1.一种基于神经网络的麻醉深度监测方法，其特征在于，该方法包括以下步骤：

获得信号数据序列；将信号数据序列作为输入数据训练自编码网络，将每个信号数据在每次训练中的预测值组成的序列，记为每个信号数据的收敛序列，对每个信号数据的收敛序列进行多阈值分割，将最后一个阈值作为每个信号数据的收敛序列的转折点；根据收敛序列的转折点和预测值获得每个信号数据的第一噪声概率；

对所有信号数据的第一噪声概率组成的第一噪声概率序列进行多阈值分割，获得多个阈值，根据多个阈值将第一噪声概率序列划分为多个概率子序列，根据多个阈值将信号数据序列划分为多个数据子序列；

对信号数据序列进行STL分解得到信号数据序列的趋势项序列，将每个数据子序列进行STL分解得到每个数据子序列的趋势项序列，记为每个数据子序列的趋势项子序列；

根据数据子序列与相邻两个数据子序列的趋势项子序列的相似度获取所有数据子序列的局部相似度，将局部相似度大于第一阈值的所有数据子序列记为目标子序列；获得所有目标子序列的均值趋势项序列，计算每个目标子序列的均值趋势项序列与信号数据序列的趋势项序列的相似度，记为每个目标子序列的均值相似度，将均值相似度小于第二阈值的目标子序列记为对象子序列；根据对象子序列与相邻两个目标子序列的概率子序列的相似度获取所有对象子序列的局部概率相似度；

根据每个信号数据的第一噪声概率、与信号数据序列的趋势项序列的相似度、相邻两个数据子序列的第一噪声概率的均值以及局部概率相似度大于第三阈值的对象子序列的数量与所有对象子序列的数量的比值，获得每个信号数据的第二噪声概率；

将每个信号数据的第二噪声概率作为误差权值，构建识别网络的损失函数，训练识别网络，所述识别网络为卷积神经网络，识别网络的输入数据为信号数据序列，输出数据为麻醉深度级别，根据麻醉深度级别完成麻醉深度监测；

所述获得每个信号数据的第一噪声概率，包括的具体步骤如下：

信号数据的第一噪声概率的计算公式为：

式中， 表示信号数据的第一噪声概率， 表示信号数据的收敛序列中的序号值为N的预测值， 表示信号数据，b表示信号数据的收敛序列的转折点，N表示次数阈值，表示取绝对值；

计算所述相似度的计算方法如下：

将较长的序列的长度记为F，通过最邻近插值方法将较短的序列扩充为长度等于F的序列，将扩充后的较短的序列与较长的序列的余弦相似度，记为两个序列的相似度；

所述获取所有数据子序列的局部相似度，包括的具体步骤如下：

对于任意一个数据子序列，计算数据子序列的趋势项子序列与数据子序列左侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第一相似度，计算数据子序列的趋势项子序列与数据子序列右侧的数据子序列的趋势项子序列的相似度，记为数据子序列的第二相似度，将数据子序列的第一相似度与第二相似度的均值记为数据子序列的局部相似度；

所述获得所有目标子序列的均值趋势项序列，包括的具体步骤如下：

对于任意一个目标子序列，将目标子序列左侧的数据子序列记为目标左子序列，将目标子序列右侧的数据子序列记为目标右子序列，将目标子序列的趋势项子序列、目标左子序列的趋势项子序列和目标右子序列的趋势项子序列中最长的趋势项子序列的长度记为，通过最邻近插值方法将除最长的趋势项子序列外的其他两个的趋势项子序列扩充为长度等于 的序列，获得长度相等的三个序列；对于任意一个位置，获得该位置在三个序列中对应的三个数据的均值，记为该位置的均值趋势项，将所有位置的均值趋势项按照顺序组成的序列记为目标子序列的均值趋势项序列；

所述获取所有对象子序列的局部概率相似度，包括的具体步骤如下：

对于任意一个对象子序列，计算对象子序列的概率子序列与目标左子序列的概率子序列的相似度，记为对象子序列的第一概率相似度，计算对象子序列的概率子序列与目标右子序列的概率子序列的相似度，记为对象子序列的第二概率相似度，将对象子序列的第一概率相似度与第二概率相似度的均值记为对象子序列的局部概率相似度；

所述获得每个信号数据的第二噪声概率，包括的具体步骤如下：

信号数据序列中每个信号数据的第二噪声概率的计算公式为：

式中， 表示信号数据的第二噪声概率， 表示信号数据的第一噪声概率，C表示信号数据所在的数据子序列的趋势项子序列与信号数据序列的趋势项序列的相似度， 表示数据子序列左侧的数据子序列中所有信号数据的第一噪声概率的均值， 表示数据子序列右侧的数据子序列中所有信号数据的第一噪声概率的均值， 表示局部概率相似度大于第三阈值的对象子序列的数量， 表示所有对象子序列的数量， 表示以自然常数为底的指数函数。