型并存入本地服务器或云端。

2.5.2)AI自我学习模块的阈值建议单元根据患者的基本信息，在本地服务器或云端中查询出符合该基本信息的苏醒阈值模型和闭眼阈值模型，给出患者苏醒阈值和患者闭眼阈值建议作为AI自我学习库更新默认的患者苏醒阈值和患者闭眼阈值。

3)扬声器3根据上位机2发送的报警信号，发出报警音。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。