基于脑电图信号分析的麻醉深度监测的研究进展.docx

基于脑电图信号分析的麻醉深度监测的研究进展.docx

《基于脑电图信号分析的麻醉深度监测的研究进展.docx》由会员分享，可在线阅读，更多相关《基于脑电图信号分析的麻醉深度监测的研究进展.docx（8页珍藏版）》请在冰豆网上搜索。

基于脑电图信号分析的麻醉深度监测的研究进展

基于脑电图信号分析的麻醉深度监测的研究进展

朱根娣　朱政康　谢海明

【关键词】麻醉深度

【摘要】麻醉深度监测是外科手术中必不可少的工作。

脑电图作为检测大脑皮层活动的最要紧信号，在目前麻醉深度监测研究中处于主导地位。

本文基于脑电图信号分析的各类麻醉深度检测方式的研究进展予以综述,供进一步临床研究借鉴和参考。

　　【关键词】麻醉深度；监测；脑电图；分析

　　【Abstract】Themonitoringofanestheticdepthisanabsolutelynecessaryprocedureintheprocessofsurgicaloperation.Electroencephalogram（EEG）,asaprincipalsignalindetectingbrainactivities,assumesadominantpositioninthecurrentresearchfortheanestheticdepthmonitoring.TheprocessesofanestheticdepthmonitoringbasedonEEGanalysisareintroducedhereindetailandthustheycanbereferencetothefurtherdevelopment.

　　【Keywords】depthofanesthesia;monitoring;electroencephalogram;analysis

麻醉在外科手术中的作用极为重要，合理的麻醉能够在患者无痛觉的情形下进行手术医治，使患者免受痛楚，同时方便医生正常工作。

但如果是麻醉不妥，不但不能排除患者的痛楚，还会带来一系列其他的问题。

麻醉过深，有损患者的健康，并可能留下神经后遗症乃至危及生命；麻醉过浅，那么不能抑制损害性刺激，使病人疼痛不适或本能体动致使手术难以进行或显现意外，还可能引发术中知晓，造成病人有手术中经历，从而可能引发严峻的精神或睡眠障碍。

　　随着新的肌松药和镇痛剂等药物的联合应用，全身麻醉的麻醉深度、意识状态常被掩盖或难以识别，判定并操纵适合的麻醉深度已成为临床迫切需要解决的问题。

麻醉深度的监测有利于操纵镇痛剂量，可利用最少的麻醉药物达到最正确的麻醉成效，缩短苏醒进程，且能幸免术中知晓致使的病人心理和行为损害及医疗纠纷等各类不良后果；还可减少全麻病人显现的各类危险情形。

　　脑电图信号是大脑皮层神经细胞群突触电位转变的综合反映，有反映意识活动的优势及无创性特点，是目前检测麻醉深度中最有潜力的方式之一，已取得较好的研究功效。

基于脑电信号展开的麻醉深度监测方式要紧包括：

双频指数、麻醉趋势、人工神经网络方式、复杂度和小波分析法、脑电非线性分析等，现将最近几年来的研究进展论述如下。

　　1基于脑电图信号分析的麻醉深度监测方式

　　双频指数（bispectralindex，BIS）双频指数是包括了时域、频域和高阶谱变量（双谱分析）三种特性的脑电图（EEG）定量分析指标，其通过一个特定的非线性算法（AspectMedicalSystems，Natick，USA），将四个不同的EEG参数，即突发抑制率（burstsuppressionratio，BSR）、“QUAZI”、β比率（betaratio）和快慢波的相对同步性（synchfastslow），综合成一个100-0的无量纲数字［1］，用于表示大脑的抑制程度。

1997年被FDA批准作为监测麻醉深度和镇定水平的指标，进入临床应用和研究时期。

由于双频谱指数包括了位相信息在内的高阶信息，使得双频谱指数分析在脑电图信号分析中有了重要价值，因此BIS是目前脑电监测麻醉镇定程度的一种经常使用方式，迄今为止已有大量有关应用BIS进行麻醉深度评估的报导［2～4］。

经研究证明，BIS可用于评判麻醉药镇定程度［5，6］和损害性刺激。

随着麻醉或镇定水平的加深，BIS数值减少。

BIS的特异性、灵敏性和准确性较好，而且变异性很小。

Sebel等发觉，经BIS监测的患者比其他常规监测患者在ICU中停留时刻短。

BIS监测在诱导和维持时期依照意识丧失值（大约60左右），调整麻醉药物诱导量和维持量，减少因不明确麻醉状态水平而致使的药物利用不妥的发生率，同时也减少了可能伴发的一些不利作用，提高了患者术中平安性，为指导麻醉药追加利用和患者初期恢复提供了一种有效的预测评估手腕。

Glass等［3，7］研究也证明，一种基于BIS的持续实时麻醉深度监测方式，能够优化每一个病人的麻醉药物应用，从而减少麻醉药剂量可能不足和过量的情形。

可是，BIS作为麻醉深度监测技术有其明显的局限性，许多因素都会对BIS产生阻碍。

Detsch等研究［8～10］发觉，BIS的脑电监护成效明显依托于麻醉药的利用，如BIS与七氟醚的吸入浓度相关性良好，与异氟醚吸入浓度那么无相关性，而且，N2O和氙气的麻醉对BIS值无阻碍。

Ortolani等［11］研究那么发觉，BIS具有人种不同。

　　麻醉趋势（narcotrend，NT）NT是一种新的用于测量麻醉深度的EEG方式，利用Kugler多参数统计和微机处置，将脑电信号形成6个时期14个级别的量化指标，即A、B0～2、C0～2、D0～二、E0～1、F0～1，并同时显示α、β、γ、δ波的功率谱转变情形和趋势。

时期A表示清醒状态；B是镇定状态（0级、1级、2级）；C是浅麻醉状态（0级、1级、2级）；D是常规一般麻醉状态（0级、1级、2级）；E是深度麻醉状态（0级、1级、2级）；F时期（0级、1级）是脑电活动的消失。

Kreuer等［12］研究证明麻醉趋势分级法确实能检测到显现地氟醚麻醉意外时地氟醚浓度减小，同时还能对麻醉深度做典型分级，而且还发觉麻醉趋势分析与双谱分析在麻醉深度监护中有相似的成效［12］。

Schultz等［13］对Narcotrend进行的可行性研究发觉，Narcotrend对麻醉深度和镇定水平的判定，预测概率PK是，相关系数γ为。

Wilhelin等［14］通过对临床4630个静脉麻醉药物监测病例证明，Narcotrend是一可信性较高的新型麻醉深度监测方式。

　　人工神经网络（artificialneuralnetworks，ANN）方式人工神经网络监测麻醉深度是最近几年来进展起来的脑电分析技术，它是继BIS后又一种从所有脑电功率谱数据中提炼出单变量的方式。

通常把EEG的4个特点波形α、β、γ、δ的平均功率作为EEG的谱特点参数，再加上血流动力学参数如血压、心率和MAC表示的麻醉药物剂量等数据，利用AR模型、聚类分析和Bayes估量理论，最终形成一个代表麻醉深度的绝对数值。

已有大量研究说明神经网络确实能成功地将EEG数据按镇定水平进行分级［15，16］。

Ortolani［17］等对200名患者进行了实验，其中150名患者的数据用于训练ANN，另50名患者的数据用于测试ANN和进行统计分析。

其从EEG中提取14个变量，将BIS之外的13个变量作为ANN训练的输入值，输出靶值为同时由麻醉专家确信的麻醉深度指数。

仪器（AspectA-1000）对每一个记录数据给出信号品质指数（signalqualityindex，SQI），并将SQI＜50%的记录数据从训练数据库中去除。

ANN性能分析选择多层感知网络（MLP），采纳标准反向传播（BP）算法进行网络训练。

先用NeuralSIM软件优化网络，然后开始ANN训练。

当均值绝对误差＜4及均方根值误差＜5时，停止训练。

生成的神经网络评判深度（networkevaluateddepth，NED）在0～100范围。

在训练中，ANN计算出目标输出和相应估量NED的相关系数，其显示出ANN训练成功。

为了评判线性相关性，对预处置过的EEG变量和BIS进行多重回归分析。

对测试组中的BIS和NED数据计算出Pearson相关系数。

然后将数据依照Bland和Altman方式，做出各方式的平均值与其误差之间的关系图谱，用以评判这二者间的一致性。

结果显示，经多重回归分析计算出的NED与BIS的Pearson相关系数为，由Bland和Altman方式计算出的误差为，一致性极值为（低限）和（高限），说明误差极小和一致性良好。

此项实验研究说明，神经网络通过度析预处置过的EEG数据，可提供麻醉深度指数。

Robert等［18］也比较了神经网络与BIS作为EEG分析方式对麻醉深度监护的成效，结果一样说明，神经网络通过度析处置过的EEG数据产生的麻醉指数和BIS相关性良好，而且神经网络还能处置缺少相位信息的EEG数据来评估麻醉深度。

　　复杂度和小波分析法（complexityandwaveletanalysis）复杂度是近几年显现的一种非线性动力学分析方式，由于脑电是一种非平稳信号，因此复杂度分析是刻画EEG信号动力学特性的有效方式。

Chen等［19］采纳Lempel-Ziv复杂度算法C（n）［20］，通过研究分析发觉，EEG序列的复杂度与麻醉深度之间有着紧密的关系。

在不同的麻醉深度下，复杂度都有较灵敏的转变。

麻醉深度越浅，复杂度的值越大；麻醉深度越深，复杂度的值越小。

由于复杂度算法简单易实现，运算速度快，因此该参数为临床麻醉深度的实时监测提供了可能。

Zhang和Roy［21］用一个联合了小波分析、复杂度分析和神经网络方式的系统来进行麻醉深度的监测。

其先用小波变换将原始EEG信号分解成持续不同尺度成份的六段，计算出原始EEG及其相应各段的复杂度，然后将取得的复杂度C（n）应用到一个四层人工神经网络来预测麻醉中的动作。

结果显示该系统灵敏度为88％，准确性为92％，特异性达97％，是具有前景的监测方式。

　　脑电非线性分析（EEG-nonlinear）利用非线性分析学中的混沌与分形理论等非线性动力学原理和方式来研究和分析围术期患者的脑功能转变状态，已经成为研究的新热点。

非线性动力学分析代表了脑电信号分析方式的一种以后进展方向。

Shen等［22］采纳高阶谱分析技术［23］成立脑电的非线性模型，提取脑电信号的三阶统计量信息。

然后成立以微机为核心的脑电双谱分析系统，对临床脑电信号进行非线性分析。

Zhang等［24］将非线性动力学中的Kolmogorov熵应用到大鼠脑电麻醉深度监测分析中，计算并分析了大鼠在戊巴比妥钠腹腔注射麻醉进程中脑电信号的Kolmogorov熵动态转变曲线，结果显示，麻醉时Kolmogorov熵动态转变曲线与原始脑电信号所反映的各脑区抑制与兴奋状态的转变趋势有专门好的一致性，即Kolmogorov熵可为临床麻醉深度的实时监测提供一个新的方式。

Bruhn等［25］应用近似熵进行了一系列研究，结果说明：

脑电近似熵能够准确识别暴发抑制的发生；随着麻醉药物（地氟醚、异丙酚等）浓度增加，脑电的规那么性也相应增加；与脑电谱分析相较，近似熵对伪迹加倍不灵敏，个体内或个体间的变异相对较小。

Vakkuri等［26］提出了时频均衡谱熵的概念，其临床应用的结果显示：

在异丙酚、七氟醚和硫喷妥钠麻醉状态下，状态熵和反映熵能够区分成心识和无心识状态。

谱熵通过（额）肌电活动反映镇定程度和疼痛反映，表现了麻醉深度监测中应用多种方式进行综合分析的趋势（如脑电分析结合肌电），值得进一步关注。

脑电非线性动力学分析使咱们在系统层次上来熟悉脑电信号，结合信息论的研究手腕，了解其内含的、以前难以为人所知的信息。

咱们完全有理由相信非线性动力学分析在临床应用上不断拓展的今天，脑电非线性分析将为麻醉进程脑电转变和意识认知功能转变，和麻醉深度转变等提供更有效的研究手腕和更多成心义的信息。

　　2总结

　　脑电图信号分析方式应用于麻醉深度监测的研究已取得了必然的功效，但其进展仍是让研究者们不尽中意，各类方式在临床上的应用仍然有许多局限性。

双谱指数用于麻醉深度监测的研究正日趋受到重视，该指标能较灵敏地反映麻醉深度，但由于它存在对不同麻醉药物、不同麻醉方式反映不同的缺点，使之还不能成为一种完善的技术而独立应用于临床麻醉监测。

麻醉趋势、人工神经网络、复杂度、小波分析和脑电非线性分析等是最近几年来进展起来的具有潜力的麻醉监护方式，但还需要大量的研究来进一步证明其在临床应用方面的有效性和可行性。

　　一个理想的麻醉深度监护仪必需知足许多条件：

（1）不管麻醉浓度转变如何，都能准确监测麻醉深度，并与临床镇定表现有较好的相关性；

（2）数据正确靠得住，有较高的时刻分辨率；（3）对所有的麻醉药能用一个一起的尺度范围进行麻醉分级；（4）能为临床医师提供决定性的帮忙；（5）抗电磁干扰能力强；（6）经济有效，利用方便。

要达到如此一个目标，还需要进一步研究和完善用于麻醉深度检测的分析方式，同时还要利用多种相关的医学信号，以取得一个较为全面的综合指标。

　　【参考文献】

　　1IraJRampil.AprimerforEEGsignalprocessinginanesthesia.Anesthesiology,1998,89:

980-1002.

　　2SebelPS,LangE,RampilIJ,etal.Amulticenterstudyofbispectralelectroencephalogramanalysisformonitoringanesthesiaeffect.AnesthAnalg,1997,84:

891-899.

　　3GlassPSA,BloomM,KearseL,etanalysismeasuressedationandmemoryeffectsofpropofol,midazolam,isofluraneandalfentanilinhealthyvolunteers.Anesthesiology,1997,86：

836-847.

　　4SNYeo，WKindexinassessmentofadequacyofgeneralanaesthesiaforlowersegmentcaesareansection.AnaesthIntensiveCare,2002,30：

36-40.

　　5SebelMB，Whiteofbispectralindexinpredictinganestheticdepth.Anesthesiology,1996,85：

468.

　　6SongD,Ianetthebispectralindexusefulinpredictingfast-trackeligibilityafterambulatoryanesthesiawithpropofolanddesflurane.Anesthesiology,1997,87：

500.

　　7AbsalomAR,Kennycontrolofpropofolanaesthesiausingbispectralindex:

performanceassessmentinpatientsreceivingcomputer-controlledpropofolandmanuallycontrolledremifentanilinfusionsforminorsurgery.BrJAnaesth,2003,90（6）:

737.

　　8DetschO,SchneiderG,KochsE,etal.IncreasingisofluraneconcentrationmaycauseparadoxicalincreasesintheEEGbispectralindexinsurgicalpatients.BrJAneasth,2000,84:

33-37.

　　9KureharaK,TakahashiM,KitaguchiK,etal.Therelationshipbetweenend-tidalisoflurane/epiduralanesthesia.Masui,2002,51:

642-647.

　　10GotoT,NakataY,SaitoH,etanalysisoftheelectroencephalogramdoesnotpredictresponsivenesstoverbalcommandinpatientsemergingfromxenonanesthesia.BrJAnaesth,2000,85:

359-363.

　　11OrtolaniO,ContiA,Sall-KaB,etrecoveryofSenegaleseAfricanblacksfromintravenousanesthesiawithpropofolandremifentanilisslowerthanthatofCaucasians.AnesthAnalg,2001,93:

1222-1226.

　　12KreuerS,MolterG,BiedlerA,etstagesandend-tidaldesfluraneinvestigationduringrecoveryfromdesflurane/remifentanilanaesthesia.Anaesthesist,2002,51（10）:

800.

　　13SchultzB,GrouvenU,SchultzA.AutomaticclassificationalgorithmsoftheEEGmonitorNarcotrendforroutinelyrecordedEEGdatafromgeneralanaesthesia:

avalidationstudy.BiomedTech（Berl）,2002,47:

9-13.

　　14WilhelinW,KreuerS,LarsenEEGmonitoringduringtotalintravenousanaesthesiain4,630patients.Anaesthesist,2002,51:

980-988.

　　15VeselisRA,ReinselR,SommerS，etofneuralnetworkanalysistoclassifyelectroencephalographicpatternsagainstdepthofmidazolamsedationinintensivecareunitpatients.JClinMonit,1991,7（3）:

259.

　　16EckertO,WerryC,NeulingerA，etal.IntraoperativeEEGmonitoringusinganeuralnetwork.BiomedTech,1997,42（4）:

78.

　　17OOrtolani,AConti,ADiFilippo,etal.EEGsignalprocessinginanaesthesia.Useofaneuralnetworktechniqueformonitoringdepthofanaesthesia.BritishJournalofAnaesthesia,2002,88：

644-648.

　　18RobertC,GaudyJF,LimogeA.Electroencephalogramprocessingusingneuralnetworks.ClinNeurophysiol,2002,113（5）:

694.

　　19ChenXiao-ping，HeWei-xing，Wencomplexity-basedanestheticdepthmonitoring.JournalofJiangsuUniversity（NaturalScienceEdition）,2003,24（6）:

73-75.

　　20LempelA,ZivJ.Onthecomplexityoffinitesequences.IEEETransInformTheory,1976,IT-22:

75.

　　21ZhangXS，RoyComplexityasaMeasureofDepthofAnesthesiaforPatients.IEEEtransactionsonbiomedicalengineering,2001,48（12）：

1424.

　　22ShenMinfen,ShenFenglin,SunNonlinearDetectionandBispectralAnalysisofEEGSignals.JournalofElectronicMeasurementandInstrument,1998,12

（1）:

6-11.

　　23CLSpectraAnalysis:

aNonlinearSignalProcessingFramework,PTRPrenticeHall,EaglewoodCliff,NewJersey,1993,1-100.

　　24ZhangLianyi,XuJin,ZhengChongxun,etonKolmogorovEntropyofElectroencephalogramforMonitoringDepthofAnesthesiaofofXianJiaotongUniversity,2005,39

（2）:

218-220.

　　25Bruhn,HRpcke，Aentropyasanelectroencephalographicmeasureofanestheticdrugeffectduring.Desfluraneanesthesia.Anesthesiology,2000,92:

715-726.

　　26VakkuriA,Yli-HankalaA,TaljaP,etfrequencybalancedspectralentropyasameasureofanestheticdrugeffectincentralnervoussystemduringsevoflurane,propofolandthiopentalanesthesia.ActaAnaesthesiolScand,2004,48:

145.