麻醉深度監(jiān)測不僅對于提高麻醉質(zhì)量和保障手術(shù)安全,，而且對減少麻醉并發(fā)癥以及控制麻醉藥品用量具有極為重要的意義。因此,，麻醉深度監(jiān)測一直是外科手術(shù)關(guān)注的重要問題,。自Gibbs等人首次提出用腦電信號EEG(Electro Encephalo Gran)監(jiān)測麻醉深度的可能性，已引起人們對應(yīng)用EEG監(jiān)測麻醉深度的研究,。近年來利用腦電信號反映鎮(zhèn)靜水平和麻醉藥物濃度,，以用于麻醉深度的監(jiān)測，并越來越受到臨床重視,，成為研究的熱點,。早期對腦電信號監(jiān)測麻醉深度主要是依靠EEG波形的時域特征分析,隨著快速傅里葉變換(FFT) 技術(shù)的成熟，越來越多的EEG頻域特征,，如中間頻率(MF)和譜邊緣頻率(SEF)等被用來反映麻醉深度,。如今，最為流行的方法是EEG的雙譜指數(shù) (BIS)[1],，它較靈敏地反映了麻醉深度,。但由于存在對不同藥物、不同麻醉方法反應(yīng)不同的缺點,，使其不能獨立應(yīng)用于臨床麻醉監(jiān)測,。迄今為止尚未尋找到普遍適用的，且適用于臨床麻醉深度實時監(jiān)測的特征指標,。由于腦電信號中包含了豐富的,、與意識及記憶相關(guān)的信息，Theiler等人的研究表明腦電是非線性的[2],，但不是源于低維的混沌,；Pritchard 等人也指出腦電不是低維的非線性系統(tǒng)[3]。因此腦電信號具有非線性和混沌的特征,，而熵(Entropy)則是描述這些特性的重要指標[4-5],。

目前非線性動力學方法被廣泛地應(yīng)用于非平穩(wěn)信號的處理,，時頻均譜熵[6] TBSE(Time-Frequency Balanced Spectral Entropy)分析是其中之一。腦電信號是一種非平穩(wěn)信號,，而熵分析方法適合于對腦電信號的處理,。時頻均譜熵是一種對復雜性進行度量的分析方法，它不需要對時間序列粗?；?，僅需很短的數(shù)據(jù)即可達到穩(wěn)定的值。與其他復雜性參數(shù)相比,，具有計算速度快,、適合在線實時分析的特點，因此在信號處理相關(guān)領(lǐng)域得到很好的應(yīng)用,。EEG序列的時頻均譜熵表現(xiàn)了EEG序列中產(chǎn)生新模式的概率大小,，其概率越大,，序列的復雜性越大,，時頻均譜熵值也越大。

1 時頻均衡譜熵方法

        時頻均衡譜熵(TBSE)是在shannon熵[7]的基礎(chǔ)上闡述頻譜熵的概念,，它結(jié)合時域和頻域分析,應(yīng)用窗可變的短時傅里葉變換,，計算特定腦電信號頻譜帶的不規(guī)則性。TBSE算法中計算了兩個熵值:(1)狀態(tài)熵(SE),。反映了腦電主要頻帶(0.8 Hz～32 Hz)的作用,；(2)反應(yīng)熵(RE)。反映了腦電和額肌(0.8 Hz～47 Hz)的快肌肉活動的共同作用,。二者差值(RE-SE)即為肌電熵(EMG),。狀態(tài)熵和反應(yīng)熵可以區(qū)分有意識和無意識狀態(tài)，可通過肌電活動反映鎮(zhèn)靜程度和疼痛反應(yīng),，體現(xiàn)了麻醉深度監(jiān)測中應(yīng)用多種方法進行綜合分析的趨勢(如腦電結(jié)合肌電熵分析),。

        (1)首先在不同的頻率段計算出能量譜，然后對所有的能量譜元素求和再進行歸一化：

        TBSE作為一種可描述系統(tǒng)復雜性的參數(shù),，它具有一些相對其他復雜性參數(shù)所不具備的特征：

        (1)通過較短的數(shù)據(jù)序列,，即可得到穩(wěn)定的肌電熵值。
        (2)原始信號不需要粗?；?。
        (3)具有很強的抗噪聲及抗干擾能力，尤其是對隨機產(chǎn)生的瞬態(tài)強干擾具有良好的屏蔽作用,。因為隨機產(chǎn)生的較強干擾勢必造成距離大于給定的相似容限距離,，而在距離檢測時被忽略。
        (4)適用于確定信號,、隨機信號以及確定信號和隨機信號組成的混合信號,。

        因為生理信號通常是由確定信號、隨機信號組成的混合信號，而且分析所需數(shù)據(jù)長度較短,，很適合非平穩(wěn)信號(如腦電)的監(jiān)測,，因此TBSE非常適合于臨床生理信號的監(jiān)測分析。

2 腦電信號數(shù)據(jù)采集與處理

2.1  數(shù)據(jù)采集

        在麻醉深度監(jiān)控中,，感興趣的EEG信號頻率范圍一般<70 Hz,，通常選擇系統(tǒng)采樣頻率在200 Hz以上可調(diào)，默認為250 Hz,。因為要求得到3~4通道的腦電及肌電信號,，故信號采樣頻率采用1 kHz。腦電信號的前端處理主要包括信號采集,、放大,、A/D轉(zhuǎn)換及去噪。

        (1)電極選?。郝樽肀O(jiān)測的電極采用BIS公司的電極,這種電極具有與頭部接觸性好,、對人體無損害、無痛,、方便等特點,。

        (2)電極采集位置： EEG的采集位置如圖1所示，采集右前額或左前額的腦電信號,，并以前額的正中間電極作為參考電極,。

        (3)濾波、放大及A/D的參數(shù)：正常濾波范圍是3 Hz～70 Hz,，喪失濾波時濾波范圍0.25 Hz～100 Hz,。采樣頻率：1 000次/s。通道數(shù)：4個電極,，2導EEG數(shù)據(jù),。

2.2 信號預處理

        由于頭皮記錄的腦電信號中通常包含許多干擾(如心電、眼動,、肌動等生理學噪聲,，以及電極或環(huán)境噪聲等非生理學噪聲),這些偽差往往與正常病理特征EEG 的波形或頻譜相混淆,容易掩蓋EEG的波形特征。因此,，獲取EEG信號中反映大腦活動和狀態(tài)的有用信息,就必須有效地去除腦電數(shù)據(jù)中的偽差,。偽差的去除通過對采集到的EEG信號,首先丟棄一些噪聲非常大的信號點或者段，然后將信號重組分段,。對于每段信號,，先檢測各種可能的偽差信號的存在性，若檢測到某種偽差存在,，再進行相應(yīng)的去除操作,，這樣可減小計算量,。

        另外需要注意的是，通常一些干擾,如眼動,、肌動,，僅在病人清醒狀態(tài)下存在,在麻醉時則很少受其影響。因此病人在清醒和麻醉期間,應(yīng)采取不同的去噪算法,，當病人狀態(tài)發(fā)生變化時,，應(yīng)及時切換去噪算法,通過肌電熵閾值判斷病人狀態(tài)轉(zhuǎn)換時刻，進行去噪算法選擇,。腦電信號預處理部分框圖如圖2所示,。

        在采集到原始腦電信號中，不可避免會出現(xiàn)超過放大器動態(tài)范圍的信號點或段,，這是由于放大器設(shè)置不合適,，或者電極在頭皮上發(fā)生移動造成的。這類偽差由于無法重建,，所以被干擾的部分信號必須丟棄,。根據(jù)采集到的信號的均值統(tǒng)計特性，確定其閾值并進行識別,，然后判斷是否丟棄信號,。

2.3 偽差檢測和去除方法

        預處理過程中,，將前幾段EEG信號的方差與前幾段的平均值相比,，若存在明顯差異，則標記為含噪段,，然后進行后續(xù)的各種偽差檢測和去除步驟,；無明顯不同，則標記為無噪段,，無需經(jīng)過后續(xù)步驟,，直接可以進行麻醉深度參數(shù)提取。注意逐段計算過程中前幾段的方差均值需要不斷更新調(diào)整,。

        (1) 在麻醉監(jiān)控過程中,，病人呼吸是不可避免的，呼吸作用可以通過在EEG上附加一個有節(jié)奏的信號(一般0 Hz~0.8 Hz),。對于皮膚的反映,，如流汗可能改變電極的阻抗，這些都會產(chǎn)生一些低頻波,為EEG帶來基線漂移,?？刹捎媒刂诡l率為0.5 Hz的高通濾波器濾去這部分干擾。另外,，基于感興趣的EEG信號頻率范圍有限,，故一般將其信號通過一個低通濾波器,，其截止頻率可選,默認值為70 Hz。

        (2)由于EEG是低功率信號,，易受環(huán)境噪聲影響,。手術(shù)室中，腦電信號獲取設(shè)備周圍可能有大電流設(shè)備,，它們會引起EEG的工頻干擾,在EEG的50/60 Hz和100/120 Hz附近產(chǎn)生大的擾動,，與頻率有關(guān)。因此,，在檢測時采用計算50/60±2 Hz上的功率占整段信號總功率之比進行干擾判斷,，若大于某給定閾值，則存在干擾,。去除這種干擾,，可使用50/60 Hz陷波濾波器，如6th Butterworth濾波器,。

        (3)眼電信號(EOG)偽差一般是低頻(0~16 Hz)高幅波,，具有明顯的時域模式，一般是方形波或者大的尖峰,，可以在時域,、頻域計算信號特征來識別(根據(jù)相鄰多個數(shù)據(jù)段的特征)。應(yīng)用小波自適應(yīng)閾值化方法去除EOG偽差,，是在EOG存在子帶上,，選擇合適的閾值及閾值化方法去除，既不需要EOG參考通道,，也不需要人的干預,，可自動去除。

        (4)肌電信號(ECG)一般具有周期性,頻率主要在13 Hz~32 Hz左右,。其檢測可利用其自身規(guī)律性結(jié)合頻域特征,，提取13 Hz~32 Hz頻帶信號計算其能量，再根據(jù)系數(shù)的局部變化選擇合適閾值,，進行閾值化以突出偽差存在位置,，檢測偽差發(fā)生中心點；利用基于中心點的時序鎖定(time- locked)平均計算ECG平均模板除去ECG偽差,。肌電熵(EMG)通常持續(xù)時間較短,，檢測其存在性，可應(yīng)用卡爾曼自適應(yīng)濾波方法去除,，同時也可除去其他瞬態(tài)大幅度信號干擾,。此外，信號中也可能含有高斯白噪聲,，可以采用小波Bayes估計方法去除,。

3 結(jié)果與分析

        圖3(a)所示為一段清醒期的腦電信號,，包含有肌電和眼動的噪聲。圖3(b)是采用上述方法去噪后的結(jié)果,，其中眨眼和眼球動干擾明顯被去除,，高頻的肌電干擾也被濾除掉了。表明該濾波器工作可靠有效,。

        圖4(a),、(b)是一段EEG信號及其對應(yīng)的麻醉藥物七氟醚濃度。從圖4(c)可以看出病人在注射麻醉藥品之后的不同時間段內(nèi),，EEG的反應(yīng)熵都有一定的變化,。在EEG信號的初始階段，病人EEG的反應(yīng)熵較高,，其值在0.75～0.85 之間,。在麻醉120 s后，反應(yīng)熵明顯下降,，麻醉190 s后,，反應(yīng)熵的值在0.4上下波動。EEG信號的肌電熵如圖4(d)所示,，可以看出,，其值在0.1～0.4之間波動，麻醉190 s之后接近于0,，表示病人進入麻醉狀態(tài),。

        由于病人對外界刺激的反應(yīng)，在病人清醒或麻醉不足時,額前測得的腦電信號中會出現(xiàn)含有肌電信號(圖4(d)),。因此肌電信號可作為由清醒到麻醉,、由麻醉到覺醒的指示標志信息。根據(jù)這一特點,，設(shè)定一閾值，當肌電熵大于閾值時,，病人處于清醒狀態(tài),；當肌電熵小于閾值時，病人處于麻醉狀態(tài),。由此判斷出狀態(tài)切換時刻之后,，可以對應(yīng)不同的狀態(tài)，采取不同的預處理方法：眼電信號和肌電信號的偽差只可能在清醒狀態(tài)影響腦電信號,，因此只能在清醒期進行檢測和去除即可,；其他偽差檢測和去除在整個記錄中均可進行。

        本文從40余例注射麻醉藥品后的EEG信號中,，選取33個EEG信號片斷,，進行時頻均衡譜熵分析,，將分析結(jié)果作直方圖統(tǒng)計進行分析。圖5(a)為注射麻醉藥品之后的反應(yīng)熵分布直方圖,可以看出此時EEG信號的反應(yīng)熵主要分布在0.55～0.80之間,。圖5(b)為注射麻醉藥品之后的狀態(tài)熵分布直方圖,可以看出此時EEG信號的狀態(tài)熵主要分布在0.45～0.75之間,。可見,，隨著麻醉深度的不同,，反應(yīng)熵的值會隨之變化，麻醉深度越深,，反應(yīng)熵的值越?。宦樽砩疃仍綔\,，反應(yīng)熵的值越大,。這是由于麻醉深度的加深，大腦神經(jīng)元的興奮性受到抑制,，EEG信號的隨機程度降低,，產(chǎn)生新模式的概率降低，反應(yīng)熵的值也就相應(yīng)降低,。麻醉深度減輕時則剛好相反,，這一結(jié)果很好地驗證了時頻均衡譜熵作為臨床麻醉深度監(jiān)測指標的正確性和可行性。 

       從麻醉狀態(tài)下EEG信號的時均衡譜熵分析結(jié)果可以看出,，在注射麻醉藥品180 s左右,，反應(yīng)熵的值開始下降，190 s肌電熵趨于0,，病人進入麻醉狀態(tài),，這一結(jié)果很好地印證了七氟醚的藥理特性。通過分析可以看出,EEG序列的時均衡譜熵與麻醉深度之間有著密切的關(guān)系,，可靈敏地反映出麻醉深度的變化,。雖然在表征麻醉深度的變化趨勢有些緩慢，但由于時均衡譜熵本身具有達到穩(wěn)定值所需計算窗口小,、抗干擾性強的特點,，作為麻醉深度的實時監(jiān)測，仍然是一種好的方法,。實驗結(jié)論是基于七氟醚麻醉藥得到的,，與其他麻醉藥的相關(guān)性結(jié)論還待進一步的深入研究。

參考文獻

[1] BRUHN J, BOUILLON T W, RADULESCU L,et al. Correlation of approximate entropy, bispectral index, andspectral edge frequency 95(SEF95) with clinical signs of anesthetic depth during coadministration of propofol and remifentanil[J]. Anesthesiology, 2003,98:621-627.
[2] THEILER J, EUBANK S, LONGTIN A, et al. Testing for nonlinearity in time series: the method of surrogate data [J]. Physica D, 1992,58(1):77294.
[3] PRITCHARD W S. Dimensional analysis of resting human EEG: Surrogate data testing indicates nonlinearity but not low-dimensional chaos[J]. Psychophysiology, 1995,32(3).
[4] BEIN B. Best Practice & Research Clinical Anaesthesiology[J]. Entropy,2006, 20(1):101-109.
[5] BRUHN J, ROPCKE H, REHBERG B, et a1. Electroen cephalogram approximate entropy correctly classifies the occurrence of burst suppressionpattern as increasing anesthetic drug effect[J]. Anesthesiology,2000;93(4):981-5.
[6] VIERTIO-OJA H, MAJA V, SARKELA M, et a1. Description of the Entropy algorithm as applied in the Datex-Ohmeda S/5entropy module[J]. Acta Anaesthesiol Scand, 2004,48(2):154-161.
[8] BRUHN J, LEHMANN L E, ROPCKE H, et al.Shannon entropy applied to the measurement of the electroencephal-ographic effects of desflurane[J].Anesthesiology, 2001, 95:30.