1.一种基于深度学习的实时麻醉深度监测系统，其特征在于：包括初始化模块、脑电采集模块、数据预处理模块、状态标记模块、特征提取模块和多任务神经网络模块；

所述初始化模块：用于生成记录信息所需的空白表格，并记录所用麻醉药物和麻醉药物作用下的患者的生理特征信息；

所述脑电采集模块：用于采集患者临床手术中的脑电数据；

所述数据预处理模块：用于对采集到的脑电数据进行预处理；

所述状态标记模块：用于临床医生对脑电数据进行麻醉状态的标记；

所述特征提取模块：用于计算脑电特征，所述脑电特征包括排序熵、样本熵、近似熵、同步快慢比、边缘频率、中值频率、状态熵、反应熵、δ频带比率、θ频带比率、α频带比率、β频带比率、γ频带比率、去趋势波动分析和排列Lempel‑Ziv复杂度；

所述多任务神经网络模块：用于存储多任务深度神经网络模型，多任务深度神经网络模型用于临床预测麻醉深度和麻醉状态；

所述监测系统应用的监测方法，包括以下步骤：

S1、利用初始化模块记录不同麻醉药物作用下的患者的生理特征信息，包括身高、体重、性别和年龄，获取患者临床手术中的脑电数据和脑电双频指数数据；

S2、利用脑电采集模块采集患者的前额双通道脑电信号；

S3、选择双通道脑电信号中一个脑电通道，利用数据预处理模块对采集到的脑电数据进行预处理后得到脑电双频指数；

S4、利用状态标记模块根据脑电波形、脑电双频指数波形和临床医生记录对脑电数据进行麻醉状态的标记；

S5、使用预处理后的脑电数据，利用特征提取模块根据10秒的窗长计算脑电特征，窗口的重叠率为90％；

S6、构造多任务深度神经网络模型教师网和学生网，基于患者生理特征信息、麻醉状态标注信息、脑电特征信息和脑电双频指数构建模型对应的训练集；

S7、将训练集中的样本输入到所建立的多任务深度神经网络模型中的教师网模型中，训练教师网；

S8、利用教师网进行特征数据的选择，特征数据包括脑电特征信息和生理特征信息；

S9、将训练集中的样本输入到所建立的学生网模型中，训练学生网。

2.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：在所述S3中，需要预处理的脑电信号为采样率128Hz下的单通道时间序列信号x＝(x1,Tx2,……,xn) ,其中，x为第T秒的脑电数据，长度n为128；

所述S3具体包括以下步骤：

S301、脑电滤波，将原始脑电信号进行带通滤波，带通滤波器的工作频率范围0.1～

45Hz；

S302、插值对齐，以1秒作为时间段计算每秒去噪后保留的脑电数据的长度，若某一秒脑电保留的数据小于此秒脑电的90％，则将此秒脑电数据和此秒对应的脑电双频指数全部删除，若保留的数据大于此秒脑电的90％，则通过重采样将该秒脑电数据恢复至原始脑电长度；

S303、去除脑电双频指数异常值，去除大于100或小于0的脑电双频指数，以及这些脑电双频指数对应时刻的脑电数据。

3.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S4中，麻醉数据标记为5种状态：清醒状态：未给药时脑电双频指数大于90的阶段；

诱导状态：清醒期之后脑电双频指数快速下降的阶段；

维持状态：诱导期之后脑电双频指数维持在40～60的阶段；

恢复状态：维持期之后脑电双频指数逐渐增加直至患者恢复意识的阶段；

“X状态”：任何不能明确认为是清醒、诱导、维持、恢复四者之一的状态，如过渡阶段。

4.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S6中，具体包括以下步骤：S601、构造两个结构相同、输入样本形状不同的多任务组合神经网络，组合神经网络由一个共享的GRU网络和两个分别用于预测脑电双频指数和预测麻醉状态的BP网络组成；

S602、从丙泊酚和地氟醚麻醉数据中各随机选择15名患者样本作为测试集，剩下的样本被用于制作训练集；

S603、分割数据，将患者的脑电特征信息和生理特征信息合并为特征数据，将特征数据按麻醉状态分割成5部分；

S604、构建样本池，对于各个部分的特征数据，将每连续30个特征数据作为一个样本，样本将麻醉状态和第30个特征数据对应时刻的脑电双频指数作为标签，构建5个样本池，分别为清醒样本池、诱导样本池、维持样本池，恢复样本池，X状态样本池；

S605、构建教师网训练集Set30,nX，从清醒、诱导、维持和恢复这四个样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,nX，即该训练集中每个样本的历史数据为30秒，且不包含“X状态”的样本；

S606、构建教师网训练集Set30,X，从清醒、诱导、维持、恢复和X状态样本池中随机选取样本，使训练集中来自来不同麻醉药物、各个麻醉状态的样本的数量相同，最终生成训练集Set30,X，即该训练集中每个样本的历史数据为30秒，且包含“X状态”的样本；

S607、构建学生网训练集Set10,nX，移除训练集Set30,nX中每个样本的前20个特征数据，生成训练集Set10,nX，即该训练集中每个样本的历史数据为10秒，且不包含“X状态”的样本；

S608、构建学生网训练集Set10,X，移除训练集Set10,X中每个样本的前20个特征数据，生成训练集Set10,X，即该训练集中每个样本的历史数据为10秒，且包含“X状态”的样本；

除历史数据长度外，Set30,nX的样本和Set10,nX相同，Set30,X的样本和Set10,X相同。

5.根据权利要求4所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S601中，输入样本形状为(30,19)的模型命名为教师网，输入样本形状为(10,19‑a)的模型命名为学生网，其中a为在S8中基于特征选择移除的特征的数量。

6.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：教师网和学生网的可训练参数使用误差反向传播算法向损失函数最小化的方向反复调整，损失函数L包括回归损失函数Lr和分类损失函数Lc，公式如下：其中，N1是喂入样本的批次大小,Y1是归一化后的脑电双频指数， 是预测的脑电双频指数，ai是样本的状态标签，pi是预测的各个状态的概率，λr是回归损失函数加权系数，λc是分类损失函数加权系数。

7.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S7中，训练教师网，对于一批给定数量为N1的样本，用教师网的GRU网络T‑GRU将其二维特征数据压缩为一维；教师网的回归BP网络T‑BPr和分类BP网络T‑BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：其中，X是输入样本标准化后的标准化数据,Y1是归一化后的脑电双频指数，Y2是独热码表示的麻醉状态,F是压缩后的特征数据，fT‑GRU代表T‑GRU网络的映射关系， 是预测的脑电双频指数， 代表T‑BPr网络的映射关系， 是模型输出的各个麻醉状态的概率，模型预测麻醉状态时仅考虑清醒、诱导、维持和恢复这四个状态，代表T‑BPc网络的映射关系；

教师网使用Aadm优化器最小化损失函数值，初始学习率lr为0.001，lr随epoch不断衰减，公式如下：训练集中随机选取10％的数据作为验证集；

为训练教师网，具体包括以下子步骤：

S701、冻结T‑BPc的可训练参数，设置λr＝1，λc＝0.001，并使用Set30,X的样本训练教师网；

S702、解冻T‑BPc的可训练参数，冻结T‑GRU和T‑BPr的可训练参数，设置λr＝0.001，并设置λc＝1，用Set30,nX的样本训练教师网；

S703、解冻T‑GRU的可训练参数，冻结T‑BPc和T‑BPr的可训练参数，设置λr＝0.1，设置λc＝0.8，用Set30,nX的样本训练教师网；设置λr小于λc是为了减小预测麻醉深度的BP网络传回的误差对学生网的影响，防止因Set30,nX的单一数据；

S704、解冻T‑BPr的可训练参数，冻结T‑GRU和T‑BPc的可训练参数，设置λr＝1，设置λc＝

0.001，用Set30,X的样本训练教师网；

S705、重复S702到S704，直到验证集上的损失函数值几乎不再减少。

8.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S8中，具体包括以下步骤：S801、在测试集上分别计算平均绝对误差MAE和正确率Acc，分别用于评价模型的回归性能和分类性能，分别记作MAEtest和Acctest；

S802、选中第1个特征；

S803、将测试集所有样本的该特征的数据置0，在调整后的测试集上分别计算MAE和Acc，记作MAE1和Acc1；

S804、计算模型性能的变化，公式如下：

ΔMAEi＝MAEi‑MAEtest

ΔAcci＝Acci‑Acctest

其中，MAEtest是在测试集上计算的平均绝对误差，Acctest是在测试集上计算的正确率，i代表选中的第i个特征，MAEi是测试集样本第i个特征置0后计算的平均绝对误差，Acci是测试集样本第i个特征置0后计算的正确率，ΔMAEi是测试集样本第i个特征置0后计算的平均绝对误差的变化，ΔAcci是测试集样本第i个特征置0后计算的正确率的变化；

S805、将测试集恢复原样，选中下一个特征；

S806、重复S803至S805，直至遍历所有的特征；

S807、以年龄的ΔMAE和ΔAcc为阈值，所有ΔMAE小于年龄且ΔAcc大于年龄的特征被移除。

9.根据权利要求1所述的一种基于深度学习的实时麻醉深度监测系统，其特征在于：S9中，训练学生网，对于一批给定数量为N1的样本，用学生网的GRU网络S‑GRU将其二维特征数据压缩为一维；学生网的回归BP网络S‑BPr和分类BP网络S‑BPc分别根据压缩特征数据同时预测脑电双频指数和麻醉状态，公式如下：学生网优化器和学习率的设置与教师网相同，训练集中随机选取10％的数据作为验证集；

为训练学生网，具体包括以下子步骤：

S901、将学生网和教师网分别拆分，对同一样本,向T‑GRU和学生网的GRU网络S‑GRU之间输出差异Dout最小的方向训练S‑GRU，公式如下：其中， 是S‑GRU输出的第i个元素， 是T‑GRU输出的第i个元素；

S902、组装学生网；

S903、冻结S‑GRU和学生网的分类BBP网络S‑BPc的的可训练参数，设置λr＝1，设置λc＝

0.001，用Set10,X的样本训练学生网；

S904、解冻S‑BPc的可学习参数，冻结S‑GRU和S‑BPr的可学习参数，设置λr＝0.001，设置λc＝1，用Set10,nX的样本训练学生网。