基于脑电图信号分析的麻醉深度监测的研究进展

【关键词】  麻醉深度

    【摘要】  麻醉深度监测是外科手术中必不可少的工作。脑电图作为检测大脑皮层活动的最主要信号，在目前麻醉深度监测研究中处于主导地位。本文基于脑电图信号分析的各类麻醉深度检测方法的研究进展予以综述,供进一步临床研究借鉴和。

　　【关键词】  麻醉深度；监测；脑电图；分析
   
　　【Abstract】  The monitoring of anesthetic depth is an absolutely necessary procedure in the process of surgical operation. Electroencephalogram(EEG),as a principal signal in detecting brain activities, assumes a dominant position in the current research for the anesthetic depth monitoring. The processes of anesthetic depth monitoring based on EEG analysis are introduced here in detail and thus they can be reference to the further development.

　　【Key words】  depth of anesthesia; monitoring; electroencephalogram; analysis

    麻醉在外科手术中的作用极为重要，合理的麻醉可以在患者无痛觉的情况下进行手术，使患者免受痛苦，同时方便医生正常工作。但如果麻醉不当，不但不能消除患者的痛苦，还会带来一系列其他的问题。麻醉过深，有损患者的健康，并可能留下神经后遗症甚至危及生命；麻醉过浅，则不能抑制伤害性刺激，使病人疼痛不适或本能体动导致手术难以进行或出现意外，还可能引起术中知晓，造成病人有手术中记忆，从而可能引起严重的精神或睡眠障碍。

　　随着新的肌松药和镇痛剂等药物的联合应用，全身麻醉的麻醉深度、意识状态常被掩盖或难以识别，判断并控制合适的麻醉深度已成为临床迫切需要解决的问题。麻醉深度的监测有利于控制麻醉剂量，可利用最少的麻醉药物达到最佳的麻醉效果，缩短复苏过程，且能避免术中知晓导致的病人心理和行为伤害及医疗纠纷等种种不良后果；还可减少全麻病人出现的各种危险情况。

　　脑电图信号是大脑皮层神经细胞群突触电位变化的综合反映，有反映意识活动的优势及无创性特点，是目前检测麻醉深度中最有潜力的方法之一，已取得较好的研究成果。基于脑电信号展开的麻醉深度监测方法主要包括：双频指数、麻醉趋势、人工神经方法、复杂度和小波分析法、脑电非线性分析等，现将近年来的研究进展阐述如下。

　　1  基于脑电图信号分析的麻醉深度监测方法

　　1.1  双频指数(bispectral index，BIS)   双频指数是包含了时域、频域和高阶谱变量（双谱分析）三种特性的脑电图(EEG)定量分析指标，其通过一个特定的非线性算法（Aspect Medical Systems，Natick，USA），将四个不同的EEG参数，即突发抑制率（burst suppression ratio，BSR）、“QUAZI”、β比率(beta ratio)和快慢波的相对同步性（synch fast slow），综合成一个100-0的无量纲数字［1］，用于表示大脑的抑制程度。1997年被FDA批准作为监测麻醉深度和镇静水平的指标，进入临床应用和研究阶段。由于双频谱指数包括了位相信息在内的高阶信息，使得双频谱指数分析在脑电图信号分析中有了重要价值，因而BIS是目前脑电监测麻醉镇静程度的一种常用方法，迄今为止已有大量有关应用BIS进行麻醉深度评估的报道［2～4］。经研究证实，BIS可用于评价麻醉药镇静程度［5，6］和伤害性刺激。随着麻醉或镇静水平的加深，BIS数值减少。BIS的特异性、敏感性和准确性较好，而且变异性很小。Sebel等发现，经BIS监测的患者比其他常规监测患者在ICU中停留时间短。BIS监测在诱导和维持阶段根据意识丧失值（大约60左右），调整麻醉药物诱导量和维持量，减少因不明确麻醉状态水平而导致的药物使用不当的发生率，同时也减少了可能伴发的一些不利作用，提高了患者术中安全性，为指导麻醉药追加使用和患者早期恢复提供了一种有效的预测评估手段。Glass等［3，7］研究也证实，一种基于BIS的连续实时麻醉深度监测方法，能够优化每个病人的麻醉药物应用，从而减少麻醉药剂量可能不足和过量的情况。但是，BIS作为麻醉深度监测技术有其明显的局限性，许多因素都会对BIS产生影响。Detsch等研究［8～10］发现，BIS的脑电监护效果明显依赖于麻醉药的使用，如BIS与七氟醚的吸入浓度相关性良好，与异氟醚吸入浓度则无相关性，而且，N2O和氙气的麻醉对BIS值无影响。Ortolani等［11］研究则发现，BIS具有人种差异。

　　1.2  麻醉趋势（narcotrend，NT）  NT是一种新的用于测量麻醉深度的EEG方法，利用Kugler多参数统计和微机处理，将脑电信号形成6个阶段14个级别的量化指标，即A、B0～2 、C0～2 、D0～2、E0～1 、F0～1，并同时显示α、β、γ、δ波的功率谱变化情况和趋势。阶段A表示清醒状态；B是镇静状态(0级、1级、2级)；C是浅麻醉状态(0级、1级、2级)；D是常规普通麻醉状态(0级、1级、2级)；E是深度麻醉状态(0级、1级、2级)；F阶段(0级、1级)是脑电活动的消失。Kreuer等［12］研究证实麻醉趋势分级法确实能检测到出现地氟醚麻醉意外时地氟醚浓度减小，同时还能对麻醉深度做典型分级，而且还发现麻醉趋势分析与双谱分析在麻醉深度监护中有相似的效果［12］。Schultz等［13］对Narcotrend进行的可行性研究发现，Narcotrend对麻醉深度和镇静水平的判断，预测概率PK是0.90，相关系数γ为0.90。Wilhelin等［14］通过对临床4630个静脉麻醉药物监测病例证明，Narcotrend是一可信性较高的新型麻醉深度监测方法。

　　1.3  人工神经网络(artificial neural networks，ANN)方法  人工神经网络监测麻醉深度是近年来起来的脑电分析技术，它是继BIS后又一种从所有脑电功率谱数据中提炼出单变量的方法。通常把EEG的4个特征波形α、β、γ、δ的平均功率作为EEG的谱特征参数，再加上血流动力学参数如血压、心率以及MAC表示的麻醉药物剂量等数据，利用AR模型、聚类分析和Bayes估计理论，最终形成一个代表麻醉深度的绝对数值。已有大量研究表明神经网络确实能成功地将EEG数据按镇静水平进行分级［15，16］。Ortolani［17］等对200名患者进行了试验，其中150名患者的数据用于训练ANN，另50名患者的数据用于测试ANN和进行统计分析。其从EEG中提取14个变量，将BIS以外的13个变量作为ANN训练的输入值，输出靶值为同时由麻醉专家确定的麻醉深度指数。仪器（Aspect A-1000）对每个记录数据给出信号品质指数（signal quality index，SQI），并将SQI＜50%的记录数据从训练数据库中去除。ANN性能分析选择多层感知网络（MLP），采用标准反向传播（BP）算法进行网络训练。先用Neural SIM软件优化网络，然后开始ANN训练。当均值绝对误差＜4及均方根值误差＜5时，停止训练。生成的神经网络评价深度（network evaluated depth，NED）在0～100范围。在训练中，ANN出目标输出和相应预计NED的相关系数，其显示出ANN训练成功。为了评价线性相关性，对预处理过的EEG变量和BIS进行多重回归分析。对测试组中的BIS和NED数据计算出Pearson相关系数。然后将数据按照Bland和Altman方法，做出各方法的平均值与其偏差之间的关系图谱，用以评价这两者间的一致性。结果显示，经多重回归分析计算出的NED与BIS的Pearson相关系数为0.9411，由Bland和Altman方法计算出的偏差为-0.199，一致性极值为-10.19（低限）和9.79（高限），说明偏差极小和一致性良好。此项实验研究表明，神经网络通过分析预处理过的EEG数据，可提供麻醉深度指数。Robert等［18］也比较了神经网络与BIS作为EEG分析方法对麻醉深度监护的效果，结果同样表明，神经网络通过分析处理过的EEG数据产生的麻醉指数和BIS相关性良好，而且神经网络还能处理缺少相位信息的EEG数据来评估麻醉深度。

　　1.4  复杂度和小波分析法（complexity and wavelet analysis）  复杂度是近几年出现的一种非线性动力学分析方法，由于脑电是一种非平稳信号，所以复杂度分析是刻画EEG信号动力学特性的有效方法。Chen等［19］采用Lempel-Ziv复杂度算法C（n）［20］，经过研究分析发现，EEG序列的复杂度与麻醉深度之间有着密切的关系。在不同的麻醉深度下，复杂度都有较灵敏的变化。麻醉深度越浅，复杂度的值越大；麻醉深度越深，复杂度的值越小。由于复杂度算法简单易实现，运算速度快，所以该参数为临床麻醉深度的实时监测提供了可能。Zhang和Roy［21］ 用一个联合了小波分析、复杂度分析和神经网络方法的系统来进行麻醉深度的监测。其先用小波变换将原始EEG信号分解成连续不同尺度成分的六段，计算出原始EEG及其相应各段的复杂度，然后将得到的复杂度C（n）应用到一个四层人工神经网络来预测麻醉中的动作。结果显示该系统灵敏度为88％，准确性为92％，特异性达97％，是具有前景的监测方法。

　　1.5  脑电非线性分析（EEG-nonlinear）  利用非线性分析学中的混沌与分形理论等非线性动力学原理和方法来研究和分析围术期患者的脑功能变化状态，已经成为研究的新热点。非线性动力学分析代表了脑电信号分析方法的一种未来发展方向。Shen等［22］采用高阶谱分析技术［23］建立脑电的非线性模型，提取脑电信号的三阶统计量信息。然后建立以微机为核心的脑电双谱分析系统，对临床脑电信号进行非线性分析。Zhang等［24］将非线性动力学中的Kolmogorov熵应用到大鼠脑电麻醉深度监测分析中，计算并分析了大鼠在戊巴比妥钠腹腔注射麻醉过程中脑电信号的Kolmogorov熵动态变化曲线，结果显示，麻醉时Kolmogorov熵动态变化曲线与原始脑电信号所反映的各脑区抑制与兴奋状态的变化趋势有很好的一致性，即Kolmogorov熵可为临床麻醉深度的实时监测提供一个新的方法。Bruhn等［25］应用近似熵进行了一系列研究，结果表明：脑电近似熵能够准确识别爆发抑制的发生；随着麻醉药物(地氟醚、异丙酚等)浓度增加，脑电的规则性也相应增加；与脑电谱分析相比，近似熵对伪迹更加不敏感，个体内或个体间的变异相对较小。Vakkuri等［26］提出了时频均衡谱熵的概念，其临床应用的结果显示：在异丙酚、七氟醚和硫喷妥钠麻醉状态下，状态熵和反应熵可以区分有意识和无意识状态。谱熵通过(额)肌电活动反映镇静程度和疼痛反应，体现了麻醉深度监测中应用多种方法进行综合分析的趋势(如脑电分析结合肌电)，值得进一步关注。脑电非线性动力学分析使我们在系统层次上来认识脑电信号，结合信息论的研究手段，了解其内含的、以前难以为人所知的信息。我们完全有理由相信非线性动力学分析在临床应用上不断拓展的今天，脑电非线性分析将为麻醉过程脑电变化和意识认知功能变化，以及麻醉深度变化等提供更有效的研究手段和更多有意义的信息。

　　2 

　　脑电图信号分析方法应用于麻醉深度监测的研究已取得了一定的成果，但其进展还是让研究者们不尽满意，各种方法在临床上的应用仍然有许多局限性。双谱指数用于麻醉深度监测的研究正日益受到重视，该指标能较灵敏地反映麻醉深度，但由于它存在对不同麻醉药物、不同麻醉方法反映不同的缺点，使之还不能成为一种完善的技术而独立应用于临床麻醉监测。麻醉趋势、人工神经网络、复杂度、小波分析和脑电非线性分析等是近年来发展起来的具有潜力的麻醉监护方法，但还需要大量的研究来进一步证明其在临床应用方面的有效性和可行性。