用脑电互信息及复杂度预测异氟醚麻醉时患者对切皮刺激的反应

自从麻醉应用于临床以来，麻醉深度的可靠监测是十分必要的。但到目前，尚没有一个公认可靠准确的方法。本文提出一种麻醉深度监测的新方法，即用脑电的互信息序列及其复杂度分析来反应异氟醚麻醉条件下患者的麻醉情况。首先计算出四导脑电的互信息时间序列，然后计算该序列的复杂性测度，借助于神经网络可实现用脑电来监测麻醉深度。神经网络的输入是复杂度值和对应的MAC水平，输出即是麻醉深度状况的结果。从98个自愿患者进行的实验中得到98个不同程度异氟醚麻醉时切皮前脑电片断，同时监测血液动力学参数和患者的呼吸模式。切皮后，仔细观察每个患者两分钟，以检查患者对切皮的反应，把有反应时的脑电标上0．0，无反应时的脑电标上1．0。训练和测试神经网络用“去掉一个”方法。从患者对切皮的反应和神经网络的输出结果可检测系统的预测情况。实验表明，系统对切皮后患者反应的平均正确判断率为91．84％，该方法比传统脑电分析方法如边缘康率法、中心频率法、双谱分析法有更高的准确性。另外，该方法计算时间短，适合临床实时使用。     

基于多域脑电参数分析的麻醉深度评估

提出一种结合随机森林模型的输出和脑电参数共同评估麻醉深度的方法,以提高评估麻醉深度的可靠性。首先通过滤波方式处理脑电信号,然后把信号分割成等长的多段,从每段中提取非线性域、频域、时域的10种参数,得到脑电参数-BIS值数据集;然后建立评估麻醉深度的随机森林回归模型,并在这些脑电参数中筛选出用于辅助模型评估的参数;最后在测试集上验证模型和参数的效果。该模型在测试集上的估计值与真实值之间存在很好的一致性和相关性（Pearson相关性=0.975）,筛选出的参数在测试集上也达到了82.3%的总准确率,表明该方法在评估麻醉深度方面具有较好的应用价值。     

基于希尔伯特黄熵的麻醉深度估计

麻醉深度监测是外科手术中必不可少的步骤之一。目前已经提出多种监测麻醉深度的脑电信号分析方法,尤其熵方法得到了广泛的关注。提出一种新的麻醉深度监测方法-希尔伯特黄熵,先用经验模态分解—希尔伯特黄变换处理脑电信号获取希尔伯特黄边际谱,再根据香农熵定义得到希尔伯特黄熵。对19个接受吸入药物七氟醚麻醉的病人脑电信号的希尔伯特黄熵和时频均衡谱熵进行计算、测试和比较,结果表明：希尔伯特黄熵能够更准确的区分麻醉和清醒状态,更适合于麻醉深度监测。     

基于样本熵与决策树的麻醉意识深度评价指数的研究

麻醉意识深度监测是临床中保证全身麻醉(全麻)手术顺利进行的关键手段之一,脑电图(EEG)作为检测大脑皮层活动的主要信号,是评价麻醉意识深度的重要工具。本文根据脑电信号随麻醉意识深度变化的趋势,提出结合脑电分析中的时域、频域及复杂度方法,采用决策树分类器与最小二乘拟合法计算麻醉深度指数(DOAI)。利用临床采集的40例丙泊酚全麻手术患者的脑电信号和麻醉专家对信号的分类、评分对此方案进行验证,实验结果与目前临床上广泛使用的BIS指数进行对比,结果显示DOAI与BIS指数的Pearson相关性可达0.89,从而证实此方案的可行性与准确性,为麻醉监护工作者提供了一种思路。     

麻醉深度监测中脑电信号特征提取方法

目的:对采集得到的麻醉深度监测过程中的脑电数据进行特征提取,得出脑电信号在麻醉深度加深过程中的变化规律,为进一步的定量研究提供参考。方法:在Matlab的平台下采用幅频分析和功率谱估计的方法对采集得到的脑电数据进行分析,提取信号特征。结果:在清醒状态时,脑电信号的能量主要集中在δ段,随着麻醉深度加深,δ段的能量开始降低,并且?段的能量在增加;在适合的麻醉深度时,脑电的能量主要集中在?段,在不断加深的过程中δ段能量在增加;在过量麻醉时,脑电的δ段能量在增加。结论:通过幅频分析和功率谱估计可以很好地提取脑电信号的特征,对于指导临床手术中药物剂量的运用具有一定的意义,同时为后续开展麻醉深度研究提供指导。     

脑电信号分析在麻醉监测中的研究进展

目前,临床上迫切需要一种能保证高质量麻醉的麻醉监护技术.脑电信号(EEG)分析在麻醉镇静深度监测方面具有明显的作用.系统地介绍几种脑电信号分析方法,如双谱、听觉诱发电位、脑功能状态、脑电熵、麻醉趋势和脑电非线性分析等指数;并分析了这些脑电分析方法在麻醉镇静深度监测中的局限性,提出了今后的研究方向.     

基于稀疏偏最小二乘的麻醉意识状态功能连接研究

麻醉意识状态监测是神经科学基础研究及临床应用中的重要问题,受到广泛关注。本研究为寻找临床麻醉意识状态监测指标,共采集14位全麻手术患者在三种意识状态(清醒、中度麻醉、深度麻醉)下各5 min静息态脑电数据,对比采用稀疏偏最小二乘(SPLS)和传统的同步似然(SL)方法计算脑功能连接,通过连接特征来区分麻醉前后三种意识状态。通过全脑网络分析,本文SPLS方法与传统SL方法得到的不同意识状态下的网络参数变化趋势一致,并且采用SPLS方法所得结果的差异具有统计学意义(P0.05)。对SPLS方法得到的连接特征运用支持向量机进行分类,分类准确率为87.93%,较使用SL方法得到的连接特征分类准确率高出7.69%。本文研究结果显示,基于SPLS方法进行功能连接分析在区分三种意识状态方面有更好的性能,或可为临床麻醉监测提供一种新思路。     

麻醉深度监测研究的现状与进展

麻醉是现代医学临床手术中必不可少的关键环节,具有较高的风险.研究证明,术中麻醉深度监测能够有效地降低麻醉剂使用量并减少恢复时间,从而降低麻醉过程中出现并发症的危险.对于麻醉深度监测方法的研究已经成为国际研究热点.主要介绍了麻醉深度监测的多种方法,包括脑电双频指数、听觉诱发电位、熵指数以及心率变异性；着重介绍了这些方法的原理、优、缺点及相互之间的关系,并且详细阐述了心率变异性与麻醉深度监测的关系及该方法的历史和现状；重点分析了心率变异性时域和频域分析方法,为研究以该方法为指导的麻醉深度监测技术奠定了理论基础.     

基于局部场电位样本熵分析的麻醉深度监测

背景：目前的麻醉深度监测多以大脑皮质脑电信号分析为主,然而,大脑皮质脑电信号不能反映皮质下组织的功能状况、不包含高频信息并且易受外界环境干扰,从而导致基于大脑皮质脑电信号分析的麻醉深度监测在稳定性、精确性等方面有固有缺陷。 目的：分析局部场电位信号样本熵在麻醉深度监测中的效果,实现麻醉深度的实时监测。 方法：以大鼠为模型动物进行实验,对整个麻醉过程中的大鼠初级视觉皮质局部场电位信号进行快速样本熵计算,并对样本熵曲线动态变化进行分析,判定麻醉状态;然后将样本熵分别与大鼠尾部受热刺激时的甩尾延迟时间、局部场电位信号的中心频率和边缘频率做统计分析,验证基于局部场电位快速样本熵分析的麻醉状态判定方法。 结果与结论：局部场电位信号的样本熵可以快速、准确、稳定地反映大鼠的麻醉深度,用于麻醉深度实时监测。     

麻醉深度监测方法及仪器研究的现状与展望

麻醉是现代医学临床手术中必不可少的关键环节,具有较高的风险.研究证明,术中麻醉深度监测能够有效地降低麻醉剂使用量并减少麻醉恢复时间,从而降低麻醉过程中出现并发症的危险.应用各种麻醉深度监测仪器是目前临床麻醉深度监测的主要手段,但远未满足实际临床需要,仍然需要开发更为可靠有效且具备预测功能的监测仪器.文中介绍了麻醉深度监测仪器研究中所涉及的主要问题,并根据现有麻醉深度监测仪器的优缺点,对未来麻醉深度监测仪器的发展趋势进行展望.     

计算机处理睡眠数据中2导脑电和1导眼电的非周期波形分析

背景：睡眠中记录的数据量很大,不用计算机自动处理不能满足实用需要,而现有的对睡眠数据进行分期的方法准确率都不高。 目的：考察仅依据脑电与眼电,基于非周期波形分析和径向基函数遗传神经网络的睡眠数据分期新方法。 方法：实验数据来自MIT的PhysioBank中的S1eep-EDF数据库,共8名被试,各记录2导脑电和1导眼电。原始数据经零相位数字滤波后,进行非周期波形分析,得出每个Epoch的特征向量,经预处理后送遗传径向基函数。神经网络配合专家手工分类结果进行训练,训练好的神经网络再对测试数据进行分析。 结果与结论：总的分期符合率为95.6%,超出已知文献研究结果(70%~90%),具有很高的实用价值,能满足睡眠研究与临床使用。     

基于GRU的多模态麻醉深度评估方法研究

常见的麻醉深度评估法普遍存在一定局限性,本研究提出一种基于GRU的多模态麻醉深度评估方法。采集20例 临床数据进行验证分析,发现通过GRU网络后输出的数值与BIS值存在较小差异和较高的关度,具有较好的麻醉深度评 估价值     

基于脑电非线性特征和AdaBoost算法的诱导期麻醉深度检测

提出一种结合自适应增强学习AdaBoost算法和脑电非线性特征的麻醉深度评估方法,通过提取脑电信号中的4种非线性特征（KC复杂度、小波熵、排序熵、模糊熵）作为输入,以双谱指数作为参考输出,将诱导期麻醉深度分为清醒、轻度麻醉、中度麻醉。使用9例全麻患者的诱导期脑电信号对该方法进行评估,3种不同麻醉状态分类准确度为86.69%,Kappa系数为0.837,表明该方法可以较好地区分诱导期3种不同麻醉水平,为麻醉深度监测提供新思路。     

基于BP人工神经网络模型构建电子病历系统的数据分析

背景：电子病历中包含大量能够辅助临床诊断和决策的医疗信息。 目的：利用BP人工神经网络进行电子病历的数据挖掘。 方法：针对BP人工神经网络的原理及算法进行了分析,提出BP人工神经网络模型构建的6个步骤,分别为训练数据集的确定,数据准备,网络模型的建立,进行数据挖掘,评估BP网络得到的结果及预测结果的应用。并分析了BP人工神经网络在电子病历中的相关应用。 结果与结论：利用BP人工神经网络可以对电子病历进行分析预测,查找存在的危险因素。证实BP人工神经网络在电子病历系统数据分析中具有实际应用价值。     

基于光电容积脉搏波的心房颤动识别方法

为了能够简便快捷地检测心房颤动，提出一种基于光电容积脉搏波描记法（PPG）对心房颤动进行识别的方法。首先，将已确诊为心房颤动状态脉搏波与健康状态脉搏波数据进行对比分析；其次，基于分析结果，从脉搏波数据中提取与心房颤动相关的6类特征参数作为分类器的输入；最后，使用支持向量机（SVM）、BP神经网络、随机森林算法3种分类器建立心房颤动识别模型，其识别心房颤动的准确率分别可达89.1%、92.3%、95.2%。实验结果表明，基于PPG的心房颤动识别方法具有很高的识别准确率，尤其在使用随机森林算法作为分类器时，识别准确率达到最优。同时该检测方法简便快捷，是一种可以替代传统心电图检测识别心房颤动的方法，对心房颤动患者的长期观察监测具有临床价值。     

麻醉深度监测对预防术中知晓的研究进展

术中知晓可引起严重的情感和精神健康问题,影响患者的生活质量。维持合理的麻醉深度已被证明能够降低术中知晓的发生率。现在,国内外有很多对麻醉深度检测的方法,其中各有优劣。本文将对现有的临床常用麻醉深度监测技术进行评价和讨论,并探索优化麻醉深度监测技术,从而为避免术中知晓的发生提供理论依据。