DE60116132T2

DE60116132T2 - Vorrichtung zur schnellen bestimmung des zerebralen zustands eines patienten

Info

Publication number: DE60116132T2
Application number: DE60116132T
Authority: DE
Inventors: E. Hanna VIERTO-OJA; T. Borje RANTALA
Original assignee: Instrumentarium Oyj
Current assignee: Instrumentarium Oyj
Priority date: 2000-10-16
Filing date: 2001-10-12
Publication date: 2006-07-13
Anticipated expiration: 2021-10-13
Also published as: US7228169B2; EP1328193A1; WO2002032305A1; ATE313295T1; US20030167019A1; AU2001294116A1; JP4030869B2; US20040082876A1; DE60116132D1; EP1328193B1; CA2396545A1; JP2004511286A; US6731975B1

Description

Hintergrund der Erfindung
Die vorliegende Erfindung bezieht sich auf eine Vorrichtung zum Bestimmen des zerebralen Zustands eines Patienten. Eine Anwendung der Vorrichtung ist das Bestimmen des Ausmaßes eines hypnotischen Zustands des Patienten, der sich beispielsweise aus dem Verabreichen eines Anästhesiemittels ergibt. Dieses Ausmaß wird häufig als die „Tiefe der Anästhesie" bezeichnet. Bei der Vorrichtung der vorliegenden Erfindung können Änderungen bei dem zerebralen Zustand genau und schnell bestimmt werden.
In einer vereinfachten Definition ist Anästhesie ein künstlich erzeugter Zustand von teilweisem oder vollständigem Verlust der Schmerzempfindung, d. h. Analgesie. Für die meisten medizinischen Vorgänge wird der Verlust der Empfindung begleitet von einem Verlust des Bewusstseins seitens des Patienten, so dass der Patient amnestisch ist und sich des Vorgangs nicht bewusst ist.
Die „Tiefe der Anästhesie" beschreibt im Allgemeinen das Ausmaß, zu dem das Bewusstsein nach der Verabreichung eines Anästhesiemittels verloren geht. Während sich die Stärke der Anästhesierung oder Tiefe der Anästhesie erhöht, ist ein anästhesierter Patient typischerweise nicht mehr in der Lage, erfolgreich auf gesprochene Befehle zu reagieren, verliert den Augenlidreflex, verliert andere Reflexe, erlebt eine Unterdrückung von Vitalzeichen und dergleichen.
Obwohl der Verlust des Bewusstseins (Hypnose, Amnesie) und der Verlust der Empfindung (Analgesie) wesentliche Merkmale der Anästhesie sind, sollte angemerkt werden, dass eine ausgeglichene, qualitativ hochwertige Anästhesie auch Muskelentspannung, Unterdrückung des autonomen Nervensystems und Blockaden des neuromuskulären Übergangs. Eine ausreichende Muskelentspannung ist erforderlich, um optimale Operationsbedingungen für den Chirurgen sicherzustellen, der das Gewebe des Patienten manipuliert. Falls das autonome Nervensystem nicht unterdrückt wird, bewirkt dasselbe, dass der Patient auf chirurgische Aktivität mit einer Schockreaktion anspricht, die die Hämodynamik und das endokrine System stark beeinträchtigt. Um den Patient vollständig bewegungslos zu halten, müssen die neuromuskulären Übergänge, die Befehle von dem Gehirn zu den Muskeln des Körpers übertragen, blockiert sein, so dass der Körper des Patienten vollständig paralysiert wird.
Obwohl der Bedarf, den Zustand aller fünf Komponenten der Anästhesie zu bestimmen, weitreichend bekannt ist, ist das Bestätigen und Quantifizieren des Zustands der Hypnose oder Tiefe der Anästhesie auf zuverlässige, genaue und schnelle Weise der Gegenstand eingehender Beachtung. Ein Grund dafür ist die Wichtigkeit desselben. Falls die Anästhesie nicht ausreichend tief ist, kann der Patient während einer Operation oder einem anderen medizinischen Vorgang das Bewusstsein behalten oder gewinnen, was zu einer extrem traumatischen Erfahrung für den Patient, den Anästhesisten und Chirurgen führt. Andererseits reflektiert übermäßig tiefe Anästhesie einen unnötigen Verbrauch von Anästhesiemitteln, von denen die meisten teuer sind. Eine Anästhesie, die zu tief ist, erfordert eine erhöhte medizinische Überwachung während dem Operationsaufwachprozess und verlängert den Zeitraum, den der Patient benötigt, um vollständig frei zu werden von den Auswirkungen des Anästhesiemittels. Ein zweiter Grund für die fortlaufende Untersuchung und Aufmerksamkeit, die dem Überwachen der Hypnosebedingung des Patienten gegeben wird, ergibt sich aufgrund der Schwierigkeit derselben: d. h. Anästhesiemittel ändern die Aktivität und den Zustand des Gehirns des Patienten und diese Änderungen sind nicht immer leicht zu erfassen.
Eine Messung der Tiefe der Anästhesie, die für Forschungszwecke verwendet werden kann, findet sich in einer Beo bachterbewertung von Wachheit und Sedation oder OAAS (Observer's Assessment of Alertness and Sedation). Die OAAS bestimmt die Bewusstseinsebene oder umgekehrt die Tiefe der Sedation oder Anästhesie auf der Basis der Antwort des Patienten auf externe Stimuli. Eine solche Bewertung, die die Tiefe der Anästhesie in sechs Pegel klassifiziert, ist durch die nachfolgende Tabelle zusammengefasst. Der Übergang von Bewusstsein zu Unbewusstsein kann auftreten, wenn sich der OAAS-Wert von Pegel 3 zu Pegel 2 ändert. Pegel 0 entspricht einem Zustand tiefer Anästhesie, in dem der Patient keine Antwort auf einen sehr schmerzhaften Stimulus zeigt.
„Ptosis" ist ein Hängen der oberen Augenlider. „TOF-Stimulation" (TOF = Train of Four) ist ein sehr kurzer schmerzhafter elektrischer (50 mA) Stimulus, der an den Ulnarnerv des Arms des Patienten angelegt wird, und viermal wiederholt wird, um die Intensität der Muskelkontraktion zu bewerten. Bei der „tetanischen Stimulation" wird der elektrische Strom (50 mA) fortlaufend für einen Zeitraum, wie z. B. 5 Sekunden, angelegt. Der Ulnarnerv ist der Nerv, der, wenn er gezwickt wird, den gut bekannten „Musikantenknochen"-Effekt ergibt.
Obwohl dieselbe für Forschungs- und andere Zwecke sinnvoll ist, liefert eine OAAS-Skala nur eine begrenzte Anzahl von Skalierungspegeln und ist bei der praktischen Anwendung beschränkt, aufgrund der Aufmerksamkeit, die von dem Anästhesisten erforderlich ist, und der Verwendung von schmerzhaften Stimuli.
Es ist seit langem bekannt, dass die neurologische Aktivität des Gehirns in Biopotentialen reflektiert wird, die auf der Oberfläche des Gehirns und auf der Kopfhaut verfügbar sind. Somit haben sich Bemühungen, das Ausmaß der anästhesieinduzierten Hypnose zu quantifizieren, einer Untersuchung dieser Biopotentiale zugewandt. Die elektrischen Biopotentialsignale werden normalerweise durch ein Paar oder mehrere Paare von Elektroden erhalten, die auf die Kopfhaut des Patienten platziert werden, an Positionen, die durch ein anerkanntes Protokoll bestimmt sind, und ein Satz oder eine Mehrzahl von Sätzen oder Kanälen von elektrischen Signalen werden von den Elektroden erhalten. Diese Signale werden verstärkt und gefiltert. Die aufgezeichneten Signale umfassen ein Elektroenzephalogramm oder EEG.
Einer der Gründe des Filterns ist das Entfernen elektromyographischer (EMG-) Signale von dem EEG-Signal. EMG-Signale ergeben sich von der Muskelaktivität des Patienten und erscheinen in elektroenzephalographischen Elektroden, die an die Stirn oder die Kopfhaut des Patienten aufgebracht sind. Dieselben werden bezüglich der EEG-Signale normalerweise als Artefakte betrachtet. Da EMG-Signale den Großteil ihrer Energie typischerweise in einem Frequenzbereich (40–300 Hz) haben, der sich von dem des EEG unterscheidet, können große Teile der EMG-Signale von dem EEG-Signal getrennt werden.
Ein typisches EEG ist in 1 gezeigt. Ein Makrocharakteristikum der EEG-Signalstruktur ist die Existenz breit definierter Niederfrequenzrhythmen oder -wellen, die in bestimmten Frequenzbändern auftreten. Vier solche Bänder sind anerkannt: Delta (0,5–3,5 Hz), Theta (3,5–7,0 Hz), Alpha (7,0–13,0 Hz) und Beta (13,0–32,0 Hz). Alphawellen finden sich während Perioden der Wachheit und können während dem Schlaf vollständig verschwinden. Die höherfrequenten Betawellen werden während Zeiträumen intensiver Aktivierung des zentralen Nervensystems aufgezeichnet. Die niederfrequenten Theta- und Delta-Wellen reflektieren Schläfrigkeit und Zeiträume tiefen Schlafs.
Durch die Analogie der Schlaftiefe kann gesagt werden, dass die Frequenz des EEG sich verringert, während sich die Tiefe der Anästhesie erhöht, während die Größe des Signals sich anfangs häufig erhöht. Diese grobe Charakterisierung ist jedoch zu ungenau und zu unzuverlässig für die Verwendung eine Anzeige eines solchen kritischen medizinischen Aspekts wie dem Ausmaß der Hypnose. Ferner kann es sein, dass EEG-Signaländerungen während der Anästhesie nicht vollständig mit Änderungen bei einem hypnotischen Zustand des Patienten korrelieren. Beispielsweise wurde berichtet, dass sich in einem 12- bis 18-Hz-Frequenzband die EEG-Aktivität anfangs erhöht, während Anästhesiemittel verabreicht werden, und sich nur danach verringert, während die Anästhesie sich vertieft.
Der vorhergehende Umstand hat zu der Untersuchung und Verwendung anderer Techniken geführt, um EEG-Signalverläufe zu studieren, um den darunter liegenden Zustand des Gehirns zu bestätigen, einschließlich der Tiefe der Anästhesie, der ein Patient unterzogen wird. Von 1 ist sofort klar, dass EEG-Signale hochzufällig sind. Anders als andere Biopotentialsignale, wie z. B. diejenigen eines Elektrokardiogramms (EKG), hat ein EEG normalerweise keine offensichtlichen sich wiederholenden Strukturen, deren Morphologie und Zeitgebung auf herkömmliche Weise verglichen und analysiert werden kann. Auch korreliert die Form des EEG-Signalverlaufs nicht gut mit spezifischen darunter liegenden Ereignissen in dem Gehirn. Somit ist abgesehen von bestimmten Phänomenen, wie z. B. epileptischen Anfällen, die von der visuellen Untersuchung eines EEG ohne Weiteres offensichtlich sind, die Anzeige anderer Zustände im Gehirn in dem EEG sehr viel subtiler.
Einleitend zu der Verwendung anderer Techniken werden die EEG-Signale einer Analog-zu-Digital-Signalumwandlung unterzogen, durch sequentielles Abtasten der Größe der analogen EEG-Signale und Umwandeln derselben in eine Reihe von digitalen Datenwerten. Die Abtastung wird typischerweise bei einer Rate von 100 Hz oder mehr ausgeführt. Die Digitalsignale werden in dem magnetischen oder anderen Speichermedium eines Computers gespeichert und dann einer weiteren Verarbeitung unterzogen, um den darunter liegenden. Zustand des Gehirns festzustellen. Eine solche Verarbeitung verwendet typischerweise Sätze von sequentielles EEG-Signalabtastwerten oder Datenpunkten, die einen finiten Zeitblock darstellen, der üblicherweise als ein „Zeitraum" bezeichnet wird. Die Analyse der Daten wird normalerweise auf der Basis des gleitenden Mittelwerts ausgeführt, der einen bestimmten Zeitraum und eine bestimmte Anzahl von vergangenen Zeiträumen verwendet.
Einige der Techniken, durch die EEG-Signale analysiert werden können, in einer Bemühung, die Tiefe der Anästhesie zu bestimmen, sind gut beschrieben in Ira J. Rampil, A Primer for EEG Signal Processing in Anesthesia, Bd. 89, Anesthesiology Nr. 4, S. 980 f., Oktober 1998.
Eine solche Technik ist das Untersuchen, auf eine sinnvolle Weise, wie sich die Spannung eines EEG-Signals im Verlauf der Zeit ändert. Eine solche Analyse wird als „Zeitbereichanalyse" bezeichnet. Aufgrund seiner im Allgemeinen zufälligen Art ist ein EEG-Signal kein deterministisches Signal. Dies bedeutet, dass es nicht möglich ist, zukünftige Werte des EEG anhand von vergangenen Werten genau vorherzusagen, auf die Weise, dass beispielsweise die Formen von vergangenen QRS-Komplexen in einem EKG-Signal verwendet werden können, um zukünftige Werte für analytische und diagnostische Zwecke vorherzusagen. Bestimmte statistische Charakteristika zufälliger Signale, wie z. B. eines EEG, können jedoch für analytische Zwecke bestimmt und verwendet werden.
Zeitbereichbasierte EEG-Analyseverfahren haben sich bei klinischen Anwendungen als nicht sehr erfolgreich erwiesen, da sich die Ergebnisse nicht auf vollständig einheitliche Weise verhalten. Solche Verfahren wurden jedoch bei der Verwendung eines elektrischen Leistungsparameters berichtet, der von der Zeitbereichs-EEG-Signalspannung abgeleitet wurde, um die Verabreichung eines Anästhesiemittels zu steuern. Kombinationen von zeitbereichbasierten statistischen Parametern wurden verwendet, um EEG-Daten zu analysieren. Es wurden auch Bemühungen durchgeführt, die Anzahl von Malen zu verwenden, die das EEG-Signal den Nullspannungspegel in einer bestimmten Zeitperiode überquert, um EEG-Signaldaten zu analysieren.
Zeitbereichbasierte Analyse ist jedoch sinnvoll bei der Untersuchung und Quantifizierung von Burstunterdrückung in dem EEG. Während tiefem Schlaf oder Anästhesie kann das EEG-Zeitbereichsignal eine Aktivitätsstruktur entwickeln, die gekennzeichnet ist durch abwechselnde Perioden oder „Bursts" von normalen oder Hochfrequenz- und Amplitude-Spannungssignalen und Perioden von niedriger oder keiner Spannung, diese Perioden werden als diejenigen von „Unterdrückung" bezeichnet. Das Ausmaß dieses Phänomens kann ausgedrückt werden als „Burstunterdrückungsverhältnis" (BSR = burst suppression ratio), was ein Zeitbereichs-EEG-Parameter ist, der die Zeit, während der die EEG-Spannung in dem unterdrückten Zustand ist, als einen Bruchteil der Abtastperiode beschreibt.
Ein zweiter Lösungsansatz zum Analysieren von EEG-Signalverläufen untersucht Signalaktivität als eine Funktion der Frequenz, d. h. eine „Frequenzbereichsanalyse". Es ist seit langem anerkannt, dass komplexe Signalverläufe, wie z. B. EEG-Signale, zerlegt oder transformiert werden können in eine Mehrzahl oder ein Spektrum von einfachen Sinus- oder Kosinuswellen verschiedener Frequenzen, Amplituden und Phasen. Frequenzbereichspektren können durch eine Fourier-Transformation von sequentiellen Zeitbereich-EEG-Signaldaten erhalten werden. Eine Frequenzbereichanalyse analysiert das Spektrum von Frequenzsignalen, die von der Transformation erhalten werden, um Charakteristika und Merkmale zu bestimmen, die in Signalverläufen auftreten, die die verschiedenen Frequenzen des Spektrums aufweisen. Die Ergebnisse einer EEG-Frequenzbereichsanalyse werden typischerweise graphisch angezeigt als ein Leistung-über-Frequenz-Histogramm, bei dem die Frequenz auf der Abszisse aufgezeichnet ist und die Leistung auf der Ordinate aufgezeichnet ist.
Weitere Bemühungen zum Erhalten sinnvoller Informationen von Elektroenzephalogrammen haben Analysen höherer Ordnung verwendet, einschließlich dem Bispektrum und Trispektrum. Das Bispektrum, das die Korrelation der Phase zwischen zwei unterschiedlichen Frequenzkomponenten misst und die Beziehungen zwischen den darunter liegenden sinusförmigen Komponenten des EEG quantifiziert, hat erhebliche Beachtung erhalten. Das Bispektrum insbesondere quantifiziert die Beziehung zwischen Sinuskurven bei zwei Hauptfrequenzen f₁ und f₂ und eine Modulationskomponente bei der Frequenz f₁ + f₂. Eine starke Phasenbeziehung zwischen f₁, f₂ und f₁ + f₂ erzeugt einen großen Bispektral-Wert für die Frequenz f₁ + f₂. Weil die Berechnung jedoch unter Verwendung komplexer Zahlarithmetik für mehrere tausend f₁, f₂ und f₁ + f₂ Frequenzkombinationen durchgeführt werden muss, sind die Berechnungen zum Erhalten von bispektralen Informationen ziemlich mühsam.
Für eine klinische Anwendung ist es wünschenswert, die Ergebnisse einer EEG-Signalanalyse des vorhergehenden und anderer Typen zu vereinfachen, in einen verarbeitbaren Parameter, der durch einen Anästhesist in einer klinischen Umgebung verwendet werden können, wenn er den Patienten behandelt. Was idealerweise gewünscht ist, ist ein einfacher einzelner Parameter oder Index, der die Tiefe der Anästhesie auf einer einheitlichen und fortlaufenden Skala quantifiziert, die sich von vollem Bewusstsein zu maximal tiefer aber umkehrbarer Hypnose erstreckt. Um voll verwendbar zu sein, sollte eine Skala ihre Einheitlichkeit beibehalten, ungeachtet den unterschiedlichen pharmakologischen Effekten unterschiedlicher Anästhesiemittel sowie den unterschiedlichen Physiologien unterschiedlicher Patienten.
Verschiedene solche Parameter zum Beziehen von EEG-Signaldaten auf den Hypnosezustand des Patienten werden in der Literatur erörtert. Mehrere verwenden Frequenzbereichsleistungsspektralanalyse. Diese Parameter umfassen Spitzenleistungsfrequenz (PPF), mittlere Leistungsfrequenz (MPF) und Spektralgrenzfrequenz (SEF). Ein Spitzenleistungsfrequenz- (PPF-) Parameter verwendet die Frequenz in einem Spektrum, bei dem die höchste Leistung in den abgetasteten Daten als eine Anzeige der Tiefe der Anästhesie erscheint. Der mittlere Leistungsfrequenz- (MPF-) Parameter, wie sein Name impliziert, verwendet die Frequenz, die das Spektrum halbiert. Auf gleiche Weise verwendet die Spektralgrenzfrequenz die höchste Frequenz in dem EEG-Signal. Eine Modifikation des Letzteren ist der SEF-95-Parameter, der die Frequenz ist, unter der sich 95 % der Leistung in dem Spektrum befinden.
Um die Einheitlichkeit eines Indikators des Hypnosezustands oder der Tiefe der Anästhesie zu verbessern, werden häufig mehrere Parameter kombiniert verwendet. Beispielsweise kann der Spektralgrenzfrequenz- (SEF-) Parameter kombiniert werden mit dem Zeitbereichburstunterdrückungsverhältnis- (BSR-) Parameter, um die Einheitlichkeit und Genauigkeit zu verbessern, mit der die Tiefe der Anästhesie angezeigt werden kann.
Obwohl Parameter der vorhergehenden Typen Änderungen in dem EEG erfassen können, die durch Anästhesiemittel bewirkt werden und somit sinnvoll sind beim Bestimmen der Tiefe der Anästhesie, leiden dieselben daran, dass sie nicht auf Verhaltensendpunkte kalibriert werden können und aufgrund ihrer Empfindlichkeit gegenüber unterschiedlichen EEG-Mustern, die durch unterschiedliche Anästhesiemittel induziert werden.
Komplexere Kombinationen von Parametern sind beschrieben in den U.S.-Patenten 4,907,597; 5,010,891; 5,320,109; und 5,458,117 an Nassib Chamoun oder Chamoun u. a. und werden in dem Anästhesieüberwachungsprodukt verwendet, das durch die Anmelderin der Patente, Aspect Medical Systems aus Framingham, MA, hergestellt und verkauft wird. Die Patente beschreiben verschiedene Kombinationen eines Zeitbereichsteilparameters und Frequenzbereichteilparameters einschließlich eines Spektralteilparameters hoher Ordnung, um eine einzige Variable zu bilden, die als bispektraler Index (BIS) bezeichnet wird, der Verhaltensbewertungen von Sedation und Hypnose über einen Bereich von Anästhetika für mehrere Anästhesiemittel korreliert. Aufgrund dieser Fähigkeit hat das Produkt von Aspect Medical Systems Anerkennung im klinischen Bereich gefunden.
Der bispektrale Index, BIS, besteht aus den folgenden drei Teilkomponenten: SyncFastSlow, BetaRatio und Burst-Supression. Die Berechnung des Teilparameters SyncFastSlow verwendet bispektrale Analyse in dem Frequenzbereich. Der SyncFastSlow-Parameter entspricht dem Logarithmus des Verhältnisses der Summe aller bispektralen Spitzen in dem Frequenzbereich 0,5–47 Hz, geteilt durch die Summe in dem Bereich 40–47 Hz. Die bispektralen Informationen in dem SyncFastSlow-Teilparameter geben selbst nicht ausreichend Informationen über den Hypnosebereich und erfordern somit eine Kombination mit den anderen Teilparametern. Der BetRatio-Teilparameter gibt den Logarithmus des Leistungsverhältnisses in den Frequenzen 30–47 Hz und 11–20 Hz. Dies ist ein Frequenzbereichparameter, von dem herausgefunden wurde, dass er bei leichter Sedation am besten funktioniert. Wie es oben angemerkt wurde, enthält das EEG-Signal bei sehr tiefen Anästhesiepegeln Datenabtastwerte, in denen die EEG-Aktivität unterdrückt ist. Das Burstunterdrückungsverhältnis, das von einer Zeitbereichanalyse des EEG-Signals erhalten wird, beschreibt den relativen Inhalt von Bursts und Unterdrückung in dem Signal. Das Burstunterdrückungsverhältnis ist wirksam bei tiefer Anästhesie, bei der die Unterdrückung auftritt.
Der resultierende bispektrale Index, BIS, ist eine Kombination dieser drei Teilparameter. Der Kombinierungsalgorithmus gewichtet die unterschiedlichen Teilparameter gemäß ihrem Bereich der besten Leistung. Obwohl die Einzelheiten des Algorithmus nicht veröffentlicht und proprietär sind, ist es bekannt, dass unterschiedliche Teilparameter oder eine Kombination von Teilparametern verwendet wird, abhängig von dem Hypnosepegel oder Tiefe der Anästhesie. Beispielsweise ist es für leichte Sedation notwendig, den bispektralen SyncFastSlow-Teilparameter in Verbindung mit dem BetaRatio-Teilparameter zu verwenden, um zuverlässige Ergebnisse zu erzielen. Für tiefe Anästhesie ist es notwendig, den bispektralen Teilparameter SyncFastSlow mit dem Burstunterdrückungsverhältnis-Teilparameter zu kombinieren, um zuverlässige Ergebnisse zu erzeugen. Der Algorithmus erscheint umständlich, da er, um die ordnungsgemäße Kombination von Teilparametern zu erstellen, die erforderlich ist, um die Tiefe der Anästhesie genau zu bestimmen, wissen muss, welcher Anästhesiepegel vorliegt, was wiederum die ordnungsgemäße Teilparameterkombination erfordert.
Bestimmtes paradoxes Verhalten des bispektralen Index (BIS) wurde berichtet. Siehe Detsch u. a., „Increasing Isoflurane Concentration may cause Paradoxical Increases in the EEG bispectral Index in Surgical Patients", Br. J. Anaesth. 84 (2000), S. 33–37. Weil der Index eine Vielzahl von Teilparametern und Kombinationen derselben in unterschiedlichen Hypnoseregionen verwendet, kann dieses Verhalten auftreten, wenn der Hypnosepegel eines Patienten an einer Grenze der Regionen ist, beispielsweise in dem Bereich zwischen „chirurgische Pegel" und „tiefe Hypnose".
Ferner erfordert die Berechnung des Bispektralindex- (BIS-) Parameters das Mitteln mehrerer Zeiträume von EEG-Daten. Somit kann es sein, dass dieser Index nicht ausreichend schnell ist, um Änderungen in dem Zustand eines Patienten zu erfassen, wie es in der klinischen Situation erforderlich ist. Siehe Baker u. a., Electroencephalographic Indices Related to Hypnosis and Amnesia During Propofol Anaesthesia for Cardioversion, Anaesthesia and Intensive Care, Bd. 28, Nr. 4, 2000. Somit kann der BIS-Index beispielsweise das Aufwachen mehrere Sekunden, nachdem ein Patient bereits seine Augen geöffnet hat, anzeigen. Dies kann bei der Verwendung des BIS-Index ein schwerwiegendes Problem sein. Durch Kenntnis der Tiefe der Anästhesie kann der Anästhesist die Menge an Anästhesiemittel, die einem Patient verabreicht wird, genauer steuern. Dies führt häufig zu einer Reduktion bei der Menge an verabreichtem Mittel. Die reduzierte Menge an Anästhesiemittel erhöht jedoch das Risiko, dass der Patient während der Operation aufwacht. Es ist daher wesentlich, dass ein Anästhesist sofort weiß, wenn ein Patient sich aus dem Hypnosezustand dem Bewusstsein nähert.
Ein anderer Lösungsansatz für die Analyse von elektroenzephalographischen Signalen ist der Versuch, die Komplexität des äußerst zufälligen EEG-Signals für die Verwendung als Anzeige der Tiefe der Anästhesie zu quantifizieren. Dieser Lösungsansatz basiert auf der Prämisse, dass neuronale Systeme, wie z. B. diejenigen des Gehirns, eine Vielzahl von nichtlinearen Verhaltensweisen zeigen, so dass Messungen auf der Basis der nichtlinearen Dynamik des EEG- Signals eine direkte Einsicht in den Zustand der darunter liegenden Gehirnaktivität ermöglichen sollten.
Es gibt eine Anzahl von Konzepten und analytischen Techniken, die sich auf die komplexe Art von zufälligen und nichtvorhersagbaren Signalen beziehen. Ein solches Konzept ist Entropie. Entropie als physikalisches Konzept beschreibt den Zustand der Unordnung eines physikalischen Systems. Wenn sie in Signalanalyse verwendet wird, adressiert und beschreibt Entropie die Komplexität, Nichtvorhersagbarkeit oder zufälligen Charakteristika eines Signals. Bei einem einfachen Beispiel hat ein Signal, bei dem sequentielle Werte abwechselnd eine feste Größe und dann eine andere feste Größe haben, eine Entropie von Null, d. h. das Signal ist vollständig vorhersagbar. Ein Signal, bei dem sequentielle Werte durch einen Zufallszahlgenerator erzeugt werden, hat eine größere Komplexität und eine höhere Entropie.
Wenn das Konzept der Entropie auf das Gehirn angewendet wird, ist die Prämisse, dass, wenn eine Person wach ist, der Geist voller Aktivität ist und somit der Zustand des Gehirns eher nichtlinear, komplexer und rauschartiger ist. Da EEG-Signale den darunter liegenden Zustand der Gehirnaktivität reflektieren, ist dies reflektiert in relativ mehr „Zufälligkeit" oder „Komplexität" in den EEG-Signaldaten oder umgekehrt in einem geringeren Pegel an „Ordnung". Wenn eine Person einschläft oder anästhesiert wird, verringert sich die Gehirnfunktion allmählich und wird geordneter und regelmäßiger. Während sich der Aktivitätszustand des Gehirns ändert, wird dies in dem EEG-Signal reflektiert durch eine relative Verringerung der „Zufälligkeit" oder „Komplexität" der EEG-Signaldaten oder umgekehrt das Erhöhen der „Ordnung" in den Signaldaten. Wenn eine Person wach ist, haben die EEG-Datensignale eine höhere Entropie, und wenn die Person schläft, haben die EEG-Signaldaten eine geringere Entropie.
Mit Bezug auf Anästhesie zeigen zunehmend mehr Beweise, dass EEG-Signaldaten mehr „Ordnung", d. h. weniger „Zufälligkeit", und geringere Entropie bei höheren Konzentrationen eines Anästhesiemittels, d. h. einer höheren Tiefe der Anästhesie enthalten als bei geringeren Konzentrationen. Bei einer geringeren Konzentration von Anästhesiemittel hat das EEG-Signal eine höhere Entropie. Dies liegt höchstwahrscheinlich an geringeren Pegeln der Gehirnaktivität in dem ersteren Zustand als in dem letzteren Zustand. Siehe „Stochastic complexity measures for physiological signal analysis" von I.A. Rezek und S.J. Roberts in IEEE Transactions on Biomedical Engineering, Bd. 4, Nr. 9, September 1998, die Entropiemessung einer Grenzfrequenz von 25 Hz beschreiben, und Bruhn u. a., „Approximate Entropy as an Electroencephalographic Measure of Anesthetic Drug Effect during Desflurane Anesthesia", Anesthesiology, 92 (2000), S. 715–726, die Entropiemessungen in einem Frequenzbereich von 0,5 bis 32 Hz beschreibt. Siehe auch H. Viertiö-Oja u. a., „New method to determine depth of anesthesia from EEG measurement" in J. Clin. Monitoring and Comp., Bd. 16 (2000), S. 16, die berichten, dass der Übergang von Bewusstsein zu Bewusstlosigkeit an einem einheitlichen kritischen Wert der Entropie stattfindet, der unabhängig vom Patienten ist.
Die Relevanz des Konzepts der Entropie für den bewussten und unbewussten Zustand des Gehirns wird auch unterstützt in jüngsten theoretischen Arbeiten (siehe Steyn-Ross u. a., Phys. Rev. E60, 1999, S. 7.229–7.311), die thermodynamische Theorie auf die Untersuchung des Gehirns anwendet. Diese Arbeit kommt zu dem Schluss, dass, wenn ein Patient, der einer Anästhesie unterzogen wird, von dem bewussten Zustand zu dem unbewussten Zustand übergeht, ein thermodynamischer Phasenübergang des neuralen Systems des Gehirns stattfindet, der grob analog ist zu der Phasenänderung, die auftritt, wenn Wasser zu Eis gefriert. Während dem Prozess des Gefrierens wird eine Menge an Entropie proportional zu der latenten Wärme des Prozesses entfernt, so dass Wasser und Eis unterschiedliche Entropien aufweisen. Von dem bewussten und unbewussten Zustand des Gehirns kann daher auf ähnliche Weise erwartet werden, dass dieselben unterschiedliche bestimmte Werte von Entropie haben. Die Prämisse, dass der Verlust des Bewusstseins als analog zu einem thermodynamischen Phasenübergang betrachtet werden kann, unterstützt ferner das Konzept der Entropie als eine fundamentale Charakteristik des zerebralen Zustands des Gehirns und für die Verwendung von Entropie beim Bestimmen der Tiefe der Anästhesie als das Verwenden einer Menge, die die Grundmechanismen des Gehirns reflektiert, anstatt abgeleitete Phänomene, wie z. B. Leistungsspektra, die diese Mechanismen reflektieren.
Zusammengefasst kann folgendes gesagt werden. Zunächst wurde allgemein herausgefunden, dass bestimmte Formen der Entropie sich einheitlich als eine Funktion anästhetischer Tiefe verhalten. Siehe Bruhn u. a. und H. E. Viertiö-Oja u. a., „Entropy of EEG signal is a robust index for depth of hypnosis", Anesthesiology 93 (2000) A, S. 1.369. Dies berechtigt die Betrachtung der Entropie als natürliche und stabile Auswahl, um Hypnosepegel zu charakterisieren. Weil Entropie bei allen Anästhesiepegeln mit einer Anästhesietiefe korreliert, vermeidet dieselbe außerdem den Bedarf, verschiedene Teilparameter zu kombinieren, wie bei dem bispektralen Index (BIS). Zweitens findet der Übergang von Bewusstsein zu Bewusstlosigkeit bei einem kritischen Entropiepegel statt, der unabhängig vom Patienten ist. Siehe Viertiö-Oja u. a. in J. Clin. Monitoring and Computing. Drittens, und dies ist von besonderer Bedeutung, kann das Aufwachen eines Patienten von der Anästhesie zum Bewusstsein häufig vorhergesagt werden durch einen Anstieg der Entropie zu dem kritischen Pegel.
Eine Anzahl von Techniken und zugeordneten Algorithmen sind verfügbar zum Quantifizieren von Signalkomplexität, einschließlich denjenigen, die auf Entropie basieren, wie es in dem Rezek- und Roberts-Artikel in IEEE Transactions on Biomedical Engineering Artikel beschrieben ist. Ein solcher Algorithmus ist derjenige, der spektrale Entropie erzeugt, für die Entropiewerte in Frequenzform berechnet werden. Ein weiterer Algorithmus liefert Näherungs-Entropie, die von der Kolmogorov-Sinai-Entropieformel abgeleitet ist und in dem Taken's Einbettungsraum berechnet wird. Siehe Steven M. Pincus, Igor M. Gladstone und Richard A. Ehrenkranz, „A regularity statistic for medical data analysis", J. Clin. Monitoring 7 (1991), S. 335–345. Ein Programm zum Berechnen Näherungs-Entropie ist in dem Artikel von Bruhn u. a. in Anesthesiology aufgeführt. Die Techniken der spektralen Entropie und Näherungs-Entropie haben beim Analysieren der Komplexität von EEG-Signaldaten Anwendung gefunden.
Eine weitere Technik für nichtlineare Analyse von hochzufälligen Signalen ist ausgedrückt in der Lempel-Ziv-Komplexität, bei der die Komplexität einer Zeichenfolge von Datenpunkten gegeben ist durch die Anzahl von Bytes, die benötigt werden, um das kürzestmögliche Computerprogramm herzustellen, das in der Lage ist, die Zeichenfolge zu erzeugen. Siehe Abraham Lempel und Jacob Ziv, „On the complexity of finite sequences", IEEE Trans., IT-22 (1976), S. 75–81.
Noch ein weiterer Lösungsansatz, der an EEG-Signalanalyse angelegt werden kann, ist Fraktal-Spektrumanalyse auf der Basis der Chaostheorie. Bei der Fraktal-Spektrumanalyse wird das EEG-Signal in eine harmonische Komponente und eine fraktale Komponente unterteilt. Die harmonische Komponente umfasst die einfachen Frequenzen, während die fraktale Komponente den Teil enthält, der unter zeitlicher Skalierung invariant ist. Es wurde herausgefunden, dass der fraktale Exponent Beta, der dem Frequenzleistungsgesetz 1/f^β entspricht, sich im Verlauf der vertiefenden Anästhesie einheitlich erhöht.
Die US-A-6,067,467 offenbart ein Elektrozephalograph- (EEG-) Verfahren zum Überwachen von Patienten während und nach medizinischen Operationen durch EEG- und EMG- Elektroden. Ein Anästhesist verabreicht ausreichend Anästhetika, um zu bewirken, dass der Patient den gewünschten Anästhesiepegel erreicht. Die Gehirnwellen des Patienten, sowohl fortlaufend als auch aufgerufen durch Stimuli, werden verstärkt, digitalisiert und aufgezeichnet. Der Satz von Gehirnwellen vor der Operation wird verglichen mit einem Satz der Gehirnwellendaten des Patienten, die während der Operation erhalten werden, um zu bestimmen, ob zusätzliche oder weniger Anästhetika erforderlich sind, wobei besondere Aufmerksamkeit auf die relative Leistung in dem Thetaband gerichtet wird, als eine Anzeige des Gehirnblutflusses, und auf Verlängerungen der Latenzperioden unter Gehirnstammstimuli als Anzeige der Fähigkeit des Patienten, Schmerz zu fühlen. Ein Satz von neurometrischen Merkmalen wird extrahiert, in einen normierten statistischen Wert umgewandelt, dadurch wird ein Diskriminanzwert ermittelt und der Diskriminanzwert wird unter Verwendung von Wahrscheinlichkeitsfunktionen in einen Patientenzustandsindex umgewandelt.
Kurze Zusammenfassung der Erfindung
Es ist eine Aufgabe der vorliegenden Erfindung, eine Vorrichtung zum genauen Bestimmen des zerebralen Zustands eines Patienten zu schaffen, einschließlich des Hypnose- oder Bewusstseinszustands eines Patienten und der Tiefe der Anästhesie, die ein Patient erlebt.
Der Hauptinhalt der vorliegenden Erfindung ist das Kombinieren einer effektiven Messung des zerebralen Zustands eines Patienten, die von EEG-Signaldaten abgeleitet wird, vorzugsweise eine Komplexitätsmessung, wie z. B. spektrale Entropie oder Näherungs-Entropie, mit einer schneller erhältlichen Messung, die von EMG-Signaldaten abgeleitet wird, und die Verwendung der Kombination als eine Anzeige des zerebralen Zustands. Wenn dieselbe als eine Anzeige des Hypnosezustands oder der Tiefe der Anästhesie des Patienten verwendet wird, verbessert und bestätigt die Messung, die von den EMG-Signaldaten abgeleitet wird, die Bestimmung des Hypnosezustands, die unter Verwendung der EEG-Signaldaten getroffen wurde, und macht die Feststellung von Änderungen in dem Hypnosezustand des Patienten schneller. Dies ist von besonderer Bedeutung beim Warnen eines diensthabenden Anästhesisten über die Möglichkeit, dass ein anästhesierter Patient in Kürze das Bewusstsein wiedererlangt, so dass der Anästhesist eine zeitnahe entsprechende Aktion durchführen kann. Die Messung, die von den EMG-Signaldaten abgeleitet ist, kann Spektralleistungsdaten umfassen.
Sowohl die EEG- als auch EMG-Signaldaten werden typischerweise von dem gleichen Satz von Elektroden erhalten, die beispielsweise an der Stirn des Patienten angelegt sind. Die EEG-Signalkomponente dominiert die niederen Frequenzen (bis zu etwa 30 Hz), die in den Biopotentialen enthalten sind, die in den Elektroden existieren, und die EMG-Signalkomponente beherrscht die höheren Frequenzen (etwa 50 Hz und darüber).
Das Vorliegen von EMG-Signaldaten zeigt, dass der Patient bei Bewusstsein ist und kann somit eine schnelle Anzeige des Bewusst-/Bewusstloszustand des Patienten liefern. Wichtig ist, dass aufgrund der höheren Frequenz des EMG-Datensignals die Abtastzeit wesentlich kürzer sein kann, als für die niederfrequenteren EEG-Signaldaten erforderlich ist. Dies ermöglicht es, dass die EMG-Daten häufiger berechnet werden, so dass der Gesamtdiagnoseindikator Änderungen bei dem Zustand des Patienten schnell anzeigen kann.
Bei einem Ausführungsbeispiel der Erfindung werden die EEG-Signaldaten und die EMG-Signaldaten getrennt analysiert und danach in einen Diagnoseindex oder -indikator kombiniert. Wie es oben angemerkt wurde, kann aufgrund der Schnelligkeit, mit der Änderungen bei dem Anästhesiezustand des Patienten von den EMG-Daten bestimmt werden können, der Gesamtindex den Anästhesisten schnell über Änderungen bei dem Zustand des Patienten informieren.
Bei einem weiteren Ausführungsbeispiel der vorliegenden Erfindung wird der Spektralbereich der Komplexitätsberechnungen, d. h. Entropieberechnungen, erweitert, um sich in den EMG-Bereich zu erstrecken. Somit kann sich der Spektralbereich, über den die Komplexitätsberechnungen ausgeführt werden, um einen Indikator zu liefern, von einer niedrigeren Frequenz von beispielsweise 0,5 bis 7 Hz bis zu einer Frequenz über 32 Hz erstrecken. Um Leistungsleitungsstörungen auszufiltern, kann der Spektralbereich in Bänder unterteilt werden mit der Eliminierung von Frequenzen um 50, 60 Hz und 100, 120 Hz. Beispielsweise enthält bei einem Ausführungsbeispiel, bei dem sich der Spektralbereich zu etwa 150 Hz erstreckt, ein niedriges Frequenzband (0,5–47 Hz) überwiegend EEG-Signaldaten, während zwei obere Bänder (63–97 Hz und 123 bis 147 Hz) hauptsächlich EMG-Aktivität umfassen. Die Verwendung eines verbreiterten Frequenzbereichs erfordert keine Teilung des Spektrums in zwei Segmente wie das erste Ausführungsbeispiel, weil alle Komponenten in dem verbreiterten Frequenzbereich auf die gleiche Weise behandelt werden. Und jede Grenze innerhalb des Spektralbereichs wäre künstlich, da die Frequenzbänder für die EEG- und EMG-Signaldaten überlappen. Somit werden die gleichen analytischen Techniken für alle Hypnosepegel verwendet, von bewusstem Zustand bis zu tiefer Anästhesie, wobei paradoxes Verhalten, das bei Indikatoren auftritt, die eine Mehrzahl von Teilparametern und Kombinationsregeln für verschiedene Anästhesiepegel verwenden, vermieden wird.
Ferner kann die Komplexitätsmessung, die bei diesem zweiten Ausführungsbeispiel der Erfindung erhalten wird, aktualisiert werden, so oft es durch die höheren Frequenzen der EMG-Signaldaten in dem verbreiterten Spektralbereich der Komplexitätsberechnung erlaubt wird. Dies liefert eine sehr aktuelle Anzeige der Tiefe der Anästhesie des Patienten für den Anästhesisten.
Der Indikator, der von der Signalkomplexitätsberechnung über den verbreiterten Spektralbereich erhalten wird, kann in Verbindung mit einer Komplexitätsmessung verwendet werden, die nur von den EEG-Abschnitten des Frequenzspektrums erhalten wird, um den Anästhesisten sinnvolle Informationen zu liefern bezüglich dessen, welcher Teil des Indikators von Zerebralaktivität kommt und welcher Teil von Muskelaktivität kommt.
Verschiedene andere Merkmale, Aufgaben und Vorteile der Erfindung werden von der folgenden detaillierten Beschreibung und den Zeichnungen offensichtlich werden.
Kurze Beschreibung der mehreren Ansichten der Zeichnungen
1 zeigt ein Elektroenzephalogramm;
2a und 2b sind Diagramme, die Entropiewerte im Vergleich zu der herkömmlichen OAAS-Skala für einen Patienten zeigen, der ein Anästhesiemittel bekommt;
3a und 3b sind Diagramme, die Entropiewerte eines Patienten bei Operationsanästhesiepegeln zeigen;
4a und 4b sind Diagramme, die Entropiewerte im Vergleich mit der herkömmlichen OAAS-Skala für einen Patienten zeigen, der aus der Anästhesie erwacht;
5a bis 5c sind Vergleichsgraphikanzeigen verschiedener Techniken zum Analysieren von EEG-Signalen;
6 ist ein Flussdiagramm, das ein Ausführungsbeispiel der vorliegenden Erfindung zeigt;
7a bis 7c sind Diagramme, die OAAS-Pegel, EEG-Entropie bzw. EMG-Amplitude zeigen;
8 ist ein Flussdiagramm, das ein weiteres Ausführungsbeispiel der vorliegenden Erfindung zeigt;
9a bis 9d sind Diagramme, die OAAS-Pegel und entsprechende EEG- und EMG-basierte Indikatoren der Tiefe der Anästhesie zeigen;
10 ist ein Diagramm, das kombinierte EEG- und EMG-Entropiewerte zeigt; und
11 zeigt eine Vorrichtung zum Ausführen der vorliegenden Erfindung.
Detaillierte Beschreibung der Erfindung
Bei einem bevorzugten Ausführungsbeispiel der Erfindung werden relevante Informationen in Bezug auf die Tiefe der Anästhesie von den EEG-Signaldaten extrahiert, durch Berechnen eines Parameters, der die Menge an Unordnung oder Komplexität in dem Signal charakterisiert. Geeignete mathematische Techniken umfassen beispielsweise spektrale Entropie, die in Rezek und Roberts beschrieben ist, Näherungs-Kolmogorov-Sinai-Entropie, die in Pincus u. a. beschrieben ist, und Komplexität, die in Lempel-Ziv beschrieben ist. Die Verwendung spektraler Entropie wird als vorteilhaft angesehen aufgrund ihrer hervorragenden Recheneinfachheit und ist nachfolgend beschrieben.
Die Berechnung der spektralen Entropie eines Signals gemäß Rezek und Roberts umfasst vier Schritte. Der erste ist die Leistungsspektrumsberechnung. Die Fourier-Transformation X(f_i) des Signals x(t_i) wird berechnet durch die Technik der schnellen Fourier-Transformation (FFT). Das Leistungsspektrum P(f_i) ist berechnet durch Quadrieren der Amplitude jedes Elements X(f_i) der Fourier-Transformation: P(fi) = X(fi)·X·(fi) (1)wobei X·(f_i) die konjugierte Komplexe der Fourier-Komponente X(f_i) ist.
Das Leistungsspektrum wird dann normiert. Das normierte Leistungsspektrum P_n(f_i) wird berechnet durch Einstellen einer Normierungskonstante C_n, so dass die Summe des normierten Leistungsspektrums über der ausgewählten Frequenzregion [f₁, f₂] gleich Eins ist:
Beim Summierungsschritt wird die nichtnormierte spektrale Entropie, die dem Frequenzbereich [f₁, f₂] entspricht, berechnet als eine Summe
Danach wird der Entropiewert normiert. Um den Entropiewert zu normieren, damit er von 1 (maximale Unordnung) bis 0 (vollständige Ordnung) reicht, wird der Wert schließlich dividiert durch den Faktor log (N[f₁, f₂]), wobei N[f₁, f₂] gleich der Gesamtzahl von Frequenzkomponenten in dem Bereich [f₁, f₂] ist:
In der Originalarbeit von Rezek und Roberts war der betrachtete Frequenzbereich der Bereich unter f₂ = 25 Hz, da allgemein angenommen wird, dass der Großteil der EEG- Aktivität auf das Frequenzband unter etwa 30 Hz begrenzt ist.
2 zeigt als eine Funktion der Zeit Entropiewerte, wie sie oben berechnet werden, im Vergleich zu einer OAAS-Skala für einen Patienten, der ein Anästhesiemittel bekommt.
2a zeigt den OAAS-Pegel an, wie er durch einen Anästhesisten bestimmt wird, der den Patienten betreut. Wie es oben angemerkt wurde, ist der Patient bei einem OAAS-Pegel 5 vollständig wach, während der OAAS-Pegel 0 einem tiefen Anästhesiezustand entspricht, in dem der Patient keine Antwort auf tetanische Stimulation zeigt. Die horizontale Linie 10 zeigt einen Pegel an, bei dem davon ausgegangen wird, dass der Übergang von dem bewussten zum unbewussten Zustand stattfindet, d. h. zwischen dem OAAS-Pegel 3 und dem OAAS-Pegel 2.
Bei dem in 2 gezeigten Beispiel geht der betreuende Anästhesist davon aus, dass der Patient sich von dem OAAS-Pegel 5 zu dem OAAS-Pegel 4 bewegt hat, bei etwa drei Minuten. Bei etwa vier Minuten wird davon ausgegangen, dass der Patient zum OAAS-Pegel 3 gesunken ist.
Danach, bei etwa viereinhalb Minuten, wird davon ausgegangen, dass der Patient das Bewusstsein verloren hat, da er nicht in der Lage ist, auf verbale Befehle anzusprechen und den Augenlidreflex verloren hat. Dies zeigt sich durch die Änderung von dem Pegel 3 zu unter dem Pegel 2 und die Überkreuzung der horizontalen Linie 10.
2b zeigt einen Entropiewert, der von fünf Sekunden Daten berechnet wird, als Diagramm 20, und einen Entropiewert, der als Mittelwert von 12 aufeinander folgenden Zeiträumen von fünf Sekunden (60 Sekunden) von Daten berechnet wird, als Diagramm 30. Wie es von 2b ersichtlich ist, da sich das Bewusstsein des Patienten vom Beginn der Überwachung an verringert, verringern sich beide Dia gramme 20 und 30 auf gleiche Weise und kreuzen die horizontale Linie 40, die den Entropiepegel identifiziert, der den Übergang von dem bewussten Zustand zu dem unbewussten Zustand kennzeichnet.
Gemäß einem Protokoll für die OAAS bei der Verwendung beginnt der Anästhesist die Anwendung von TOF-Stimulationen, um die Tiefe der Anästhesie auf der OAAS-Skala zu bestimmen. Bei dem in 2 gezeigten Fall bewirken die Stimulationen, dass der Patient bei etwa acht Minuten das Bewusstsein wiedererlangt.
Von 2 ist ersichtlich, dass die Diagramme 20 und 30 folgen und eine genaue Anzeige des Zustands des Bewusstseins des Patienten liefern, wie er auf der OAAS-Skala präsentiert wird.
3a und 3b zeigen die Entropiewerte bei Operationsanästhesiepegeln, d. h. wenn die OAAS-Skala null ist, wie es in 3a gezeigt ist. Die horizontale Linie 40 in 3 ist gleich wie die horizontale Linie 40 in 1 und umfasst den Entropiewert, der die Grenzlinie zwischen dem bewussten und unbewussten Zustand bildet.
4a und 4b zeigen ein schnelles Aufwachen eines Patienten von Operationsanästhesiepegeln zum Bewusstsein. Der Anstieg bei den Entropiewerten informiert den Anästhesist über das nahende Aufwachen in den bewussten Zustand.
Obwohl die Erfindung so beschrieben wurde, dass sie spektrale Entropie verwendet, stellen 5a, 5b und 5c ein Beispiel eines Beginns einer Anästhesie und des Aufwachens aus derselben dar, das die Geeignetheit der Komplexitätsmessungen von Näherungs-Entropie und Lempel-Ziv-Komplexität sowie spektraler Entropie zeigen, um die Tiefe der Anästhesie zu bestimmen. Messungen, die unter Verwendung von sowohl kürzeren als auch längeren Abtastwerten von Signaldaten hergestellt werden, sind gezeigt.
Falls gewünscht können auch andere Techniken zum Analysieren der EEG-Signaldaten verwendet werden, wie z. B. eine Frequenzbereichsanalyse höherer Ordnung, die das Bispektrum und Trispektrum umfasst, eine Frequenzbereichleistungsspektralanalyse und Kombinationen von analytischen Quantitäten, wie z. B. des bispektralen Index (BIS).
Eine Messung von elektromyographischer (EMG-) Aktivität, die in den Biopotentialen in den Elektroden auf der Stirn oder anderen Regionen der Kopfhaut des Patienten enthalten ist, kann sinnvolle Informationen bezüglich des Zustands eines anästhesierten Patienten liefern. Wenn der Anästhesiepegel unzulänglich wird, bewirkt ein schmerzhafter Stimulus eine Kontraktion des Stirnmuskels (Stirnrunzeln), die als Spitzen in der EMG-Amplitude des Signals erfasst werden kann, das von den Elektroden erhalten wird, die an die Stirn des Patienten angelegt sind. EMG-Aktivität liegt vor, solange die Muskeln nicht paralysiert sind. Diese Reaktion kann häufig beobachtet werden, bevor der Schmerz den Patienten schließlich zum Bewusstsein bringt. EMG-Signaldaten können somit ein frühes Warnsignal für den Anästhesisten liefern, den Anästhesiepegel zu erhöhen, um während einer Operation Bewusstsein und Wachheit zu verhindern.
Ferner reicht aufgrund des hohen Frequenzbereichs des Primärabschnitts der EMG-Aktivität über 40 Hz ein vergleichsweise kleines Zeitfenster aus für Berechnungen, die diese Frequenzkomponenten verwenden, so dass Änderungen bei der EMG-Aktivität wesentlich schneller erfasst werden können als Änderungen in dem EEG-Signal. Genauer gesagt, der Großteil der Komponente in dem EEG-Signal, die sich von der Gehirnaktivität ergibt, ist in dem Frequenzbereich unter 30 Hz enthalten. Um eine gute Schätzung dieser Aktivität durch eine mathematische Prozedur zu erhalten, muss die Länge des Signals, das für Berechnungen verwendet wird, ausreichen. In der Praxis stellt die niedrigste Frequenz des Bands die Größe für die Signallänge ein. Beispielsweise ist für ein EEG-Signalband von 0,5 Hz bis 32 Hz ein Signalabtastwert von 60 Sekunden Länge erforderlich, um zumindest 30 Zyklen für jede Komponente zu erhalten. Dies stellt eine niedrigere Grenze ein für die Antwortzeit zum Bewerten von Änderungen in der Patientengehirnaktivität von den EEG-Signaldaten. Das heißt, die Frequenz, mit der alle Komponenten des EEG-Signaldatenindikators berechnet und vollständig aktualisiert werden können, ist etwa einmal alle 60 Sekunden. Im Gegensatz dazu erfordern EMG-Signaldaten in einem 63- bis 97-Hz-Band nur 0,5 Sekunden an Daten, um 30 Zyklen zu erhalten. Die EMG-Signaldaten können somit jede halbe Sekunde vollständig aktualisiert werden. Weil dieselben so schnell aktualisiert werden können, können die EMG-Signaldaten daher ein frühes Warnzeichen für den Anästhesisten liefern, um beispielsweise den Pegel an Anästhesiemittel zu erhöhen, der dem Patienten verabreicht wird, um Bewusstsein während der Operation zu verhindern.
6 ist ein Flussdiagramm, das die Schritte zum Erzeugen einer verbesserten Diagnoseanzeige zeigt, unter Verwendung von EEG-Signaldaten, und schneller anzeigender EMG-Signaldaten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. Bei Schritt 100 werden die Signaldaten erhalten, die den Biopotentialen entsprechen, die in den Elektroden erscheinen, die auf die Kopfhaut des Patienten platziert sind. Bei Schritt 110 werden die Signaldaten spektraler Zersetzung unterzogen. Dies kann beispielsweise unter Verwendung einer Fourier-Analyse ausgeführt werden.
Die Spektren werden dann unterteilt in diejenigen, die die Niederfrequenzabschnitte des gemessenen Signals darstellen, beispielsweise weniger als 30–50 Hz, und diejenigen, die den Hochfrequenzabschnitt des gemessenen Signals darstellen, beispielsweise diejenigen, die Frequenzen von 50 Hz und mehr darstellen.
Danach wird die EEG-Spektrumsschätzung bei Schritt 120 verarbeitet, um einen Parameter zu berechnen, der den Zustand der Aktivität des Gehirns anzeigt. Wie es oben angemerkt wurde, wird es derzeit als bevorzugt angesehen, für diesen Zweck eine Berechnung der Entropie zu verwenden. Andere Quantifizierungen, wie z. B. Fraktal-Spektrumsanalyse, Lempel-Ziv-Komplexität oder bispektrale oder multispektrale Analysen, wie z. B. der bispektrale Index (BIS), können für diesen Zweck verwendet werden. Das Ergebnis dieser Berechnung ist die Bereitstellung einer Anzeige des Zustands der Aktivität des Gehirns bei Schritt 122.
Um eine gute Schätzung dieser Aktivität durch die hierin beschriebenen mathematischen Analysen zu erhalten, muss, wie es oben angemerkt wurde, die Länge des Signals, das für Berechnungen verwendet wird, ausreichend sein. In der Praxis stellt die niedrigste Frequenz des Bandes die untere Grenze für die Signallänge ein. In dem Fall der EEG-Anzeige, die bei Schritt 120 erzeugt wird, ist die untere Grenze für das Signal etwa 60 Sekunden. Dies bedeutet, dass die Anzeige nur vollständig aktualisiert werden kann durch Wiederholen der Schritte 100, 110, 120 und 122 alle 60 Sekunden und eine untere Grenze der Antwortzeit der EEG-Anzeige zum Bewerten des zerebralen Zustands des Patienten einstellt.
Ein Leistungsspektrum des EMG-Signals wird bei Schritt 124 erhalten, durch Erhalten eines Amplitudenspektrums und danach Quadrieren der Werte des Amplitudenspektrums, um ein Leistungsspektrum zu erzeugen. Das EMG-Leistungsspektrum liefert eine Anzeige der EMG-Aktivität bei Schritt 126.
Aufgrund des hohen Frequenzbereichs der EMG-Aktivität, beispielsweise über 30 Hz, ist ein vergleichsweise kleines Zeitfenster, beispielsweise 0,5 Sekunden, ausreichend, um die EMG-Amplitude zu berechnen. Dies bedeutet, dass Änderungen in der EMG-Aktivität erfasst werden können und der Indikator, der durch Wiederholen der Schritte 100, 110, 124 und 126 aktualisiert wird, wesentlich schneller als Änderungen in dem EEG-Indikator, wie es graphisch bei Schritten 124, 124a, 124b usw. gezeigt ist.
Bei dem oben verwendeten Beispiel kann der EMG-Indikator vollständig aktualisiert werden bei einer Wiederholungsrate alle 0,5 Sekunden. Der Einfachheit halber bei der Datenverarbeitung wird die EEG-Anzeige typischerweise auch alle 0,5 Sekunden wieder berechnet. Da jedoch der EEG-Indikator 60 Sekunden Daten erfordert, verwendet jede Berechnung 120, 120a, 120b usw. 59,5 Sekunden alter EEG-Signaldaten und 0,5 Sekunden neuer EEG-Signaldaten. Somit werden die Änderungen bei dem zerebralen Zustand des Patienten, die in den EEG-Signaldaten enthalten sind, in der Anzeige, die in den Schritten 120 und 122 erzeugt wird, nur langsamer reflektiert als die Änderungen, die in der EMG-Anzeige enthalten sind.
Der EEG-Indikator und der EMG-Indikator sind in einem Diagnoseindikator oder -index in Schritt 128 kombiniert.
Falls gewünscht können die in den Schritten 120, 122, 124, 126 und 128 erzeugten Indikatoren einer statistischen Behandlung unterzogen werden, wie z. B. Mittelwertbildung.
Die kombinierte Anzeige, die durch den Diagnoseindex von Schritt 128 geliefert wird, liefert somit sowohl zuverlässige Informationen über den Aktivitätszustand des Gehirns, wie z. B. den Pegel der Hypnose oder die Tiefe der Anästhesie, wie sie sich direkt in den EEG-Signaldaten findet, während der volle Vorteil der schnell erhaltbaren Informationen, die in der EMG-Komponente des Signals enthalten sind, ausgenutzt werden kann, die eine indirektere Anzeige des zerebralen Zustands des Patienten ist, aber besonders sinnvoll ist beim Alarmieren des Anästhesisten über das Aufwachen eines Patienten von der Anästhesie.
Die oben beschriebenen Komponenten des Diagnoseindikators oder -index sind in 7 gezeigt. Ein Anästhesiemittel wird als ein Bolus zum Zeitpunkt Null verabreicht. Der Patient tritt in die Bewusstlosigkeit ein, wie es durch einen OAAS-Pegel unter der Linie 10 in 7a gezeigt ist, wacht danach für eine kurze Zeitperiode auf, ansprechend auf Stimulation oder den Mangel an weiteren Anästhesiemitteln, und wird danach bewusstlos. 7b zeigt die Entropieanzeige, wie sie von den Schritten 120 und 122 von 6 erhalten wird. 7c zeigt die EMG-Amplitude, die von den Schritten 126 und 128 erhalten wurde, als eine Quadratischer-Mittelwert-Summe über den EMG-Bereich des Fourier-Spektrums. Daten für fünf Sekunden sind als die gezackten Linien gezeigt. Die glätteren Linien zeigen eine Minute von mediangefilterten Werten an.
Das Diagramm der Entropie, das sich auf den Hypnosezustand des Patienten bezieht, ähnelt dem von 2 und 4. Bezüglich der EMG-Aktivität gibt es während den ersten zwei Minuten nach dem Zeitpunkt Null beträchtliche EMG-Aktivität, die anzeigt, dass der Patient wach ist. Danach verringert sich die EMG-Aktivität, während der Patient bewusstlos wird. Die eindeutige und unmittelbare Anzeige, dass der Patient an dem Zehn-Minuten-Punkt, der durch die EMG-Amplitude gegeben wird, das Bewusstsein wiedergewonnen hat, ist klar offensichtlich von 7c und wird in dem im Schritt 128 gelieferten Diagnoseindikator reflektiert. Dies teilt dem Anästhesisten mit, dass der Patient von der Anästhesie aufwacht.
Bei einem weiteren Ausführungsbeispiel der Erfindung kann die Aufnahme der EMG-Signaldaten in einen Diagnoseindikator oder -index erhalten werden durch Verbreitern des Frequenzbereichs von Spektralentropieberechnungen auf einen, der sich von dem EEG-Bereich in den EMG-Bereich erstreckt und dadurch sowohl EEG- als auch EMG-Signaldaten umfasst. Obwohl eine kleine Menge an EMG-Aktivität von den Frequenzen von 1 Hz oder niedriger beginnt, ist der Großteil der EMG-Aktivität herkömmlicherweise in einem höheren Frequenzbereich quantifiziert, wie z. B. dem Bereich von 40 Hz bis 300 Hz (mit Kerbfiltern bei Mehrfachen von 50 Hz/60 Hz, um die Leistungsleitungsstörung herauszufiltern). Es gibt jedoch keine klare Frequenzgrenze für die EEG- und EMG-Datensignale und ein Zwischenfrequenzbereich zwischen 30 Hz und 50 Hz enthält sowohl EEG- als auch EMG-Komponenten, die einander überlappen.
Beim Liefern eines entropiebasierten Indikators, der von einem Frequenzbereich erhalten wird, der sowohl EEG- als auch EMG-Spektren erhält, ist klar, dass dies eine Abweichung von dem üblichen Ausdruck darstellt, insbesondere von EMG-Signaldaten. Das heißt, wie es oben in Verbindung mit dem ersten Ausführungsbeispiel der vorliegenden Erfindung angemerkt wurde, werden EMG-Signalcharakteristika üblicherweise als Spannungsamplitude ausgedrückt, beispielsweise als eine Quadratischer-Mittelwert-Spektralamplitude, und die Amplitude der Spannung variiert als Folge der Schwankungen in den EMG-Signaldaten. Im Gegensatz dazu ist EEG-Entropie eine dimensionslose Quantität, die die Menge an Unordnung in dem Signal beschreibt. Von dem entropischen Standpunkt aus gesehen ist es der Effekt der EMG-Aktivität auf dem EEG-Signal, Hochfrequenzrauschen zu erzeugen, das die Entropie des kombinierten Signals erhöht. Die Entropie variiert von 0 bis 1 und die Werte sind unabhängig von der Amplitude des Signals. Der Entropieausdruck der EEG-Signaldaten und der Amplitudenausdruck der EMG-Signaldaten präsentiert somit eine formale Inkompatibilität, die bei der vorliegenden Erfindung überwunden wird durch die Verwendung von Entropie als Charakteristika beider Signaldaten.
Ferner stellt dieses Ausführungsbeispiel der Erfindung eine Abweichung von der vorhergehenden Entropiebehandlung von EEG-Signaldaten dar, die begrenzt war aufgrund des Frequenzbereichs, in dem EEG vorherrscht im Vergleich zu EMG. Diese Frequenzbereiche sind beispielsweise Frequenzen von 25 Hz und niedriger (siehe Rezek u. a.) oder 32 Hz oder niedriger (siehe Bruhn u. a.). Die vorliegende Erfindung erwägt die Verwendung von Frequenzen in einem Bereich, der sich von einer niedrigeren Frequenz, beispielsweise 0,5 Hz, zu einer höheren Frequenz erstreckt, die über 32 Hz liegt.
Das zweite Ausführungsbeispiel der Erfindung wird erklärt unter Verwendung eines Frequenzbereichs von 0,5 Hz bis etwa 150 Hz. Es wird bevorzugt, den erweiterten Frequenzbereich in drei Bänder zu unterteilen: ein 0,5- bis 47-Hz-Band; ein 63- bis 97-Hz-Band; und ein 123- bis 147-Hz-Band. Der Bereich ist unterteilt in die drei Bänder bei diesen Frequenzen, um die Leistungsleitungsharmonische bei 50/100 Hz oder 60/120 Hz zu vermeiden, abhängig von der Frequenz des Wechselstromleistungsnetzes. Das niedrigste Band enthält die meisten der EEG-Komponenten, während die beiden oberen Bänder hauptsächlich EMG-Aktivität umfassen.
8 ist ein Flussdiagramm, das die Schritte des Erzeugens einer verbesserten Diagnoseanzeige oder eines verbesserten Diagnoseindexes zeigt, der einen verbreiterten Frequenzbereich für die Berechnung von Spektralentropie gemäß dem zweiten Ausführungsbeispiel der vorliegenden Erfindung verwendet. Bei Schritt 200 werden die Signaldaten erhalten, die den die den Biopotentialsignalen entsprechen, die in den Elektroden erscheinen, die auf der Kopfhaut des Patienten platziert sind. Bei Schritt 210 werden die Signaldaten einer spektralen Zerlegung unterzogen, wie durch Verwenden von Fourier-Transformation. Wie es oben angemerkt wurde, kann die Spektralzerlegung über einen Frequenzbereich ausgeführt werden, der sowohl die EEG-Signaldaten als auch die EMG-Signaldaten umfasst, beispielsweise etwa 0,5 Hz bis etwa 150 Hz. Außerdem, wie oben angemerkt, sind die Daten in Spektralbänder unterteilt, um Frequenzen bei denen des Leistungsnetzes auszulassen.
Bei Schritt 212 werden das untere Frequenzband des EEG-EMG-Spektralbereichs sowie die höheren Frequenzbänder verarbei tet, um eine Messung zu berechnen, wie z. B, spektrale Entropie, die die Komplexität der EEG- und EMG-Signaldaten und den Zustand der Aktivität des Gehirns und der Stirnmuskeln anzeigt. Ein kombinierter Indikator oder Index wird bei Schritt 214 geliefert. Wie es oben in Verbindung mit 6 beschrieben ist, weil die EMG-Signaldaten für vollständiges Aktualisieren häufiger verfügbar sind als die EEG-Signaldaten, liefert das Aktualisieren des kombinierten Indikators bei der Wiederholungsrate, mit der der EMG-Signaldatenparameter aktualisiert werden kann, eine schnelle Anzeige für den Anästhesisten über irgendwelche Änderungen bei dem Hypnosezustand des Patienten.
Schwankungen der Signalamplitude aufgrund von Schwankungen in den Elektrodenkontakteigenschaften usw. beeinträchtigen die EEG- und EMG-Signaldaten in der gleichen Proportion zueinander, daher wird der kombinierte EEG-EMG-Entropieindikator nicht durch die Signalamplitude beeinträchtigt.
Außerdem ist der Lösungsansatz bei dem zweiten Ausführungsbeispiel der Erfindung übereinstimmend mit der Tatsache, dass die EEG- und EMG-Frequenzbänder überlappen. Somit muss keine künstliche Grenze für EEG- und EMG-Regionen definiert werden, da alle Frequenzkomponenten auf gleiche Weise behandelt werden, d. h. eine Bestimmung der Komplexitätseigenschaften. Obwohl die vorliegende Erfindung die Verwendung eines einzelnen Algorithmus für den Bereich von bewussten Zuständen eines Patienten aufweist, ist klar, dass Änderungen an dem Algorithmus erforderlich sein können, auf der Basis von Signal-zu-Rausch-Überlegungen.
Ein Parameter, der nur EEG-Entropiedaten von dem Niedrigfrequenzband enthält, kann als ein getrennter Indikator verwendet werden, wie es in Schritten 216 und 218 gezeigt ist. Dies kann verwendet werden in Verbindung mit der EEG-EMG-Entropieanzeige, um es dem Anästhesisten zu ermöglichen, zu bestimmen, welcher Teil des EEG-EMG- Entropieindikators von der Gehirnaktivität kommt und welcher Teil von der Muskelaktivität kommt. Obwohl ein klinischer Anästhesist den kombinierten EEG-EMG-Entropieindikator wahrscheinlich äußerst hilfreich findet, kann somit ein Forscher einen Vergleich von EEG-Signaldatenentropie und der kombinierten EEG-EMG-Entropie, die über den breiten Frequenzbereich erhalten wird, interessant finden.
Gleichartig dazu kann ein Parameter, der die EMG-Entropiedaten von den höheren Frequenzbändern enthält, als ein getrennter Parameter verwendet werden, durch Berechnen der Entropie bei Schritt 220 und Liefern des Indikators bei Schritt 222. Die verschiedenen Diagnoseindikatoren sind gemeinsam bei Schritt 224 in 8 gezeigt.
Obwohl beide Ausführungsbeispiele der Erfindung oben so beschrieben wurden, dass sie die Fourier-Transformation verwenden, um das Spektrum von Signalen zu zerlegen, das in den Elektrodenbiopotentialen enthalten ist, können andere Transformationen, wie z. B. verschiedene Wavelet-Transformationen, verwendet werden. Um entsprechende Indikatoren für reine EEG-Entropie, EEG-EMG-Entropie und/oder EMG-Entropie zu erhalten, werden die Basisfunktionen in zwei Klassen unterteilt, wobei eine die Basisfunktionen für EEG-Aktivität umfasst und die andere die Basisfunktionen für EMG-Aktivität umfasst. Nach dieser Klassifizierung werden die Indizes für reine EEG-Entropie und EEG-EMG-Entropie, wie oben beschrieben, berechnet. Es ist plausibel, dass für eine bessere Trennung der EEG- und EMG-Komponenten ein Satz von Basisfunktionen einschließlich Wavelets, die die Formen von EMG-Spitzen emulieren, die EMG-Komponente effektiver extrahieren können.
9 stellt als eine Zeitfunktion das Verhalten eines reinen EEG-Entropieparameters und des kombinierten EEG-EMG-Entropieparameters dar, zusammen mit der Tiefe der Anästhesie, wie es durch den Anästhesisten auf einer OAAS-Skala bewertet wird. Außerdem sind EMG-Signaldaten gezeigt, wie sie herkömmlicherweise als Quadratischer-Mittelwert-Spektralamplitude ausgedrückt werden. Die gezackten Linien zeigen Werte, die von 5 Sekunden Daten berechnet werden, während die glätteren Linien eine Minute von mediangefilterten Werten zeigen. Ein Anästhesiemittel wird als ein Bolus zu einem Zeitpunkt Null verabreicht.
Während den ersten beiden Minuten, während denen der Patient wach ist, liegt eine Menge an EMG-Aktivität vor, wie es von dem Diagramm von 9d zu sehen ist, das die EMG-Amplitude zeigt. Als Folge der hohen EMG-Aktivität zeigt die in 9b gezeigte kombinierte EEG-EMG-Entropie ebenfalls relativ hohe Werte, die bestätigen, dass der Patient wach ist.
Ungefähr bei dem Zwei-Minuten-Punkt verliert der Patient das Bewusstsein, wie es in 9a gezeigt ist, wenn der OAAS-Wert unter die Linie 10 fällt. Gleichartig dazu verschwindet die EMG-Aktivität zum Großteil, wie es in 9d gezeigt ist. Der EEG-EMG-Entropieindikator und der EEG-Entropieindikator, die bei Schritten 218 bzw. 226 von 8 erzeugt werden, folgen einander nach unten unterhalb die Linie 40, die den Übergang zur Bewusstlosigkeit markiert, die eine sich vertiefende Hypnose anzeigt. Siehe 9b und 9c.
Bei etwa 6–7 Minuten zeigen beide Entropiewerte von 9b und 9c, dass sich die Anästhesie verringert. Dies liegt daran, dass keine weiteren Hypnotika verabreicht wurden. Bei etwa zehn Minuten wacht der Patient auf und erneut tritt wesentliche EMG-Aktivität auf. Der reine EEG-Entropieindikator, der in 9c gezeigt ist, sagt das Aufwachen voraus und zeigt es an, aber der EMG-Effekt bei dem kombinierten EEG-EMG-Entropieindikator, der in 9b gezeigt ist, macht dies offensichtlicher beim Überkreuzen der Linie 40.
Danach, nach dem Zehn-Minuten-Punkt, wird der Patient erneut anästhetisiert. Die EMG-Aktivität verschwindet allmählich, wie es in 9d gezeigt ist, und der EMG-EEG-Entropieindikator reduziert sich auf einen reinen EEG-Entropieindikator, wie es durch einen Vergleich von 9b und 9c zu sehen ist.
Es ist vorteilhaft, den EEG-Entropieparameter, der im Schritt 226 von 8 erhalten wird, und den EEG-EMG-Entropieparameter, der im Schritt 218 erhalten wird, auf solche Weise zu skalieren, dass dieselben exakt zusammenfallen, wenn die EMG-Aktivität vollständig endet, da dieses Skalieren eine gleichzeitige graphische Darstellung der beiden Informationen ermöglicht. Dies kann auf folgende Weise durchgeführt werden. Man nehme den Frequenzbereich 0,5 bis 32 Hz, der hauptsächlich EEG-Signaldaten enthält, als Frequenzbereich R₁. Man nehme den Frequenzbereich 32 bis 147 Hz, mit den Leistungsleitungsfrequenzen entfernt, als den Frequenzbereich R₂ für hauptsächlich EMG-Signaldaten.
Man führe für die Frequenzbereiche [R₁] = [EEG] und [R₁] + [R₂] = [EEG] + [EMG] die Schritte 1–3 des Rezek-Algorithmus (Gl. (1)–(3)) durch, um folgendes zu erhalten:
und
Man nehme für einen Moment an, dass P_n(f_i) = 0 für alle f_i innerhalb des Bereichs [R₂]. In diesem Fall sind die Nor mierungskonstante C_n[R₁ + R₂] = C_n[R₁] und folglich die normierten Spektren P_n[R₁ + R₂] und P_n[R₁] (Schritt 2) gleich. Es folgt, dass die nicht normierten spektralen Entropien, gegeben durch Gl. (5) und (6), gleich sind. Falls die Entropiewerte nun gemäß Gl. (4) normiert werden, werden sie nicht mehr gleich sein, weil der Normierungsfaktor log(N[R₁ + R₂]) offensichtlich größer ist als log(N[R₁]). Diese Situation kann korrigiert werden durch Neudefinieren der normierten Entropie S_N[R₁] auf folgende Weise:
Die normierte Entropie S_N[R₁ + R₂] kann definiert werden wie vorher angemerkt in Gl. (4):
Gemäß diesen Definitionen variiert die EEG-EMG-Entropie von 0 bis 1, während die reine EEG-Entropie von 0 bis log(N[R₁])/log(N[R₁ + R₂]) < 1 variiert. Die beiden Entropiewerte fallen zusammen, wenn es keine EMG-Aktivität gibt, so dass P(f_i) = 0 für alle f_i innerhalb des Bereichs [R₂]. Wenn EMG-Aktivität vorliegt, ist EEG-EMG-Entropie größer als die reine EEG-Entropie.
In der Praxis wird ein Digitalfilter üblicherweise verwendet beim Verarbeiten der Signaldaten, die von den Biopotentialen des Patienten erhalten werden. Aufgrund der Charakteristika eines solchen Filters ist die berechnete Entropie eines vollständig zufälligen Signals, d. h. weißes Rauschen, normalerweise etwas geringer als 1. Aus diesem Grund können die Entropien multipliziert werden mit einem konstanten Wert, um die oben beschriebene Normierung beizubehalten.
Obwohl das Vorhergehende unter Verwendung von zwei Frequenzbereichen R₁, R₂ beschrieben ist, ist klar, dass diese Gedanken leicht verallgemeinert werden können zu dem Fall, in dem die Anzahl von Frequenzbereichen größer als 2 ist.
10 zeigt die resultierende normierte EEG-Entropie S_N[R₁] (dicke Kurve) zusammen mit der normierten EEG-EMG-Entropie S_N[R₁ + R₂] (dünne Kurve). Wenn sie auf diese Weise präsentiert wird, gibt die EEG-Entropie zuverlässig Informationen über das tendenzielle Verhalten der Gehirnaktivität des Patienten, während die EEG-EMG-Entropie schnell auf schnelle Änderungen anspricht.
Statt dem EEG-Entropieindikator und dem EEG-EMG-Entropieindikator, die in 9 gezeigt sind, ist es möglich, den entsprechenden Entropieindikator für EMG-Aktivität allein zu berechnen, wie es in 8, Schritte 220, 222, gezeigt ist, und diesen zusammen mit dem reinen EEG-Entropieindikator zu verwenden, der in Schritten 216, 218 erhalten wird. Dieser Lösungsansatz muss jedoch mit gewisser Sorgfalt genutzt werden. Wenn EMG-Aktivität aufgrund der Entspannung der Muskeln endet, ist ein gewisses Rauschen in dem EMG-Bereich des Spektrums übrig. Die Entropie des Rauschens kann relativ hoch sein und einen falschen hohen Wert für den Pegel der EMG-Aktivität angeben. Wenn daher EMG-Aktivität getrennt betrachtet wird und das Konzept der Entropie für Berechnungen verwendet wird, sollte ein Rauschpegel eingerichtet werden, unter dem das EMG-Signal als Null betrachtet wird.
Die Vorrichtung zum Ausführen der vorliegenden Erfindung ist in 11 gezeigt. Elektroden 300 werden auf gewünschte Weise an den Kopf des Patienten angelegt. Vorzugsweise sind zumindest einige der Elektroden an die Stirn des Patienten angelegt. Zumindest ein Paar und normalerweise eine Mehrzahl von Paaren von Elektroden werden verwendet. Die Biopotentiale, die in den Elektroden erscheinen, werden in den Leitern 302 empfangen und in dem Patientenkabel 304 gesammelt.
Das Kabel 304 verbindet die Leiter 302 mit der Schutzschaltung 306, die wirksam ist in dem Fall, dass der Patient Elektrochirurgie oder einer Herzdefibrillation unterzogen wird. Elektrochirurgie verwendet Wechselstrom bei Hochfrequenzen, typischerweise zwischen 300 und 3.000 Hz, um Gewebe zu schneiden und blutende Blutgefäße zu kauterisieren. Ein Defibrillator liefert einen kurzen Strompuls, um Arrhythmie in dem Herzmuskel anzuhalten. Jedes dieser Ereignisse wird die Signale in den Leitern 302 wesentlich beeinträchtigen, und insbesondere der EEG-Abschnitt der Signale wird normalerweise für eine weitere Verwendung beim Bestimmen des zerebralen Zustands des Patienten unterdrückt.
Die Ausgabe der Schutzschaltung 306 wird durch den Verstärker 308 verstärkt und einer Analog/Digital-Umwandlung in einem Analog/Digital-Wandler 310 unterzogen. Danach werden die Signale an das Bandpassfilter bei dem Filter 312 geliefert, das Rauschen und Leitungsfrequenzharmonische von den Signalen entfernt. Der Ausgang des Bandpassfilters 312 ist mit dem Artefaktdetektor 314 verbunden.
Der Artefaktdetektor 314 erfasst Artefakte, die sich von Elektroherzaktivität und anderen Quellen ergeben. Der Ausgang des Artefaktdetektors 314 ist mit der Recheneinheit 316 verbunden, die die Schritte der oben beschriebenen und in 6 und 8 gezeigten Verfahren ausführt und eine Ausgabe des in 3, 4, 5, 7, 9 und 10 gezeigten Typs in der Anzeige 318 erzeugt. Oder die Informationen können in der Anzeige 318 in numerischer Form präsentiert werden. Die Anzeige 18 kann auch andere physiologische Daten anzeigen, wie z. B. elektrokardiographische Daten, Atemgeschwindigkeit, Puls, Blutdruck usw., die von anderen Überwachungsgeräten erhalten werden.
Außerdem, während der Artefaktdetektor 314 verwendet wird, um Artefakte zu entfernen, kann das Vorliegen von Artefakten auch berücksichtigt werden bei der Signalverarbeitung, die in der Recheneinheit 316 auftritt. Beispielsweise wurde herausgefunden, dass Augenbewegungen gleichzeitige Spitzen in sowohl den niederfrequenten EEG-Signaldaten als auch den höherfrequenten EMG-Signaldaten erzeugen. Das Erfassen des Vorliegens gleichzeitiger Spitzen in beiden dieser Frequenzbändern kann so betrachtet werden, dass es sich von Augenbewegungen ergibt und insbesondere EEG-Signaldaten, die solche Artefakte enthalten, können eliminiert werden von der Verwendung beim Durchführen der Bestimmung des zerebralen Zustands des Patienten. Das gleiche gilt auch, wenn übermäßige Muskelaktivität und entsprechende große EMG-Signaldaten vorliegen.
Die Erfindung wurde oben in Verbindung mit zerebralen Zuständen beschrieben, die durch die Verabreichung eines Anästhesiemittels hervorgerufen werden. Es ist jedoch klar, dass die Vorrichtung in Verbindung mit anderen physiologischen Bedingungen, die sich in EEG- und EMG-Signaldaten reflektieren, die von einem Patienten erhalten werden, und mit anderen Medikamenten als Anästhesiemitteln verwendet werden kann. Es ist daher klar, dass andere Äquivalente, Alternativen und Modifikationen neben den ausdrücklich angemerkten möglich und innerhalb des Schutzbereichs der angehängten Ansprüche sind.

Claims

Vorrichtung zum Feststellen des zerebralen Zustands eines Patienten, einschließlich eines Zustands, der sich aus der Verabreichung einer Droge ergibt, wobei die Vorrichtung folgende Merkmale umfasst: (a) eine Einrichtung (300) zum Erhalten von Biopotentialsignalen von einem Patienten, wobei die Biopotentialsignale EEG-Signaldaten und EMG-Signaldaten enthalten; (b) eine Einrichtung (316), die einen Abtastwert von sequentiellen EEG-Signaldaten analysiert, um einen ersten Indikator zu erhalten, der den zerebralen Zustand des Patienten anzeigt, und einen Abtastwert von sequenziellen EMG-Signaldaten analysiert, die zeitlich mit den EEG-Signaldatenabtastwerte zusammenhängen, um einen zweiten Indikator zu erhalten, der eine elektromyographische Aktivität in dem Patienten anzeigt, dadurch gekennzeichnet, dass die Analyseeinrichtung eine Messung der Komplexität der EEG-Signaldaten als den ersten Indikator erhält; wobei die Vorrichtung ferner folgendes Merkmal umfasst: (c) eine Einrichtung, die einen zusammengesetzten Indikator aus dem ersten und zweiten Indikator erzeugt, der den zerebralen Zustand des Patienten anzeigt.
Die Vorrichtung gemäß Anspruch 1, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe eine Länge eines EEG-Signaldatenabtastwerts verwendet, um den ersten Indikator zu bestimmen, und einen EMG-Signaldatenabtastwert von kürzerer Länge als den EEG-Signaldatenabtastwert verwendet, um den zweiten Indikator zu bestimmen, wobei die Analyseeinrichtung den zweiten Indikator häufiger als den ersten Indikator vollständig aktualisiert.
Die Vorrichtung gemäß Anspruch 1 oder 2, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe eine Messung der Entropie der EEG-Signaldaten als ersten Indikator erhält.
Die Vorrichtung gemäß Anspruch 1 oder 2, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe eine Lempel-Ziv-Komplexitätsmessung der EEG-Signaldaten als ersten Indikator erhält.
Die Vorrichtung gemäß Anspruch 1 oder 2, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe die zweite Anzeige von einem Frequenzbereichleistungsspektrum der EMG-Signaldaten erhält.
Die Vorrichtung gemäß einem der Ansprüche 1 bis 3, die ferner definiert ist als eine zum Feststellen des hypnotischen Zustands eines Patienten.
Die Vorrichtung zum Feststellen des zerebralen Zustands eines Patienten, einschließlich eines Zustands, der sich aus der Verabreichung einer Droge ergibt, wobei die Vorrichtung folgende Merkmale umfasst: (a) eine Einrichtung (300) zum Erhalten von Biopotentialsignalen von dem Patienten, wobei die Biopotentialsignale EEG-Signaldaten und EMG-Signaldaten enthalten, wobei die EMG-Signaldaten hauptsächlich von einer höheren Frequenz sind als die EEG-Signaldaten, die hauptsächlich von einer niedrigeren Frequenz sind; (b) eine Einrichtung (316) zum Analysieren eines Abtastwerts von sequenziellen Signaldaten über einen Frequenzbereich, der ausreichend breit ist, um sowohl die EEG- als auch die EMG-Signaldaten zu umfassen, um eine Messung der Komplexität der Signaldaten zu erhalten, dadurch gekennzeichnet, dass die Analyseeinrichtung eine Länge des EEG-Signaldatenabtastwerts verwendet, und effektiv einen EMG-Signaldatenabtastwert von kürzerer Länge als den EEG-Signaldatenabtastwert verwendet, wobei die Vorrichtung ferner folgendes Merkmal umfasst: (c) eine Einrichtung, die die Komplexitätsmessung als einen Indikator des zerebralen Zustands des Patienten liefert, wobei die Einrichtung den Indikator bei einer Wiederholungsrate aktualisiert, die ermöglicht wird durch die kürzere Abtastwertlänge der EMG-Signaldaten, um Änderungen bei dem zerebralen Zustand des Patienten anzuzeigen.
Die Vorrichtung gemäß Anspruch 7, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe die Signaldaten über einen Frequenzbereich analysiert, der sich von einer Frequenz von etwa 0,5 Hz zu einer Frequenz erstreckt, die über 32 Hz liegt.
Die Vorrichtung gemäß Anspruch 7 oder Anspruch 8, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe eine Messung der Entropie der Signaldaten erhält.
Die Vorrichtung gemäß Anspruch 8, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe eine Messung der Entropie der Signaldaten erhält.
Die Vorrichtung gemäß Anspruch 7, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe eine Lempel-Ziv-Komplexitätsmessung der Signaldaten erhält.
Die Vorrichtung gemäß Anspruch 7, die ferner als eine zum Feststellen des hypnotischen Zustands eines Patienten definiert ist.
Die Vorrichtung gemäß Anspruch 7, bei der die Analyseeinrichtung ferner so definiert ist, dass dieselbe einen Abtastwert der EEG-Signaldaten analysiert, um eine Komplexitätsmessung der EEG-Signaldaten zu erhalten, und die Bereitstellungseinrichtung ferner so definiert ist, dass dieselbe die Komplexitätsmessung der EEG-Signaldaten als einen weiteren Indikator des zerebralen Zustands des Patienten bereitstellt.
Die Vorrichtung gemäß Anspruch 13, die ferner eine Einrichtung zum Normieren der weiteren Anzeige umfasst, die von der Analyse der EEG-Signaldaten und der EEG-EMG-Signaldatenanzeige erhalten wird, so dass die weitere Anzeige und die EEG-EMG-Anzeige bei der Abwesenheit von EEG-Signaldaten gleich sind.
Die Vorrichtung gemäß Anspruch 1 oder Anspruch 7, die ferner so definiert ist, dass dieselbe eine Einrichtung umfasst, die die Signaldaten kerbfiltert, um Leistungsfrequenzharmonische zu entfernen.
Die Vorrichtung gemäß Anspruch 1 oder Anspruch 7, die ferner so definiert ist, dass dieselbe eine Einrichtung zum Verarbeiten der Signaldaten umfasst, um Artefakte zu erfassen.
Die Vorrichtung gemäß Anspruch 16, die ferner so definiert ist, dass dieselbe eine Einrichtung zum Fil tern der Signaldaten umfasst, um Artefakte zu entfernen.