1.一种麻醉深度预测方法，其特征在于，包括：

S1、获取TIVA全身麻醉注射的真实手术记录，将手术记录中的麻醉药物注射历史作为原始数据集；

S2、对步骤S1获得的原始数据集进行预处理，并将预处理后的原始数据集划分为训练集、验证集和测试集；

S3、构建麻醉深度预测网络模型，麻醉深度预测网络模型包括PK‑PD模型、时序信息编码器和注意力机制解码器；利用PK‑PD模型计算BIS历史信息；将麻醉药物注射历史和BIS历史信息分别输入一个时序信息编码器，利用时序信息编码器提取时序信息的特征，时序信息作为动态信息，并在每个时间步里将静态信息年龄、性别、身高和体重加入到时序信息中，学习动态信息与静态信息相结合的特征，输出麻醉药物注射历史的动态‑静态混合信息以及BIS历史信息的动态‑静态混合信息；将麻醉药物注射历史的动态‑静态混合信息以及BIS历史信息的动态‑静态混合信息输入注意力机制解码器，注意力机制解码器将麻醉药物注射历史的动态‑静态混合信息以及BIS历史信息的动态‑静态混合信息堆叠起来，并进行解码，输出预测的BIS值；

S4、利用训练集对麻醉深度预测网络模型进行训练，利用验证集对训练过程中的麻醉深度预测网络模型进行评估，利用测试集测试麻醉深度预测网络模型的有效性，得到训练好的麻醉深度预测网络模型；

S5、获取患者的麻醉药物注射历史，将患者的麻醉药物注射历史输入训练好的目标检测模型，输出麻醉深度预测结果。

2.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S1中，麻醉药物注射历史包括异丙酚注射历史和瑞芬太尼注射历史；在步骤S3中，将异丙酚注射历史、瑞芬太尼注射历史和BIS历史信息分别输入一个时序信息编码器。

3.根据权利要求2所述的麻醉深度预测方法，其特征在于，异丙酚注射历史和瑞芬太尼注射历史均为30分钟内的药物注射数据。

4.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S2中，对原始数据集进行预处理包括：用线性插值法对数据异常值与空值进行插值运算；丢弃数据损失超过300秒的样本；丢弃只有半场手术记录的样本。

5.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S2中，对划分后的训练集的真实BIS值进行了平滑处理，对验证集和测试集不进行处理。

6.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S3中，时序信息编码器包括依次连接的长短期记忆神经网络和门控卷积残差网络，长短期记忆神经网络用于提取时序信息的特征，门控卷积残差网络用于将静态信息加入到时序信息中。

7.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S3中，注意力机制解码器采用多头注意力机制。

8.根据权利要求8所述的麻醉深度预测方法，其特征在于，在多头注意力机制中，在不同的头部中对特征V保持相同的参数矩阵WV进行关注，再进行相加聚合，最后经过两层全连接层后输出。

9.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S3中，对麻醉药物注射历史和静态信息进行归一化处理。

10.根据权利要求1所述的麻醉深度预测方法，其特征在于，在步骤S4中，麻醉深度预测网络模型的训练使用均方误差作为损失函数。