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(biāo)。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(biāo)[4-5]。目前非線性動力學(xué)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(fù)雜性進(jìn)行度量的分析方法,，它不需要對時間序列粗粒化,，僅需很短的數(shù)據(jù)即可達(dá)到穩(wěn)定的值,。與其他復(fù)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(fù)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(jìn)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(jìn)行歸一化：     
  
    TBSE作為一種可描述系統(tǒng)復(fù)雜性的參數(shù),，它具有一些相對其他復(fù)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?；?br/> 　(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(rèn)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(dǎo)EEG數(shù)據(jù),。
2.2 信號預(yù)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(xué)噪聲,，以及電極或環(huán)境噪聲等非生理學(xué)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(jìn)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(dāng)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(jìn)行去噪算法選擇。腦電信號預(yù)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(jìn)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(yù)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(biāo)記為含噪段,，然后進(jìn)行后續(xù)的各種偽差檢測和去除步驟；無明顯不同,，則標(biāo)記為無噪段,，無需經(jīng)過后續(xù)步驟，直接可以進(jìn)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(rèn)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&plusmn;2 Hz上的功率占整段信號總功率之比進(jìn)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(yù),，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(jìn)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(jìn)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(biāo)志信息,。根據(jù)這一特點，設(shè)定一閾值,，當(dāng)肌電熵大于閾值時,，病人處于清醒狀態(tài)；當(dāng)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(yù)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(jìn)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(jìn)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(jìn)行時頻均衡譜熵分析，將分析結(jié)果作直方圖統(tǒng)計進(jìn)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?？梢?，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)熵的值越小,；麻醉深度越淺,，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(biāo)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(jìn)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(dá)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(jìn)一步的深入研究,。
參考文獻(xiàn)
[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.