1.一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法，其特征在于，包括以下步骤：步骤1，获取静脉用药浓度的二次谐波数据；

步骤2，对静脉用药的二次谐波数据进行预处理，并划分训练集、验证集、测试集；

步骤3，构建一维卷积神经网络1D‑CNN深度学习模型；

步骤4，将训练集与验证集输入至深度学习模型中，并设置超参数对模型进行训练得到最优参数模型；

步骤5，将测试集输入至训练好的最优参数模型中得到预测结果；

步骤1包括：

步骤1‑1，在可调谐激光吸收光谱TDLAS技术中采用波长调制光谱技术，设置LD激光器分别照射两路，其中一路经过药液，根据Beer‑Lambert定律测算出液体浓度的光强，计算公式为：‑φ(λ)cL

I(λ)＝I0(λ)e ，

其中，λ为入射光波长，I(λ)透射后光强，I0(λ)为入射光强，φ(λ)为吸收系数，c为待测液体浓度，L为光程吸收距离，e为自然常数；

′

另一路不经过液体经由光衰减器射出，光强为I (λ)＝I0(λ)A，A为光衰系数；令光衰系数A＝1，对两路光强信号I(λ)和I′(λ)做差，得到差分信号ΔI(λ)＝I′(λ)‑I(λ)＝I0(λ)cφ(λ)L；

步骤1‑2，对所得差分信号ΔI(λ)进行泰勒级数展开，得到二次谐波信号A2(λ)，计算公式为：其中 为调制幅度，d表示微分符号；

步骤1‑3，由锁相放大解调二次谐波信号A2(λ)，通过上位机采集各浓度的静脉用药二次谐波数据；

步骤2包括如下步骤：

步骤2‑1，采用Savitzky‑Golay平滑滤波法，对长度为N的静脉用药二次谐波数据yi进行平滑处理，得到输出序列 i＝0，1，2，3，…，N‑1；对于输出序列 中每个数据点，设定一个窗口大小为2m+1的滑动窗口，所述滑动窗口包括当前数据点及当前数据点左右各m个邻近点，在所述滑动窗口内，采用一个n阶多项式对数据当前数据点进行拟合；

Savitzky‑Golay平滑滤波公式为：

其中，cj为滤波器系数，yi+j指长度为N的静脉用药二次谐波数据yi中索引为i+j的元素位于滑动窗口2m+1个数据点内；

步骤2‑2，通过以下公式得出滤波器系数cj：

T ‑1 T

cj＝(BB) By，

其中，B是一个N×(2m+1)的矩阵，每一行对应滑动窗口内一个数据点；y是一个长度为N的列向量，代表静脉用药二次谐波数据yi的向量；

步骤2‑3，通过解出步骤2‑2中的滤波器系数cj，代入至步骤2‑1的Savitzky‑Golay平滑滤波公式，计算出平滑后的静脉用药二次谐波数据 得到静脉用药二次谐波数据集；

步骤2‑4，将静脉用药二次谐波数据集划分为训练集、验证集、测试集；

步骤3中，所述1D‑CNN深度学习模型包括自适应高效通道注意力模块、多级残差模块、回归预测模块；

步骤3中，通过如下步骤构建自适应高效通道注意力模块：步骤3‑1，对输入特征图在通道维度进行均值计算，得到每个通道的均值表示，其中通道均值mi的计算公式为：其中xi[l]表示第i个通道输入特征图的第l个元素，H为特征图的长度；

步骤3‑2，通过可学习的动态因子 和 调整卷

积核w1和w2的大小，计算公式为：

其中，W1，W2为训练过程中优化的可学习权重矩阵，σ和Sigmoid为激活函数，b1和b2是偏置项，通过反向传播自动学习，偏置项的更新公式为：′ ′

其中η为学习率， 和 分别表示损失函数对于偏置项b1和b2的梯度；b1和b2分别表示偏置项b1更新后的值和偏置项b2更新后的值；

步骤3‑3，通过生成的动态因子 和 调整卷积

核w1和w2的大小，计算公式为：

其中 和 为初始的卷积核大小， 和 是经过动态因子调整后的新的卷积核大小；

步骤3‑4，通过动态生成的卷积核w1和w2，生成每个通道的注意力权重，计算公式为：zi＝Sigmoid(w2·ReLU(w1·mi))，其中激活函数ReLU负责引入非线性特性，激活函数Sigmoid将输出范围缩放在0到1之间；zi表示第i个通道的注意力权重；

′

步骤3‑5，输入特征图xi通过生成的动态注意力权重zi得到输出特征图xi ，计算公式如下：′

xi＝xi×zi；

步骤3中，通过如下步骤构建多级残差模块：设置4个卷积层，第一卷积层大小为1×3，第二卷积层和第三卷积层大小为1×5，第四卷积层大小为1×7，并为每个卷积层输出端添加1个BN批量归一层与ReLU激活函数，输入特征p0经过第一卷积层得到第一特征图p1；将第一特征图p1输入至第二卷积层与第三卷积层得到第二特征图p2；通过跳跃链接将第一特征图p1与第二特征图p2相加得到第三特征图p3；将第三特征图p3经过第四卷积层得到的第四特征图p4并与输入特征进行跳跃链接得到输出特征图p5；

步骤3中，所述回归预测模块包含三个全连接层、ReLU激活函数层、Dropout随机丢失层；其中第一全连接层输出为128，输出端连接一个ReLU激活函数层、Dropout随机丢失层；

第二全连接层输出为32，输出端连接一个ReLU激活函数层、Dropout随机丢失层；第三全连接层输出为1，输出预测结果；

步骤4中，利用均方误差MSE损失函数进行模型训练，根据训练集中的真实值与预测值的差异进行梯度下降，以优化神经网络参数；其中，损失函数Loss公式为：其中ytrue，k代表输出序列 的真实值，ypred，k代表输出序列 的预测值，n表示训练集的个数；

步骤4中，设置超参数批量大小batch size设置为16，训练次数Epoch设置为800，使用随机梯度下降SGD优化器，学习率设置为0.0001；将训练集与验证集输入至模型训练，在训练过程中保存最优参数模型。

2.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1所述的方法的步骤。