一种基于格子复杂性算法的无线动态麻醉深度检测方法

摘要

本发明公开一种基于格子复杂性算法的无线动态麻醉深度检测方法。该发明方法是基于以下麻醉深度监测装置，该装置包括采集模块、无线传输模块、数据处理模块、中央处理模块、显示模块；采集模块采集脑电信号对该模拟脑电信号进行放大，并将该将其转换为数字脑电信号。无线传输模块通过WiFi无线网络，将采集模块输出的数字脑电信号数据上传到数据处理模块进行预处理；预处理后的数据输入中央处理模块进行分析处理，分别计算格子复杂度、边缘频率、爆发抑制比，并利用决策树算法拟合得到麻醉深度指数并显示。由于使用了无线传输模块和格子复杂性算法，使得该发明方法省去传统检测装置的导线所带来的不便，且算法简单，实时性强。

说明书

技术领域

本发明涉及一种麻醉深度检测装置，尤其涉及一种包含格子复杂性算法及无 线传输的用于重症监护病房的麻醉深度检测装置。

背景技术

麻醉是指借助于药物等方法而产生的全身或局部感觉的消失及记忆遗忘状 态，它可以确保手术的顺利进行，麻醉过深或过浅都会对患者造成危害。因此， 麻醉深度的监测尤为重要。麻醉是通过引起可逆的中枢神经系统的抑制和兴奋， 从而达到意识消失和止痛的目的。而脑电可以直接反映出中枢神经系统的活动。 因此脑电技术成为确定麻醉深度的最佳手段之一。脑电的许多时域、频域参数都 曾被用来检测麻醉深度，但效果都不是很理想。

时域分析是最原始的脑电分析方法,主要是对脑电波波形和幅度的检测分 析。时域分析大部分只停留在定性分析上,且系统复杂、计算量大、效果也多不 理想，因此限制了其在临床上的进一步应用。

脑电图的频域分析主要包括脑电功率谱、各频率段的脑电功率比、中心频率 (MF)、边缘频率(SEF)脚等。MF与SEF的单参数定量化特性也很适合麻醉深度的 定量监测研究,大量研究表明在某些药物麻醉中MF和SEF随着麻醉深度的加深作 相应的变化。但同时很多研究也证明MF和SEF的个体差异和药物差异性较大。另 外其分析基础一傅立叶变换是基于信号的平稳性假设的,这与脑电信号的特性并 不符合,因此其可靠性已越来越受到许多学者的质疑。

涉及时域、频域及双谱域的复合指数一一双谱指数 (BiPsecrtalnIdexScale,BIS)是目前麻醉深度监测中近年来最受欢迎的一个的 EEG参数。它除了表达EEG信号时域和频域信息外,更重要的是增加了相位信息, 具有非线性特点。BIS是唯一被美国食物药品管理局认可的麻醉药对大脑作用的 监测仪,是目前商业化麻醉深度监测仪中敏感度和特异度量较好的监测仪之一 26[,27]。尽管这样,BIS的药物差异性仍然较大,缺乏明确的麻醉安全边界指标, 还不能临床推广。

复杂度是近几年出现的一种非线性动力学分析方法，而脑电正是一种非平稳 信号，所以复杂度的分析犯法非常适合用于脑电的处理。脑电序列的复杂度表现 了EEG序列的随机程度，即大脑神经元处理信息活动的有序程度，反应了决定这 段EEG序列的信息量的大小。复杂度算法简单，易于实现而且计算速度很快；只 需较短时间的数据就能得到稳定值。已有的近似熵等复杂性算法由于计算所需序 列长度长或计算所需时间长的缺点无法实现实时监测。

因此本技术领域人员需要一个问题是：如何找到一种新的复杂性参数来提高 麻醉深度监测的实时性和准确性。

同时考虑到设备用于重症监护病房，以往的有线监测显得不便且经济成本较 高。这也是本技术领域人员需要考虑的。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于格子复杂性算法的无线 动态麻醉深度检测方法，它具有监测方便，准确的优点。

本发明方法是基于以下麻醉深度监测装置，该装置包括采集模块、无线传输 模块、数据处理模块、中央处理模块、显示模块；采集模块的输出端与无线传输 模块的接收端信号连接，无线传输模块的输出端通过无线WIFI与数据处理模块 的接收端连接，数据处理模块的输出端与中央处理模块的接收端信号连接，中央 处理模块的输出端与显示模块的输入端信号连接；

所述的采集模块，包括脑电信号采集电极和依次连接的前置放大模块和模数 转换模块；所述前置放大模块用于接收脑电信号采集电极所采集的模拟脑电信 号，并对该模拟脑电信号进行放大；所述模数转换模块用于接收前置放大模块放 大后的模拟脑电信号，将模拟脑电信号转换为数字脑电信号；

所述的无线传输模块，通过WiFi无线网络将采集模块采集到的数字脑电信号 数据上传到数据处理模块；

所述的数据处理模块用于对无线传输模块传输的脑电信号数据进行存储并预 处理，所述的预处理即为对数字脑电信号数据进行去噪处理；

由于未预处理的脑电信号数据包含工频、眼电、电刀等各类噪声，不可直接 用于脑电信号分析，故需要去除这些噪声；

所述的中央处理模块包括参数计算模块、决策树分类器模块；

其中所述的参数计算模块，包括格子复杂性、边缘频率、爆发抑制比三个参 数的计算；

所述的格子复杂性用于评价麻醉深度，尤其可以区分病人清醒与麻醉时期； 但是若病人处于麻醉时期，本发明采用边缘频率判断其麻醉深度，边缘频率在中 度麻醉时期变化最为剧烈，可以较好的区分浅麻、中麻和深麻(分别代表浅度麻 醉、中度麻醉和深度麻醉)；在深度麻醉时期，由于爆发抑制比(即幅度变化特 征)最为明显，可作为此时麻醉深度量化的指标；

本发明方法包括以下步骤：

步骤(1).利用采集模块脑电信号采集电极采集模拟脑电信号，经前置放大 模块对该模拟脑电信号放大后，模数转换模块将其转换为数字脑电信号；

步骤(2).无线传输模块通过WiFi无线网络，将采集模块采集到的数字脑 电信号数据上传到数据处理模块；数据处理模块对数据进行存储并预处理，所述 的预处理即为对数字脑电信号数据进行去噪处理；

步骤(3).中央处理模块对于步骤(2)数据处理模块预处理后的数据进行 分析处理：

3.1格子复杂度的计算：

3.1.1对步骤(2)数据处理模块预处理后的数据进行符号化处理，得到符号 序列；其中符号化处理方法为均值分划或排列分划；

3.1.2对符号序列按照窗口大小，结合窗口移动长度进行分段，得到多个子 序列；

3.1.3对每个子序列P进行格子复杂性计算：

本发明设子序列P＝s₁s₂s₃...s_n，n表示子序列P的长度；lc(n)表示格子复杂度即 格子数；S序列，Q序列都是P序列的子序列，SQ是S序列和Q序列的合并序列，SQπ 序列是SQ合并序列去掉最后一个符号后剩余部分；

假设P序列中S前r个符号组成的子序列S已经进行格子化操作，其中 S＝s₁s₂...s_r，r<n,则下一个格子划分如下：

(a)首先要找到一个序列Q满足Q序列的最后一个符号等于Qπ序列中的任意 一个符号(Qπ序列表示将Q序列符号串最后一个符号去掉剩余部分)：令Q＝s_r+1， 因为Q只有一个符号，不做任何操作；继续令Q＝s_r+1s_r+2，观察Q的最后一个符号是 否等于Qπ中的任意一个符号(Qπ表示将Q符号串最后一个符号去掉剩下的部分， 这里有Qπ＝s_r+1).若否，重置Q，令Q＝s_r+1s_r+2s_r+3，继续观察Q最后一个符号是否 等于Qπ中的任意一个符号(此时Qπ＝s_r+1s_r+2)，若否，则继续重置Q，直到Q的最 后一个符号可以由Qπ中的一个符号复制为止，接着进行下一步步骤(b)；

(b)若满足步骤(a)后Q＝s_r+1s_r+2...s_r+j，Qπ中的相等符号为s_r+i(0<i<j)，继续 观察s_r+j+1是否等于s_r+i+1，若是则继续观察下一个符号是否相等(即s_r+j+2是否等于 s_r+i+2)，直到两者不相等为止，进行下一步步骤(c)。

(c)若满足步骤(b)后不相等的符号为s_r+j+k,0<k<n-r-j，令Q＝s_r+1s_r+2...s_r+j+k， 观察Q能否由SQπ的某个子串复制得到，其中SQπ＝s₁s₂s₃...s_r+j+k-1；若能则继续令 Q＝s_r+1s_r+2s_r+3...s_r+j+ks_r+j+k+1，观察Q能否由SQπ中的子串复制得到，若能则再令 Q＝s_r+1s_r+2s_r+3...s_r+j+ks_r+j+k+1s_r+j+k+2,直到Q最后一个符号为s_n时则格子数lc(n)＝lc(n)+1, 同时结束操作；若Q不能由SQπ的某个子串复制得到，则格子数lc(n)＝lc(n)+1， 继续执行步骤(a)。

3.2边缘频率的计算：

所述的边缘频率是指一段信号的功率谱中，功率积分达到总功率的95％时的 频率；

3.2.1对步骤(2)数据处理模块预处理后的数据x_k,k＝1,2,...,N进行离散傅里 叶变换，见公式(1)：

$X\left[m\right]=\underset{k=1}{\overset{N}{\Sigma }}{x}_k{e}^{-j\frac{2\pi }{N}\mathrm{mk}},m=\mathrm{1,2},...,N---\left(1\right)$

3.2.2由于X[m]中前N/2点包含了步骤(2)数据处理模块预处理后脑电信号 数据的频率信息，利用此脑电信号的采样率f_s与频率f_i之间的关系式(2)，将 X[m]转换为关于频率f_i的表达式(3)：

m＝N*f_i/f_s,m＝1,2,...,N/2       (2)

X(f_i)＝X[m]＝X(N*f_i/f_s)        (3)

在X(f_i)中寻找某一频率值f_sef，使其满足以下关系式：

$\frac{\underset{f_i=1}{\overset{f_{\mathrm{Sef}}}{\Sigma }}{\left|X\left(f\right)\right|}^2}{\underset{f_i=1}{\overset{47}{\Sigma }}{\left|X\left(f\right)\right|}^2}=0.95---\left(4\right)$

此时频率值f_sef即边缘频率；

3.3爆发抑制比(BSR)的计算：

所述的爆发抑制比(BSR)为深麻时期内抑制状态占一段EEG信号的比例； 抑制状态是指当EEG电位不大于±5uV，时间超过0.5s；

3.4决策树分类器的训练：

所述的决策树分类器是将格子复杂度、边缘频率和爆发抑制比作为决策树算 法的输入特征，将麻醉专家给出的麻醉状态分类作为输出，训练出一棵决策树；

所述的决策树的训练采用以下三个终止条件，满足任一终止条件则训练结 束：

①信息增益为0时；

②输入特征和麻醉状态分类的集合D中某一类数据的比例大于阈值时；其中 阈值根据本领域技术人员经验设定；

③集合D中的数据小于阈值时，这时用D中出现最多的类来统一判断该节点 的数据。

训练结束后根据实际情况对决策树进行剪枝，剪枝的目的是：1.在保证精度 的同时尽量使决策树简单，以提高推广能力；2.排除过度学习的可能，尽可能的 使分类器与生理知识保持一致。

3.5获得决策树输出的麻醉深度类别后，利用格子复杂度、边缘频率和爆发抑 制比三个参数，拟合现有的麻醉量化指标，得到此时病人的麻醉深度指数。

本发明的有益效果：

本发明采用无线传输模块的应用使得该方法省去传统检测装置的导线所带来 的不便；采用格子复杂性算法使得整个算法的复杂度降低，提高了实时监测性。

附图说明

图1为本发明方法流程图；

图2为电极的贴放位置；

图3为决策树结构；

图4为一例典型患者麻醉过程的本发明监测指数示意图；

图5为一例典型患者麻醉过程中的BIS指数变化。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本发明方法是基于以下麻醉深度监测装置，该装置包括采集模块、无线传输 模块、数据处理模块、中央处理模块、显示模块；采集模块的输出端与无线传输 模块的接收端信号连接，无线传输模块的输出端通过无线WIFI与数据处理模块的 接收端连接，数据处理模块的输出端与中央处理模块的接收端信号连接，中央处 理模块的输出端与显示模块的输入端信号连接；

所述的采集模块，包括脑电信号采集电极和依次连接的前置放大模块和模数 转换模块；脑电信号采集电极贴于病人头部特定的四个位置(如图2所示)，以 128HZ采样频率采集数据；所述前置放大模块用于接收脑电信号采集电极所采集的 模拟脑电信号，并对该模拟脑电信号进行放大；所述模数转换模块用于接收前置 放大模块放大后的模拟脑电信号，将模拟脑电信号转换为数字脑电信号；

所述的无线传输模块，通过WiFi无线网络将采集模块采集到的数字脑电信号 数据上传到数据处理模块；

所述的数据处理模块用于对无线传输模块传输的脑电信号数据进行存储并预 处理，所述的预处理即为对数字脑电信号数据进行去噪处理；由于未预处理的脑 电信号数据包含工频、眼电、电刀等各类噪声，不可直接用于脑电信号分析，故 需要去除这些噪声；

本发明去噪处理是数据处理模块利用截止频率为1～47Hz的数字滤波器对脑 电信号滤波，然后人为去除滤波无法去除的眼电伪迹和电刀干扰；

所述的中央处理模块包括参数计算模块、决策树分类器模块；

其中所述的参数计算模块，包括格子复杂性、边缘频率、爆发抑制比三个参 数的计算；

所述的格子复杂性用于评价麻醉深度，尤其可以区分病人清醒与麻醉时期； 但是若病人处于麻醉时期，本发明采用边缘频率判断其麻醉深度，边缘频率在中 度麻醉时期变化最为剧烈，可以较好的区分浅麻、中麻和深麻(分别代表浅度麻 醉、中度麻醉和深度麻醉)；在深度麻醉时期，由于爆发抑制比(即幅度变化特征) 最为明显，可作为此时麻醉深度量化的指标；

如图1所示，本发明方法包括以下步骤：

步骤(1).利用采集模块脑电信号采集电极采集模拟脑电信号，经前置放大 模块对该模拟脑电信号放大后，模数转换模块将其转换为数字脑电信号；

步骤(2).无线传输模块通过WiFi无线网络，将采集模块采集到的数字脑电 信号数据上传到数据处理模块；数据处理模块对数据进行存储并预处理，所述的 预处理即为对数字脑电信号数据进行去噪处理；

步骤(3).中央处理模块对于步骤(2)数据处理模块预处理后的数据进行分 析处理：

3.1格子复杂度的计算：

3.1.1对步骤(2)数据处理模块预处理后的数据进行符号化处理，得到符号 序列；其中符号化处理方法为均值分划或排列分划；

3.1.2对符号序列按照窗口大小，结合窗口移动长度进行分段，得到多个子序 列；

3.1.3对每个子序列P进行格子复杂性计算：

本发明设子序列P＝s₁s₂s₃...s_n，n表示子序列P的长度；lc(n)表示格子复杂度即格 子数；S序列，Q序列都是P序列的子序列，SQ是S序列和Q序列的合并序列，SQπ序 列是SQ合并序列去掉最后一个符号后剩余部分；

假设P序列中S前r个符号组成的子序列S已经进行格子化操作，其中S＝s₁s₂...s_r， r<n,则下一个格子划分如下：

(a)首先要找到一个序列Q满足Q序列的最后一个符号等于Qπ序列中的任意一 个符号(Qπ序列表示将Q序列符号串最后一个符号去掉剩余部分)：令Q＝s_r+1，因 为Q只有一个符号，不做任何操作；继续令Q＝s_r+1s_r+2，观察Q的最后一个符号是否 等于Qπ中的任意一个符号(Qπ表示将Q符号串最后一个符号去掉剩下的部分，这 里有Qπ＝s_r+1).若否，重置Q，令Q＝s_r+1s_r+2s_r+3，继续观察Q最后一个符号是否等于Qπ 中的任意一个符号(此时Qπ＝s_r+1s_r+2)，若否，则继续重置Q，直到Q的最后一个符 号可以由Qπ中的一个符号复制为止，接着进行下一步步骤(b)；

(b)若满足步骤(a)后Q＝s_r+1s_r+2...s_r+j，Qπ中的相等符号为s_r+i(0<i<j)，继续 观察s_r+j+1是否等于s_r+i+1，若是则继续观察下一个符号是否相等(即s_r+j+2是否等于 s_r+i+2)，直到两者不相等为止，进行下一步步骤(c)。

(c)若满足步骤(b)后不相等的符号为s_r+j+k,0<k<n-r-j，令Q＝s_r+1s_r+2...s_r+j+k，观 察Q能否由SQπ的某个子串复制得到，其中SQπ＝s₁s₂s₃...s_r+j+k-1；若能则继续令 Q＝s_r+1s_r+2s_r+3...s_r+j+ks_r+j+k+1，观察Q能否由SQπ中的子串复制得到，若能则再令 Q＝s_r+1s_r+2s_r+3...s_r+j+ks_r+j+k+1s_r+j+k+2,直到Q最后一个符号为s_n时则格子数lc(n)＝lc(n)+1, 同时结束操作；若Q不能由SQπ的某个子串复制得到，则格子数lc(n)＝lc(n)+1， 继续执行步骤(a)。

3.2边缘频率的计算：

所述的边缘频率是指一段信号的功率谱中，功率积分达到总功率的95％时的频 率；

3.2.1对步骤(2)数据处理模块预处理后的数据x_k,k＝1,2,...,N进行离散傅里 叶变换，见公式(1)：

$X\left[m\right]=\underset{k=1}{\overset{N}{\Sigma }}{x}_k{e}^{-j\frac{2\pi }{N}\mathrm{mk}},m=\mathrm{1,2},...,N---\left(1\right)$

3.2.2由于X[m]中前N/2点包含了步骤(2)数据处理模块预处理后脑电信号数 据的频率信息，利用此脑电信号的采样率f_s与频率f_i之间的关系式(2)，将X[m]转 换为关于频率f_i的表达式(3)：

m＝N*f_i/f_s,m＝1,2,...,N/2；         (2)

X(f_i)＝X[m]＝X(N*f_i/f_s)       (3)

在X(f_i)中寻找某一频率值f_sef，使其满足以下关系式：

$\frac{\underset{f_i=1}{\overset{f_{\mathrm{Sef}}}{\Sigma }}{\left|X\left(f\right)\right|}^2}{\underset{f_i=1}{\overset{47}{\Sigma }}{\left|X\left(f\right)\right|}^2}=0.95---\left(4\right);$

此时频率值f_sef即边缘频率；

3.3爆发抑制比(BSR)的计算：

所述的爆发抑制比(BSR)为深麻时期内抑制状态占一段EEG信号的比例；抑 制状态是指当EEG电位不大于±5uV，时间超过0.5s；

例如一段深麻脑电信号长度为N，电位处于±5uV且时间超过0.5s的数据段累计 长度为m,m小于等于N；则爆发抑制比BSR＝m/N。

3.4决策树分类器的训练：

所述的决策树分类器是将格子复杂度、边缘频率和爆发抑制比作为决策树算 法的输入特征，将麻醉专家给出的麻醉状态分类作为输出，训练出一棵决策树；

所述的决策树的训练采用以下三个终止条件：

⑴信息增益为0时；

⑵D(输入特征和麻醉状态分类的集合)中某一类数据的比例大于一定量时；

⑶D中的数据少于一定量时，这时用D中出现最多的类来统一判断该节点的数 据；

训练结束后根据实际情况对决策树进行剪枝，剪枝的目的是：1.在保证精度的 同时尽量使决策树简单，以提高推广能力；2.排除过度学习的可能，尽可能的使 分类器与生理知识保持一致。最终得到的决策树结构如图3所示，图中LC、Sef、 BSR分别表示格子复杂度、边缘频率与爆发抑制比，Th为阈值，1、2、3、4分别 代表清醒、浅麻、中麻和深麻。

3.5获得决策树输出的麻醉深度类别后，利用格子复杂度、边缘频率和爆发抑 制比三个参数，拟合现有的麻醉量化指标，得到此时病人的麻醉深度指数。

由于在各麻醉深度类别中麻醉深度与格子复杂度、边缘频率和爆发抑制比等参 数基本呈线性关系，故采用最小二乘法进行线性拟合。这种方法虽没有一些复杂 的拟合方法精度高，但是它的简单性会在一定程度上保证算法的推广能力。

临床试验实施例：

将上述装置以及检测方法应用于临床，观察复合麻醉下经典麻醉深度指标BIS 和本发明麻醉深度指标的异同。

选取全身麻醉下手术患者30例，年龄24～73岁，身高155～175cm，体重52～ 80kg，性别不限，ASA体格状况分级为Ⅰ～Ⅱ级，排除颅面部手术者、精神疾病 病史者及无民事行为能力者。

患者入手术室后确定传感器的粘贴位置，并将传感器固定于被测者头部，在 另一侧按照说明书安放BIS监护仪专用脑电电极，启动本实施例和BIS监护仪采 集分析脑电信号。麻醉诱导期依次注入镇静类药物咪唑安定0.1mg*kg^-1，丙泊酚 1.5～2mg*kg^-1，肌松类药物维库溴铵0.1mg*kg^-1，镇痛类药物芬太尼5ug*kg^-1。 麻醉维持期用药如下：每小时追加2mg维库溴铵，0.1mg芬太尼，以30～50ml/h 速率恒速泵入10mg/ml浓度的丙泊酚，10～25ml/h速率恒速泵入20mg/50ml浓度 的瑞芬太尼。记录整个麻醉过程中的脑电信号变化。

临床试验结果

本实施例和BIS监护仪显示的麻醉指数分别如图4、图5所示，从图中可以看 出实施例的灵敏度较高，能较好的识别麻醉和清醒的转换。这是由于格子复杂性 算法对混沌边缘比较敏感，而诱导期和恢复期正对应此状态。在麻醉期间，实施 例相较于BIS整体波动较小，局部波动较大，这和格子复杂性均值分化的符号化 方法有关，这种方法使得其对细节的刻画较差。

本发明的主要结论

本发明将格子复杂性这一参数用于麻醉深度监测，并与BIS监护仪监测结果 进行比较，证明了格子复杂性可作为识别麻醉与清醒的主要参数。本发明的临床 试验表明，格子复杂性能够得到比BIS更高的灵敏度，本发明可作为临床麻醉检 测的一种手段。