CN104545949A - 一种基于脑电的麻醉深度监测方法 - Google Patents

Abstract

本发明公开了一种基于脑电的麻醉深度监测方法，包括如下步骤：11)对需要麻醉手术的人员，采集整个手术过程中患者的脑电信号，并在间隔时间内对麻醉的状态根据实际需要进行标定；12)对采集的脑电信号，去除脑电信号中的伪迹和噪音；13)对步骤12)获得的无干扰的脑电信号计算频域指标、复杂度和爆发抑制指标；14)根据步骤13)的指标参数，将信号分为清醒、浅麻、中麻、深麻和过深麻醉五类；15)将步骤13)的指标参数进行分配权重，将指标进行整合成Ai指数，根据Ai指数进行麻醉深度的判断；所述Ai指数为；index_i为步骤13)中的指标参数，w_i为指标参数的权重，本发明根据它们在不同时期变化的明显程度给予不同的权重值，使得得到的Ai值更加合理。

Description

一种基于脑电的麻醉深度监测方法

技术领域

本发明涉及基于脑电信号的麻醉深度监测方法，尤其涉及一种基于脑电的麻醉深度监测方法。

技术背景

在临床手术过程中，患者处于合适的麻醉深度是手术顺利进行的前提。如果患者麻醉过浅，可能会造成术中知晓、体动、产生记忆等事件的发生，严重的还会使患者产生痛苦的记忆，造成心理障碍。如果麻醉过深，不仅增加了用药成本，延长了患者苏醒时间，降低了手术室的周转效率，而且可能会对患者产生严重的副作用。所以，麻醉监测是手术过程中的一项重要工作。临床常用的麻醉监测指标有心率、血压、脉搏、出汗、流泪、瞳孔放大等，但是已有大量的文献指出这些方法是不可靠的，麻醉监测水平还有待进一步提高。

Aspect公司推出的BIS(Rampil.A Primer for EEG Signal Processing inAnesthesia，1998.比较详细的介绍了其算法)是最早且目前使用最多的商用麻醉监测仪。它采用Beta比率、双谱synchfastslow、BSR和QUAZI四个指标，根据麻醉状态调整各个指标的权重，然后通过加权求和得到BIS指数。德国席勒公司推出的Narcotrend是另一款在临床广泛使用的监测仪。它借鉴了睡眠脑电波分期的方法，将麻醉脑电波分为A、B、C、D、E、F六大期，14小类，分值与麻醉状态的对应图见如图2。

由于BIS和Narcotrend的算法没有完全公开，这也使部分研究对它们的效果提出了质疑。

近年来，越来越多的非线性动力学方法开始应用于脑电信号的分析。其中应用最多的就是熵指数或复杂度指数，包括谱熵、近似熵、样本熵、LZ复杂度等。有研究表明，近似熵、样本熵、LZ复杂度对麻醉深度变化有很好的敏感性和特异性。

经检索发现，中国专利申请03137747.5使用非线性动力学方法来对脑电信号进行处理，主要采用关联位数、复杂度和近似熵的综合来给出一个非线性指标，用于实时麻醉监测。

发明内容

针对上述技术缺陷，本发明提出一种基于脑电的麻醉深度监测方法，具体流程见图1。

为了解决上述技术问题，本发明的技术方案如下：

一种基于脑电的麻醉深度监测方法，包括如下步骤：

11)对需要麻醉手术的人员，采集整个手术过程中患者的脑电信号，并在间隔时间内对麻醉的状态根据实际需要进行标定；

12)对采集的脑电信号，去除脑电信号中的伪迹和噪音；

13)对步骤12)获得的无干扰的脑电信号计算频域指标、复杂度和爆发抑制指标；

14)根据步骤13)的指标参数，将信号分为清醒、浅麻、中麻、深麻和过深麻醉五类；

15)将步骤13)的指标参数进行分配权重，将指标进行整合成Ai指数，根据Ai指数进行麻醉深度的判断；所述Ai指数为

index_i为步骤13)中的指标参数，w_i为指标参数的权重。

进一步的，所述步骤11)中将标定的种类为清醒、浅麻、中麻、深麻、过深麻醉。

进一步的，采用截止频率2Hz的FIR高通和截止频率47Hz的低通滤波器去除高频和低频噪音，再有针对地识别出眨眼、肌电、电子设备干扰进行去除。

进一步的，所述频域指标包括Beta比率，所述Beta比率计算包括如下步骤：采用pwelch方法，先将数据按2秒钟一段，相邻两段重叠50％，分成N段，每段长M，然后计算每段信号的功率谱，以各段的平均功率谱作为整段信号的功率谱估计，设具体公式如下：

$X_n\left(f_i\right)=\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}_t{e}^{-j{f}_{i}t},$ 其中是x_t每一小段的脑电信号数据，f_i为频率；

$P\left(f_i\right)=\frac{1}{2\×N\×\mathrm{fs}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left|X_n\left(f_i\right)\right|}^2$

$P_{f_1-f_2\mathrm{Hz}}=\underset{f_1\≤f\≤f_2}{\mathrm{\Σ}}P\left(f\right);$ fs为采样率

Beta比率＝log(P_30-47Hz/P_11-20Hz)。

进一步的，所述频域指标包括各频带功率比，所述各频带功率比＝P_{相应的频带}/P_1-47Hz。

进一步的，所述复杂度指标为样本熵，其计算方法包括如下步骤：

61)确定模式维数m和相似容量r；

62)将脑电信号映射到m维相空间，形成点集{b_i}，i＝1,2,...,N-m+1,其中，

b_i＝(x_i,x_i+1,...,x_i+m-1)；

63)计算b_i与b_j间的距离，

$d(b_i,b_j)=\underset{k=0}{\overset{m-1}{\max }}|x_{i+k}-x_{j+k}|,$ 其中i、j＝1,2,...,N-m+1；

64)令 $B_i^m\left(r\right)=\frac{1}{N-m-1}\mathrm{num}\{d(b_i,b_j)<r\},$ j＝1,2,...,N-m且j≠i其中，num是集合中元素个数；

65)令 $B^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\&Sigma;}}}{B}_i^m\left(r\right);$

66)令

$A_i^m\left(r\right)=\frac{1}{N-m-1}\mathrm{num}\{d(b_i^{\&prime;},b_j^{\&prime;})<r\},$ j＝1,2,...,N-m且j≠i

其中b′_i表示m+1维相空间中的点

$A^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\&Sigma;}}}{A}_i^m\left(r\right);$

67)求得样本熵，SampEn(m,r,N)＝-ln(A^m(r)/B^m(r))。

进一步的，所述爆发抑制指标计算方法包括：当脑电信号的振幅在±5μV以内，且持续时间超过0.5秒时，认为这是一段抑制信号，爆发抑制比的计算如下：

进一步的，利用决策树分类器，将信号分为清醒、浅麻、中麻、深麻和过深麻醉五类，所述分类器是由C4.5型决策树方法生成，其自变量是步骤13)中计算的指标，因变量是步骤11)中对信号进行的标定。

本发明的有益效果在于:一般的丙泊酚麻醉脑电变化规律如图3所示：随着麻醉深度的加深，复杂度逐渐降低；频率先升高后降低。从图3中可以看到，在清醒到麻醉Ⅰ期时，复杂度的下降速度明显，而在麻醉Ⅱ期以后，随着麻醉的加深，频率的变化比复杂度明显。在专利03137747.5中采用了复杂度指标而忽视了传统的频域方法，这样其实损失了相当多的频域信息。本发明综合考虑了这两方面的信息，根据它们在不同时期变化的明显程度给予不同的权重值，使得得到的Ai值更加合理。

附图说明

图1是本发明方法的流程图；

图2是Narcotrend分值与麻醉状态的对应图；

图3是麻醉状态与脑电信号频率、复杂度的关系图；

图4是本发明采集脑电数据的导联位置图；

图5是Ai指数与麻醉状态的对应图；

图6是本发明采用的决策树分类器。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明。

图1是本发明的工作流程图。本实施例中患者需满足如下条件：

1.年龄18岁以上；

2.无精神疾病；

3.非颅面部手术；

4.采用的主要麻醉药物为丙泊酚。

一般的丙泊酚麻醉脑电变化规律如图3所示：

随着麻醉深度的加深，复杂度逐渐降低，频率先升高后降低。从图3中可以看到，在清醒到浅麻时，复杂度的下降速度明显，而在中度麻醉期以后，随着麻醉的加深，频率的变化比复杂度明显。

步骤一：首先是采集脑电信号，一般选在医院的手术室，采用专门的心电或脑电电极，配合脑电采集设备来获取脑电信号,电极的位置采集的位置大致如图4所示，并由医生每隔5分钟根据当时的患者的血压、心率等生理指标标定一次，标定的种类有清醒、浅麻、中麻、深麻、过深麻醉。

步骤二，去除脑电信号中的伪迹和噪声。脑电信号由于非常微弱，且非常容易受到眼电、肌电、工频干扰、电子设备等的干扰，去除伪迹和噪声是一个非常重要的步骤。如果不去除这些干扰，会导致许多错误的分析结果。在本发明的算法中，先将原始信号进行滤波，去除高频和低频的干扰。滤波器选择了100阶的FIR凯泽窗滤波器，通带频率为2-47Hz。然后将信号分段，每段1秒钟，并对每一段信号进行判定。如果判定为干扰则将该段信号去除。

步骤三，利用30秒内无干扰的脑电信号计算指标。频域指标有Beta比率、各频带(δ、θ、α、β₁、β₂)功率比、平均频率等，复杂度指标为样本熵。设采样率为fs，{x_t}是一段脑电信号：

计算频域指标：先进行功率谱估计，采用的是pwelch方法，先将数据按2秒钟一段，相邻两段重叠50％，分成N段，每段长M。然后计算每段信号的功率谱，以各段的平均功率谱作为整段信号的功率谱估计。设具体公式如下：

其中是x_t每一小段的数据，f_i为频率

$P\left(f_i\right)=\frac{1}{2\&times;N\&times;\mathrm{fs}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|X_n\left(f_i\right)\right|}^2$

$P_{f_1-f_2\mathrm{Hz}}=\underset{f_1\&le;f\&le;f_2}{\mathrm{\&Sigma;}}P\left(f\right)$

Beta比率＝log(P_30-47Hz/P_11-20Hz)

平均频率＝∫_1≤f≤47f×P(f)df

各频带功率比＝P_{相应的频带}/P_1-47Hz

计算样本熵：

第一步：确定模式维数m＝3和相似容量r为0.2倍的信号标准差

第二步：将信号映射到m维相空间，形成点集{b_i}，i＝1,2,...,N-m+1,其中，

b_i＝(x_i,x_i+1,...,x_i+m-1)

第三步：计算b_i与b_j间的距离，

$d(b_i,b_j)=\underset{k=0}{\overset{m-1}{\max }}|x_{i+k}-x_{j+k}|,$ 其中i、j＝1,2,...,N-m+1

第四步：令

$B_i^m\left(r\right)=\frac{1}{N-m-1}\mathrm{num}\{d(b_i,b_j)<r\},$ j＝1,2,...,N-m且j≠i

其中，num是求集合中元素个数的函数

第五步： $B^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\&Sigma;}}}{B}_i^m\left(r\right)$

第六步：令

$A_i^m\left(r\right)=\frac{1}{N-m-1}\mathrm{num}\{d(b_i^{\&prime;},b_j^{\&prime;})<r\},$ j＝1,2,...,N-m且j≠i

其中b′_i表示m+1维相空间中的点

$A^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\&Sigma;}}}{A}_i^m\left(r\right)$

第七步：求得样本熵，SampEn(m,r,N)＝-ln(A^m(r)/B^m(r))

爆发抑制比的计算采用的是能量法,当能量小于给定的阈值时，则认为是抑制信号。本例中，当脑电信号的振幅在±5μV以内，且持续时间超过0.5秒时，认为这是一段抑制信号。爆发抑制比的计算如下：

步骤四：采用的是决策树分类器，将信号分为清醒、浅麻、中麻、深麻和过深麻醉五类。分类器是由C4.5型决策树方法，利用采集的脑电数据库训练出的。自变量是步骤三中计算的指标，因变量是临床麻醉医生根据实际需要的标定。一般决策树方法都会产生过拟合现象，不利于方法的推广，需要对训练出的决策树进行剪枝。剪枝总体的原则是：1.决策树要尽可能的简单，这样有利于其推广；2.决策树一定要符合生理知识。本例中，最终形成的决策树如图5，Th1、Th2、Th3、Th4、Th5分别是决策树算法在各个节点处计算出的阈值。

步骤五：采用的是线性加权的方法，将指标整合为Ai指数，计算公式如下：

其中W_i为指标index_i的权重。不同指标在不同的麻醉状态下的权重都不一样。根据图3在清醒到浅麻期复杂度的变化最明显，因此权重最大。同样深麻期频率指标的权重变得最大。Ai数值和麻醉状态的大致关系如图6。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (8)

1.一种基于脑电的麻醉深度监测方法，其特征在于，包括如下步骤：

11)对需要麻醉手术的人员，采集整个手术过程中患者的脑电信号，并在间隔时间内对麻醉的状态根据实际需要进行标定；

12)对采集的脑电信号，去除脑电信号中的伪迹和噪音；

13)对步骤12)获得的无干扰的脑电信号计算频域指标、复杂度和爆发抑制指标；

14)根据步骤13)的指标参数，将信号分为清醒、浅麻、中麻、深麻和过深麻醉五类；

15)将步骤13)的指标参数进行分配权重，将指标进行整合成Ai指数，根据Ai指数进行麻醉深度的判断；所述Ai指数为

index_i为步骤13)中的指标参数，w_i为指标参数的权重。

2.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，所述步骤11)中将标定的种类为清醒、浅麻、中麻、深麻、过深麻醉。

3.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，采用截止频率2Hz的FIR高通和截止频率47Hz的低通滤波器去除高频和低频噪音，再有针对地识别出眨眼、肌电、电子设备干扰进行去除。

4.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，所述频域指标包括Beta比率，所述Beta比率计算包括如下步骤：采用pwelch方法，先将数据按2秒钟一段，相邻两段重叠50％，分成N段，每段长M，然后计算每段信号的功率谱，以各段的平均功率谱作为整段信号的功率谱估计，设具体公式如下：

$X_n\left(f_i\right)=\underset{t=1}{\overset{m}{\mathrm{\&Sigma;}}}{x}_t{e}^{-{\mathrm{jf}}_{i}t},$ 其中x_t为每一小段的脑电信号数据，f_i为频率；

$P\left(f_i\right)=\frac{1}{2\&times;N\&times;\mathrm{fs}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|X_n\left(f_i\right)\right|}^2$

$P_{f_1-f_2\mathrm{Hz}}=\underset{f_1\&le;f\&le;f_2}{\mathrm{\&Sigma;}}P\left(f\right);$ fs为采样率

Beta比率＝log(P_30-47Hz/P_11-20Hz)。

5.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，所述频域指标包括各频带功率比，所述各频带功率比＝P相应的频带/P_1-47Hz。

6.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，所述复杂度指标为样本熵，其计算方法包括如下步骤：

61)确定模式维数m和相似容量r；

62)将脑电信号映射到m维相空间，形成点集{b_i}，i＝1,2,...,N-m+1,其中，

b_i＝(x_i,x_i+1,...,x_i+m-1)；

63)计算b_i与b_j间的距离，

$d(b_i,b_j)=\underset{k=0}{\overset{m-1}{\max }}|x_{i+k}-x_{j+k}|,$ 其中i、j＝1,2,...,N-m+1；

64)令 $B_i^m\left(r\right)=\frac{1}{N-m-1}\mathrm{num}\{d(b_i,b_j)<r\},j=\mathrm{1,2},...,N-m$ 且j≠i

其中，num是集合中元素个数；

65)令 $B^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\&Sigma;}}}{B}_i^m\left(r\right);$

66)令

$A_i^m\left(r\right)=\frac{1}{N-m-1}\mathrm{num}\{d({b_i}^{\&prime;},{b_j}^{\&prime;})<r\},j=\mathrm{1,2},...,N-m$ 且j≠i

其中表示m+1维相空间中的点

$A^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\&Sigma;}}}{A}_i^m\left(r\right);$

67)求得样本熵，SampEn(m,r,N)＝-ln(A^m(r)/B^m(r))。

7.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，所述爆发抑制指标计算方法包括：当脑电信号的振幅在±5μV以内，且持续时间超过0.5秒时，认为这是一段抑制信号，爆发抑制比的计算如下：

8.根据权利要求1所述的一种基于脑电的麻醉深度监测方法，其特征在于，利用决策树分类器，将信号分为清醒、浅麻、中麻、深麻和过深麻醉五类，所述分类器是由C4.5型决策树方法生成，其自变量是步骤13)中计算的指标，因变量是步骤11)中对信号进行标定。