TW201622650A

TW201622650A - 一種腦電波分析的方法

Info

Publication number: TW201622650A
Application number: TW103145929A
Authority: TW
Inventors: Shang-Ju Wu; Nien-Tzu Chen; Kuo-Kuang Jen
Original assignee: Nat Inst Chung Shan Science & Technology
Priority date: 2014-12-27
Filing date: 2014-12-27
Publication date: 2016-07-01
Also published as: TWI565448B

Abstract

本發明提供一種腦電波分析的方法，特別是一種結合排序熵、樣本熵、近似熵、多重熵的即時判斷手術中病人意識清醒度指標的方法。本發明於改善過去提出以非線性分析技術判定病人意識清醒度之結果，提出一套結合排序熵、樣本熵、近似熵、多重熵的方法。使用樣本熵用於判定手術中病人意識清醒度，較能清楚顯示手術中病人意識清醒度變化，避免病人於手術過程中清醒；結合樣本熵及排序熵用於判定手術中病人意識清醒度，可衡量手術中病人意識清醒至麻醉和麻醉至意識清醒間，指標變化較明顯的優點，並利用α、β、γ、δ波等頻譜分析進行輔助判斷，可改善使用樣本熵衡量手術中病人清醒至麻醉和麻醉至清醒間指標反映不顯著的問題，經實驗結果得知，結合以上兩種方法可使相關係數更高、數值更趨近現有儀器的意識清醒程度指標，提昇其評估的可信度與有效度。

Description

一種腦電波分析的方法

本發明提供一種腦電波分析的方法，特別是一種結合排序熵、樣本熵、近似熵、多重熵即時判斷手術中病人清醒度指標的方法。

醫院中有許多高風險性的療程，手術就是其中之一，手術病患從進入開刀房進行麻醉開始，經過開刀過程至術後恢復，風險因子無所不在，其中，麻醉的安全性是最受病患及家屬所關心的事情之一，在麻醉的過程中，醫護人員均要依照病患麻醉深度監測儀器的數據來觀看病人的狀況。

目前市面上應用於醫院開刀房中麻醉深度監測儀器主要的包括Aspect medical systems製造的雙頻譜指標系統監測儀(BIS VISTA Monitor)以及Alaris製造的AEP監測儀(Auditory Evoked Potential(AEP)monitor)等。在分析評估腦波所反應的意識程度方面，BIS VISTA monitor運用雙頻譜指標(bi-spectral index)；AEP則是以發出聲波刺激病人，以量測病人的腦波電位變化來評估病人對聲音的反應，作為評估麻醉深度的依據。

BIS VISTA monitor採用的雙頻譜指標易受開刀房的電刀影響產生信號失真的狀況；Auditory Evoked Potential(AEP)monitor採用的音頻信號在操作上對開刀房的環境的要求較高，且由於誘發電位弱，易受干擾，尤其是電器的電波干擾，容易造成臨床使用的不便和限制，採用AEP index監測需給予聽覺刺激，因此對於聽力障礙的病人並不適用。

先前以樣本熵(Sample Entropy)進行麻醉病人腦電波分析計算求得出之熵值，無法明顯區分出病人的清醒與麻醉時期，故提出結合排序熵、樣本熵、近似熵、多重熵的方法，並利用α、β、γ、 δ波等頻譜分析來輔助判斷，以改善樣本熵監測手術中病人之清醒度時，病人於清醒至麻醉和麻醉至清醒期間，指標反映不顯著的問題。

本發明之目的，在於改善過去提出以非線性分析技術判定病人意識清醒度之結果，提出一套結合排序熵、樣本熵、近似熵、多重熵的方法，本發明使用樣本熵能清楚顯示病人於手術中的腦波變化，避免病人於手術中清醒；結合排序熵，應用其監測病人清醒至麻醉和麻醉至清醒期間，病人意識清醒程度指標變化明顯的優點，並利用α、β、γ、δ波等頻譜分析，進行輔助判斷，可改善樣本熵運用於監測病人意識清醒程度時，病人於清醒至麻醉和麻醉至清醒期間，意識清醒度指標反映不顯著的問題。經實驗結果得知，結合以上兩種方法可使相關係數更高、數值更趨近現有儀器的意識清醒程度指標，提升其指標的可信度與有效度。

本發明應用非侵入式生理訊號腦波(electroencephalography,EEG)訊號量測分析，來評估意識清醒程度指標，運用結合排序熵、樣本熵、近似熵、多重熵的方法，並利用α、β、γ、δ波等頻譜分析來輔助判斷，以改善病人於清醒至麻醉和麻醉至清醒階段，指標反映不顯著的問題，朝向與現有儀器相比相關係數更高、指標數值顯示更準確，提供更具可信度的病人意識清醒程度指標，以協助從事麻醉醫療行為人員，據以判定病人的意識清醒度。

熵，是一個物理概念，與一個系統中紊亂的總量相關，在資訊理論的範疇中，描述一個信號的無規律性、複雜性和無預見性。熵，在時間範圍、頻率範圍或者兩者中都能被計算。

樣本熵是一種對時間範圍的訊號，進行分析的運算方法，有別於同樣屬於時間範圍的近似熵，不同點在於樣本熵是不計入自身的運算，可以說是近似熵(Approximate Entropy)的改進。樣本熵表示非線性系統產生信號的機率，主要用來定量地刻劃系統的規則度及複雜度。樣本熵的值越大，序列自我相似性越低，產生新信號的機率越高，序列越複雜；反之，樣本熵的值越小，序列自我相似性越高，產生新信號的機率越低，序列越簡單。

樣本熵理論應用監測麻醉病人意識清醒度時，在於當樣本熵的值偏低時，代表麻醉深度足以使病人處於麻醉的狀態，此時的腦波訊號呈現規律性與可預測性，反之，當樣本熵的值偏高時，代表著病人的腦波訊號呈現不規律性與不可預測性，進而得知病人可能未完全麻醉或處於清醒的狀態。

多重熵(Multi-scale entropy)是以樣本熵為基礎，依據scale大小將樣本熵數值x1,x2,x3,x4…作處理，若scale=3則樣本熵數值中x1,x2,x3三個數值平均，x4,x5,x6三個數值平均。

樣本熵的數值範圍為0至3，為了方便醫師或醫療人員能以習慣的表示了解病患的意識清醒度，將範圍等比例放大到0至100，將其結果作為意識清醒度指標。

排序熵(Permutation Entropy)是將一段時間數值分段進行序列排序，根據序列的分佈機率來計算熵，它有以下優點：(1)排序熵計算速度快，適合即時分析；(2)排序熵對數值大小進行排序，所以它只和數值的相對大小有關，不受突波的影響，故不受雜訊干擾；(3)排序熵只與本組數值大小有關，不受前後数值影響。

排序熵的值越大，序列自我相似性越低，產生新信號的機率越高，序列越複雜；反之，排序熵的值越小，序列自我相似性越高，產生新信號的機率越低，序列越簡單。

排序熵理論應用監測麻醉病人意識清醒度時，在於當排序熵的值偏低時，代表麻醉深度足以使病人處於麻醉的狀態，此時的腦波訊號呈現規律性與可預測性，反之，當排序熵的值偏高時，代表著病人的腦波訊號呈現不規律性與不可預測性，進而得知病人可能未完全麻醉或處於清醒的狀態。

排序熵的數值範圍為0至1，為了方便醫師或醫療人員能以習慣的表示了解病患的意識清醒度，將範圍等比例放大到0至100，將其結果作為意識清醒度指標。

S1~S6‧‧‧流程步驟

第1圖顯示本發明之腦電波分析的方法流程圖。

第2圖中上圖為顯示採用本發明提出之方法與採用雙頻譜指標兩種方法同時量測一開刀病患於一手術期間，所得到的意識清醒度指標；中圖為排序熵值經計算處理，並將數值範圍修正至0~100的原始結果圖。下圖為樣本熵值經計算處理，並將數值範圍修正至0~100的原始結果圖。

第3圖中上圖為顯示採用本發明提出之方法與採用雙頻譜指標兩種方法同時量測另一開刀病患於一手術期間，所得到的意識清醒度指標；中圖為排序熵值經計算處理，並將數值範圍修正至0~100的原始結果圖；下圖為樣本熵值經計算處理，並將數值範圍修正至0~100的原始結果圖。

第4圖顯示採用本發明提出之方法與採用雙頻譜指標兩種方法同時量測20位開刀病患，所得到的意識清醒度指標比較結果圖。

第1表顯示採用本發明提出之方法與採用雙頻譜指標兩種方法同時量測20位開刀病患，所得到的意識清醒度指標比較結果表。

請參閱第1圖，第1圖為根據本發明之一具體實施例中的結合排序熵與樣本熵的腦電波分析方法流程圖。首先，參考步驟S1，取得一受測者於一段監測期間內之N(複數)筆生理信號，該生理訊號可為腦波信號或眼動信號，N的值依監測期間長短，擷取受測者生理信號的取樣頻率(sampling rate)而定。

參考步驟S2，將該N(複數)筆生理信號，經排序熵計算處理後，得到一排序熵值，將該排序熵值進行等比例放大，使得排序熵值範圍從0至1放大為0至100。

參考步驟S3，將該N(複數)筆生理信號，經樣本熵、近似熵、多重熵處理後，得到一樣本熵、近似熵、多重熵值，將樣本熵、近似熵、多重熵值進行等比例放大，使得樣本熵、近似熵、多重熵值範圍從0至3放大為0至100。

參考步驟S4，將該N(複數)筆生理信號，經α、β、γ、δ波計算處理後，得到一α、β、γ、δ波值，將該α、β、γ、δ波值等比率放大。

參考步驟S5，當排序熵值、樣本熵、近似熵、多重熵值與α、β、γ、δ波值中三個數值的趨勢相同，且滿足閥值時，得到一判斷病患意識清醒度的指標，例如，當排序熵值、樣本熵、近似熵、多重熵值範圍為0至1時，則閥值為0.6至0.8。

參考步驟S6，重覆步驟S1至S5，產生一意識清醒度指標集合。

本發明的方法經過實際測試一百筆病人案例，驗證經過此方法運算出來的意識清醒度指標，可使意識清醒度指標數值趨近BIS指標，使兩者的相關係數上升，平均絕對誤差值降低。

樣本熵數值的計算：首先，計算出一筆樣本熵數值，接著利用滑動視窗繼續計算第2~n+1筆腦波訊號，再算出一筆樣本熵值，以此類推後續的計算，則有N-n+1筆樣本熵數值(代表此場手術意識清醒度指標)，流程圖如圖一所示。本實施例中以SampEn(N,m,r)來表示樣本熵，其中輸入參數包含m為預先選定資料比較個數，r為預先選定的容忍範圍的係數，N為資料循環長度。樣本熵的具體算法如下：設原始數據為x(1),x(2),…,x(N)，共N個點。

(1)按照序號連續順序組成一組m維向量，從u_m(1)到u_m(N-m)，其中u_m(i)=〔x(i),x(i+1),…,x(i+m-1)],i=1~N-m+1

(2)定義u_m(i)與u_m(j)之間的距離d[u_m(i)，u_m(j)]為兩者對應元素中相差最大的值。

d[u _m(i),u _m(j)]=max{| x(i+k)-x(j+k)|：0≦k≦m-1}

(3)給定閥值R(R=r*SD,SD為原始序列的標準差)，對每一個1iN-m值，統計d[u_m(i)，u_m(j)]為小於R的數目並除以N-m得到B ^m(r)。其公式如下：

(4)將維度增加1，重複(1)~(3)的步驟得A ^m(r)。其公式如下：

(5)B ^m(r)和A ^m(r)分別為m維和m+1維的兩序列相似機率，當N為有限時，樣本熵的計算公式為：

排序熵數值的計算：首先，計算出一筆排序熵數值，接著利用滑動視窗繼續計算第2~n+1筆腦波訊號，再算出一筆排序熵值，以此類推後續的計算，則有N-n+1筆排序熵數值，流程圖如圖一所示。本實施例中輸入參數包含m為預先選定資料比較個數，N為資料循環長度。排序熵的具體算法如下：設原始數據為x(1),x(2),…,x(N)，共N個點。

(1)將序列按照順序組成一組m維向量：u_m(i)=[x(i),x(i+1),…,x(i+m-1)],i=1~N-m+1

(2)對序列u_m(i)=[x(i),x(i+1),…,x(i+m-1)],i=1~N-m+1中的元素按照增序排列：u_m(i)=[x(i+(j₁-1))≦x(i+(j₂-1))≦,…,≦x(i+(j_m-1))]

當有數值相等時，以亂數取代並排序

(3)對於m維向量(1,2,3,...,m)的m！排列方式，對應到每一個向量X(i)為m！個向量排列方式中的一種，並計算每一種向量排列方式的分佈機率P₁,P₂,…,P_K，其中K≦m！

(4)排序熵的計算公式為：

第2圖至第3圖的上圖為實際採用本發明提出之方法(結合排序熵與樣本熵)與採用雙頻譜指標兩種方法，分別量測兩個開刀病患麻醉時的腦波信號的意識清醒度指標，橫軸為量測期間的時間值，縱軸為該量測期間，各個量測時間量測到的指標，圖中紅色顯示部分為採用雙頻譜指標系統監測儀(BIS VISTA Monitor)量測到的麻醉深度指標值，藍色線則為採用本發明之方法(結合排序熵與樣本熵)量測到的意識清醒度指標。從第2至第3圖可知，一開始病患因為尚未打麻醉藥劑，意識是較為清醒的，所得到的意識清醒度指標較高，數分鐘後，當麻醉藥劑逐漸生效，病患進入麻醉狀態時，所得到的意識清醒度指標較低，當進入量測後期，手術完成，病患意識逐漸清醒，意識清醒度指標也逐漸回到80以上。第2圖至第3圖的中圖及下圖分別為為排序熵和樣本熵經計算處理，並將數值範圍放大至0~100的原始結果圖。

第4圖與第1表為實際採用本發明提出之方法與採用雙頻譜指標兩種方法，對20位病患的手術過程進行監測，包含一般外科、婦科、胸腔外科等手術，監測過程中每五秒紀錄一次數據，共獲得26950筆數據。第4圖為兩相比較的結果，當綜合排序熵與樣本熵指標在51~60之間，雙頻譜指標亦在50.32~60.68，在此區間的數據量為3138筆，**表示具有統計上的顯著性(P<0.01)。第1表為當雙頻譜指標在91~100之間，綜合排序熵與樣本熵指標有78.6%的數據在91~100區間。

S1~S6‧‧‧流程步驟

Claims

一種腦電波分析的方法，其包括：(a)取得一受測者於一段監測期間之複數筆生理信號；(b)將該複數筆生理信號，經排序熵計算處理後，得到一排序熵值，將該排序熵值進行等比率放大；(c)將該複數筆生理信號，經樣本熵、近似熵、多重熵計算處理後，得到一樣本熵、近似熵、多重熵值，將該樣本熵、近似熵、多重熵值進行等比率放大；(d)將該複數筆生理信號，經α、β、γ、δ波計算處理後，得到一α、β、γ、δ波值，將該α、β、γ、δ波值等比率放大；(e)當排序熵值與樣本熵、近似熵、多重熵值與α、β、γ、δ波值中三個數值趨勢相同，且滿足閥值時，得到一判斷病患意識清醒度的指標；(f)重覆複數次上述(a)~(e)之步驟產生一意識清醒度指標集合。
如申請專利範圍第1項所述之方法，其中該生理信號為腦波信號或眼動信號。
一種腦電波分析方法，其包括：(a)取得一受測者於一段監測期間之複數筆生理信號；(b)將該複數筆生理信號，經排序熵計算處理後，得到一排序熵值，將該排序熵值進行等比率放大，使得排序熵值由0至1放大為0至100；(c)將該複數筆生理信號，經樣本熵、近似熵、多重熵計算處理後，得到一樣本熵、近似熵、多重熵值，將該樣本熵、近似熵、多重熵值進行等比率放大，使得樣本熵、近似熵、多重熵值由0至3放大為0至100；(d)將該複數筆生理信號，經α、β、γ、δ波計算處理後，得到一α、β、γ、δ波值，將該α、β、γ、δ波值等比率放大；(e)當排序熵值與樣本熵、近似熵、多重熵值與α、β、γ、δ 波值中三個數值趨勢相同，且滿足閥值時，得到一判斷病患意識清醒度的指標；(f)重複複數次上述(a)~(e)之步驟產生一意識清醒度指標集合。
如申請專利範圍第3項所述之方法，其中該生理信號為腦波信號或眼動信號。
一種腦電波分析的方法，其包括：(a)取得一受測者於一段監測期間之複數筆生理信號；(b)將該複數筆生理信號第1~n(n值依取樣頻率而定)筆，經排序熵計算處理後，得到一排序熵值，將該排序熵值進行等比率放大；(c)將該複數筆生理信號第1~n(n值依取樣頻率而定)筆，經樣本熵、近似熵、多重熵計算處理後，得到一樣本熵、近似熵、多重熵值，將該樣本熵、近似熵、多重熵值進行等比率放大；(d)將該複數筆生理信號第1~n(n值依取樣頻率而定)筆，經α、β、γ、δ波計算處理後，得到一α、β、γ、δ波值，將該α、β、γ、δ波值等比率放大；(e)當排序熵值與樣本熵、近似熵、多重熵值與α、β、γ、δ波值中三個數值趨勢相同，且滿足閥值時，得到一判斷病患意識清醒度的指標；(f)重覆上述(b)~(e)之步驟進行後續信號處理，直到該受測者於一監測期間之複數筆生理信號處理完畢，產生一意識清醒度指標集合。
如申請專利範圍第5項所述之方法，其中該生理信號為腦波信號或眼動信號。