基于脑电耦合关系的术中伤害刺激反应性监测系统及方法

摘要

本发明公开基于脑电耦合关系的术中伤害刺激反应性监测系统及方法。获取术中多通道脑电数据，并将伤害刺激发生后患者的反应情况作为标签；对预处理后的多通道脑电数据提取通道内和通道间MI值；将带标签的通道内和通道间特征构建数据集，并分为训练集和测试集；利用训练集对随机森林分类器进行训练，并利用测试集对训练后的随机森林分类器验证并优化。基于自主神经的伤害刺激监测手段容易受到药物和外界因素影响，而基于脑电非线性特征的伤害刺激监测手段，例如熵指数，引入前额肌电谱熵，降低了指标的可解释性且易受肌松药物干扰。本发明采用的耦合相位振幅模式则为麻醉下的固有状态，指标对肌电信号的敏感性降低，具有较高特异性。

说明书

技术领域

本发明涉及术中镇静、镇痛监测领域，具体涉及一种利用脑电耦合关系监测手术过程中的伤害刺激反应性的系统及方法。

背景技术

术中麻醉监测主要包含镇静监测和镇痛监测两部分，镇静监测已有较为有效的临床手段，而镇痛监测的手段却远远不足。镇痛监测的关键是对术中伤害刺激反应性的监测。目前对于伤害刺激反应性的监测主要有两类方法：一类基于自主神经活动，对受到自主神经影响的生理特征进行监测，这类方法容易受到药物、疾病及环境等因素的干扰；另外一类以脑电为基础，从频谱、非线性和诱发脑电角度对伤害刺激反应性进行监测。然而频谱与伤害刺激反应性的关系并不明确、非线性特征可解释性不强以及诱发脑电需要多次叠加且抗干扰能力弱等缺陷制约了以脑电为基础的监测方法。

麻醉意识研究已经证明脑电耦合模式的改变为麻醉药物对大脑意识状态的主要影响之一，但是对于伤害刺激反应性的监测而言，目前缺乏以脑电耦合关系为基础伤害刺激反应性进行监测的方法。本发明提出的方法将脑电耦合关系引入术中伤害刺激监测，将机理研究推广到临床监测，能够提高术中伤害刺激监测的特异性和检测精度。

发明内容

本发明的一个目的是针对现有技术的不足，提供了一种基于脑电耦合关系的术中伤害刺激反应性监测。

一种基于脑电耦合关系的术中伤害刺激反应性监测方法，其特征在于包括以下步骤：

步骤(1)、获取术中多通道脑电数据，并将伤害刺激发生后患者的反应情况(以下简称伤害刺激反应性)作为标签；

多通道脑电数据的获取方式是采用国际10-20系统标准，以双耳乳突参考，选取分布在大脑各个区域的不同通道脑电数据。

所述的伤害性刺激的来源为喉罩插管或切皮刺激；

所述的伤害刺激发生后患者的反应指伤害刺激引起的应激反应，包括身体或者头部的动作或发生吞咽、咀嚼、皱眉等现象；

步骤(2)、对多通道脑电数据进行预处理

采用FIR滤波器、独立成分分析、小波阈值去噪和二次变差分约化等方法去除数据中可能存在的工频干扰、心电和眼电干扰、肌电伪迹和基线漂移；

步骤(3)、对预处理后的多通道脑电数据提取通道内和通道间MI值；主要包括脑电信号的分解、脑电通道内耦合特征提取、脑电通道间耦合特征提取；

引入调制指数(MI)刻画脑电通道内和通道间的相位振幅耦合模式，并分析脑电通道内和通道间相位振幅耦合模式与伤害刺激反应性之间的关系；

3-1脑电信号分解

基于步骤2中预处理后的脑电数据，采用Morlet小波,将其按照等间隔的中心频率分解为K个振幅频率段和K个相位频率段，K为人为定义，一般为20；

Morlet小波公式如下：

其中t和f分别为当前时刻点和瞬时频率；A＝(δ

由于Morlet小波的特性，其中心频率f

3-2脑电通道内特征提取

3-2-1将分解后的振幅频率段和相位频率段之间两两组合，计算相位振幅调制指数MI，其计算方法为：

其中N为相位频率段的相位划分的等长区间数(N为人为定义，通常取20)，P为信号相位和振幅之间的分布函数，U为假设信号均匀分布时的分布函数，D

其中U(j)的分布为均匀分布，取U(j)＝1/N；P(j)为相位频率段的相位划分为N个区间，第j个区间内振幅频率段的振幅占据的直方图比率；

3-2-2对步骤3-2-1得到的相位振幅调制指数MI去除虚假耦合，以得到可信的数据；具体如下：

对步骤(2)预处理后并通过步骤3-1分解的不同频段脑电数据随机分割为两部分，并交换分割后数据位置，重复S次(S为人为定义，通常取200)上述操作，生成代理数据；

判断对步骤(2)预处理后并通过步骤3-1分解的不同频段脑电数据按照步骤3-2-1所述方法计算的MI值是否小于对应分解频段的所有代理数据的相位振幅调制指数MI

其中mean(MIsurro)表示对应频率段的所有代理数据的相位振幅调制指数MI

对每个脑电通道的MI

由于大脑本身的局部网络特征，经过上述方法筛选后的通道一般集中在大脑某几个区域内。通过上述方法可以初步筛选脑电通道所构成的局部网络模式。配合后续机器学习特征筛选，能够达到根据分析结果实际检测所需的减少导联。

3-3脑电通道间特征提取

对于不同脑电通道之间，分别计算α频段(8～13HZ)、θ频段(4～8HZ)、δ频段(1～4HZ)、β频段(14～26HZ)、γ频段(26～44HZ)间可能存在耦合模式的MI值，采用公式(2)进行计算；

α频段(8～13HZ)、θ频段(4～8HZ)、δ频段(1～4HZ)、β频段(14～26HZ)、γ频段(26～44HZ)间可能存在耦合模式包括α相位-γ振幅、θ相位-γ振幅、δ相位-γ振幅、θ相位-β振幅和δ相位-β振幅耦合模式；

对伤害性刺激发生前所有通道的所有可能存在耦合模式MI值分别采用k-means算法进行聚类；聚类的类别数k按照拐点法则确定,选择聚类中心MI值最大的类别，计算此类别通道间的基本相位振幅耦合模式；

将计算的α相位-γ振幅、θ相位-γ振幅、δ相位-γ振幅、θ相位-β振幅和δ相位-β振幅中每种基本相位振幅耦合模式与阈值进行比较，若大于则通过配对t检验，对比标签为带有伤害刺激引起的应激反应的脑电数据伤害刺激前后通道对之间的MI值的差异性，筛选出MI值差异性最大的相位振幅耦合模式；获取该相位振幅耦合模式下的MI值作为通道间特征。

作为优选，步骤3-2脑电通道内特征提取过程中选择额叶和前额区通道。

作为优选，步骤3-3脑电通道间特征提取过程中选择前额、额叶通道之间的耦合以及额叶、顶叶之间的耦合。

步骤(4)、将带标签的通道内和通道间特征构建数据集，并分为训练集和测试集；

步骤(5)、利用训练集对随机森林分类器进行训练，并利用测试集对训练后的随机森林分类器验证并优化。

本发明的另一个目的是提供基于脑电耦合关系的术中伤害刺激反应性监测系统，包括数据采集模块、数据预处理模块、特征提取模块和模型训练模块；

所述数据采集模块用于获取术中的伤害刺激相关的多通道脑电数据，然后将脑电数据传送至数据预处理模块；

所述数据预处理模块用于对脑电数据进行信号预处理，包括但不限于眼电、肌电伪迹和基线漂移的去除等一系列提高信号信噪比的操作；然后将预处理后的脑电数据传送至特征提取模块；

所述特征提取模块用于提取脑电信号通道内和通道间特征，并构建数据集；然后将数据集传送至模型训练模块；

所述模型训练模块采用机器学习的方法训练数据集，构建对伤害刺激反应性判别并预测的随机森林分类器模型。

进一步地，所述的数据预处理模块采用的方法属于本领域技术人员所掌握的成熟技术，能够有效去除多通道脑电信号中可能包含的噪声。

进一步地，所述特征提取模块所提取的特征为多通道脑电通道内和通道间不同频段脑电信号的相位振幅耦合特征。

进一步地，所述模型训练模块是利用特征提取模块提供的训练集对特征进一步筛选，并结合机器学习的算法，构建对伤害刺激反应性具有判别和预测功能的模型。模型训练模块中还包含对模型效果的验证方法，验证模型的有效性。

本发明的有益效果是：

1、从前额单通道脑电的伤害刺激评估，发展到以局部网络耦合模式为基础的多通道脑电伤害刺激评估，提高评估方法的可解释性以及对伤害刺激反应的判别和预测能力,能够得到较高的判别和预测精度。

2、引入调制指数(MI)作为伤害刺激反应性监测指标，并进一步证实其有效性。MI刻画的相位振幅耦合模式主要集中在大脑的某几个区域，将有引导进一步减少导联，实现机理和临床应用的结合。

3、基于自主神经的伤害刺激监测手段容易受到药物和外界因素影响，而基于脑电非线性特征的伤害刺激监测手段，例如熵指数，引入前额肌电谱熵，降低了指标的可解释性且易受肌松药物干扰。本发明采用的耦合相位振幅模式则为麻醉下的固有状态，指标对肌电信号的敏感性降低，具有较高特异性。

附图说明

图1是本发明整体流程图；

图2是MI计算及去除伪耦合示意图；

图3是具体实施采集数据通道分布；

图4是具体实施时的实验流程；

图5是通道内的相位振幅耦合共模图；

图6是伤害刺激前后ANOVA分析统计；

图7是K均值对伤害性刺激前MI聚类的通道分布；

图8是通道间相位振幅耦合连接模式；

图9是伤害刺激反应性判别ROC曲线；

图10是伤害刺激反应性预测ROC曲线。

具体实施方式

以下通过具体实例对本发明的上述内容进一步地详细说明。但不应将此理解为本发明上述主题的范围仅局限于以下的实例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。

基于脑电耦合关系的术中伤害刺激反应性监测方法，如图1包括以下步骤：

(1)实验设计和数据采集

本实施例伤害性刺激的来源利用强直电流模拟的切皮刺激。

经过浙江大学第一附属医院伦理委员会的批准，并获得所有参与患者的书面知情同意后，一共招募了26名无精神病史、慢性疼痛的择期下肢手术患者(ASA 1级或2级，其中男性13例；年龄18-65岁)。为患者佩戴多通道脑电帽，采集患者20个通道的脑电数据，所采集通道如图3所示。当患者处于静息状态时，对其进行腰麻、硬膜外联合麻醉。使用七氟醚进行麻醉诱导、维持，七氟醚的浓度每1-2min增加0.2％，直到失去睫毛反射。将七氟醚的浓度增加到5％，至少持续5min，之后进行喉罩插管，等到病人稳定后将七氟醚浓度降至2％进行维护。在手术的后半段，先保持七氟醚浓度为2.5％持续10min，对患者的手部正中神经进行伤害性电流刺激(10mA,10s,50HZ或40mA,10s,50HZ)观察电刺激后1-2min内的反应，并记录病人体动情况。在电刺激2-5min后，再次调节七氟醚浓度稳定在2％，维持10min，对患者手部正中神经进行强直电刺激并观察刺激后1-2min内患者的反应情况。除了在2％和2.5％七氟醚浓度下进行了伤害性刺激，在浓度1.5％七氟醚作用下也开展了相同操作。在操作结束后，逐渐降低七氟醚浓度，等待患者苏醒。图4展示了具体实施时的实验流程。

(2)数据预处理

本发明采用FIR陷波滤波器滤除50HZ工频干扰，同时采用独立成分分析(ICA)去除脑电信号中可能存在的心电、眼电干扰。而肌电干扰这类频带分布广泛的噪声，则采用FIR低通滤波器与小波阈值去噪结合的方法去除。另外对于基线漂移，本发明采用一种二次变差分约化的方法来估计基线，并将其去除。

(3)耦合关系与伤害刺激反应性分析

①通道内相位振幅耦合：

为了准确地锁定伤害刺激作用下相位-振幅耦合变化的频率对，本发明对伤害刺激前后2min内所有通道脑电信号进行分析。选择30s时间窗，在时间窗内采用步骤3中的Morlet小波将每个通道的时间序列划分为两组频率组：相位频率组和振幅频率组。其中相位频率组由20个频率段组成，频率范围为0-15HZ，频率中心为频率范围的等间隔划分；振幅频率组由20个频率段组成,频率范围为0-50HZ，频率中心为频率范围的等间隔划分。采用上述步骤3-2-1相位频率段组和振幅频率组之间两两计算MI指数后，采用上述步骤3-2-2代理数据方法去除虚假耦合(图2)。

绘制每个通道的相位振幅耦合图，并通过配对ANOVA分析的方法，检验刺激前后耦合变化的显著性。经过检验，相位振幅耦合最强的三个通道为Fpz、Fz、T8，其相位振幅共模图如图5所示。

按照伤害性刺激后患者是否发生应激反应，把患者分为体动组(即发生应激反应)和无体动组(即未发生应激反应)。对其伤害刺激前后MI值进行ANOVA方差分析，发现体动组患者额叶和前额θ相位-γ振幅的MI值有显著性差异。如图6所示，当伤害性刺激引起患者体动时，前额和额叶通道θ-γ的MI值明显减少。

②通道间相位振幅耦合：

按照上述步骤3-3，采用kmeans和四分位数结合的方法，确定伤害刺激发生前基本相位振幅耦合模式，并采用配对t检验确定与伤害刺激反应性最为相关的耦合频率对，即MI值差异性最大的相位振幅耦合模式，最终保留了θ-γ耦合的68个通道对作为研究对象。图7显示了采用kmeans将通道间的耦合分为两类的结果，而图8显示了伤害刺激前后，通道对之间相位振幅耦合模式。结果显示，伤害性刺激发生前，不论是体动组还是无体动组，θ-γ的相位振幅耦合主要集中在前额和额叶通道之间，且相位振幅调制方式多为后部通道的振幅调制前部通道的相位。在伤害性刺激发生前，体动组的额叶和顶叶通道之间的相位振幅耦合更为明显。在伤害性刺激发生后，体动组的前额、额叶通道间的相位振幅耦合连接减弱，而无体动组前额、额叶通道间的相位振幅耦合基本保留。前额、额叶通道之间的耦合以及额叶、顶叶之间的耦合也许可以反映患者对伤害性刺激的反应能力。

(4)构建模型数据集

将所采集的26名受试者的临床数据根据体动与否，划分为2个子数据集，即无体动组和体动组。伤害刺激反应性监测问题可以转化为2个二分类问题，一个是判别当前状态是否为对伤害刺激反应；另外一个是预测当前状态下如果给予伤害刺激是否会发生反应。对于伤害刺激反应性判别问题，将无体动组伤害刺激前后所有数据段的数据标签标注为0，而体动组伤害刺激发生前的数据标注为0，发生后的数据标注为1；对于伤害刺激反应预测问题，将使用40mA强直电刺激的患者在伤害刺激发生前的数据进行标注，将无体动组伤害刺激发生前的数据标注为0，而体动组伤害刺激发生前的数据标注为1。

在数据打上标签后，计算多通道脑电的通道内和通道间相位振幅耦合特征MI。采用滑动30s时间窗的方式计算特征值，滑动步长为1s。

截取伤害刺激前后各1min内的脑电数据进行特征的计算，当滑动窗口超出截取的时间窗口时停止滑动，特征值继承计算所采用的数据段的标签。

(5)伤害刺激反应性判别和预测模型

针对术中伤害刺激反应性的监测问题，本发明利用随机森林算法将相位振幅耦合特征结合，构建一个对伤害刺激反应性评估的模型。该模型主要的任务有两个：1.判别伤害性刺激后是否发生应激反应；2.对伤害刺激前的数据进行分类，预估40mA强直电刺激后是否会发生体动。

对于模型的评估，采用准确率、F1度量、ROC曲线下面积(AUC)以及PK预测概率，最终评估结果均为10折交叉验证后评估结果的平均。其中PK预测概率在机器学习算法中并不常用，是麻醉领域中较为常用的评估指标的方法，在一般情况下，麻醉深度与麻醉深度指标之间呈现单调非递减的数学关系，所以PK预测概率比较适合应用于麻醉深度的监测。PK＝1说明能够完全反映标签的变化情况，PK＝0.5表示结果对标签近乎随机猜测。PK<0.5时，说明结果与标签变化相反，此时，用1-PK作为评估的PK预测概率。PK值的计算可以统计软件SPSS先计算Kim等提出的d

图9和图10分别展示伤害刺激反应性判别任务和伤害刺激反应性预测任务在10折交叉验证中的ROC曲线。表1和表2展示了各评估指标评估的模型结果。

表1伤害刺激反应的判别模型的评价

表2伤害刺激反应的预测模型的评价

上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。