熵在麻醉深度监测中的应用（仅供参考）.doc

窗体顶端 熵在麻醉深度监测中的应用摘要:麻醉深度监测是全身麻醉中的重要组成部分,其发展阶段经历了边缘频率分析、双频谱分析(BIS)、听觉诱发电位(AEP)、熵等.熵最初是在热动力学中提出的,用来描述微观粒子无序性或混乱性的程度,而大脑的电活动也是一种混沌状态,具有无序性和不可预测性的特点,将熵用于脑电信号分析,能准确、可靠的反映麻醉深度.关键词:熵 麻醉深度监测麻醉界的先驱者在发明全麻的同时,也开始了麻醉深度监测的研究.以往的麻醉工作者主要通过血压、心率、瞳孔对光反射等间接的反映麻醉深度变化.随着脑电分析技术的发展和微机的应用,双频指数、听觉诱发电位、熵等成为评定麻醉深度的主要指标,其中熵在现今麻醉深度监测领域倍受关注.熵概念的发展1.1热力学熵热力学第一定律所描述的是理想状态下孤立系统的能量守恒定律.然而这种理想状态在现实中是不存在的,能量转化过程中都不可避免的将有能量损失.为了解决这一问题,开尔文和克劳修斯提出了热力学第二定律,并将熵作为不可用能的量度,熵愈大,不可用能愈大.不可用能是由构成宏观状态的微观粒子间相互碰撞产生的,微观粒子相互间碰撞的概率越大,产生的不可用能就越大,即熵越大,因此,Boltzmann将熵与系统的微观状态联系起来,他认为在一定的宏观状态下,熵是微观粒子无序性或混乱性的量度.1.2 信息熵宏观系统是由多种微观系统组成的,微观系统组成宏观系统的方式有多种可能性.可供选择的可能性越多,系统状态的不确定性越大,而系统状态的不确定性与系统所包含的信息量有关,信息量越大不确定性越小.1948年,C.E.Shannon把Boltzmann关于熵的概念引入信息论中,用熵来量度事件的不确定性.1.3 脑电动力熵 【1】 JW Sleigh等【1】认为用熵分析时需考虑以下几点:⑴熵描述的是一概率,所要分析的系统必须有足够数量相互作用的子系统组成,才能进行统计分析;⑵熵是一个描述微观状态精确分布的数学表达式;⑶存在类似温度等促使粒子间相互作用的物理和化学过程.脑电图电极所监测的神经元数目大约106个,每个神经元都有一定电位,并可向邻近神经元进行电能传递.与热动力学中温度降低类似,全麻药通过降低神经元之间的兴奋-抑制相对平衡来降低大脑皮质活性,因此熵可以用来分析大脑皮质电活动.2 麻醉深度监测的发展史全麻过程中麻醉药是通过大脑神经系统发挥作用,然而过去只能凭借心血管和呼吸系统参数进行麻醉深度评估,近年来脑电图在监测麻醉过程中药效和镇静深度中的作用引起人们的广泛关注.研究者们试图将复杂的脑电信号浓缩为一个简单的参数,以便进行直观的分析.Schwilden H【2】和Schwender D【3】等曾用边缘频率和中频对脑电图的功率谱进行分析,但这些参数受伪迹干扰较大,且难以解释某些药物的浓度-效应关系,所以在临床上未得到广泛应用.通过傅立叶变换把一定时相内不规则的原始脑电图信号进行定量分析,演变出的数字化脑电参数称为脑电双频指数(BIS), 它包括了频率、振幅、位相三种特性的脑电图定量分析指标,对脑电图的线性部分(频率和比率)和非线性部分(位相和谐波)进行分析,能够灵敏的反映麻醉深度.随着麻醉深度监测技术的发展,听觉诱发电位(AEP)成为人们研究的热点【4】.因为麻醉过程中听觉是最先丧失的感觉器官,也是麻醉恢复过程中第一个功能恢复的感官知觉,通过声音刺激测得的脑部AEP,敏感性较BIS高.AEP包括三个部分:脑干听觉诱发电位(BAEP)、中潜伏期听觉诱发电位(MLAEP)和长潜伏期听觉诱发电位(LLAEP),MLAEP主要用于麻醉深度监测.然而脑电信号起源于一个高度的非线性系统,是由大量神经元电信号耦合而成的高度非线性的复合体,具有确定的混沌特性.非线性分析方法更适于研究认知过程中大脑功能活动的变化规律并准确地描述EEG信号中所包含的复杂信息.因此,国内外学者引用非线性熵【1】分析处理复杂的脑电信号,现常用的有近似熵和频谱熵.2.1 近似熵(Approximate Entropy , ApEn) 近似熵是由Pincus 在1991年提出的一种度量序列的复杂性和统计量化的规则【5】,ApEn是对脑电图的时域特征进行分析, 用一种有效的统计方式——边缘概率的分布来区分各种过程,凭借已获得的脑电图来预测未来脑电图变化情况.2.1.1 ApEn的计算法则【6】:下面结合算法步骤来说明近似熵的定义.其中,参数m是比较序列的长度, 即窗口长度, r 是一个有效的阈值.(1) 设原始数据为u ( 1) , u ( 2) , , u ( N )共N 个点.(2) 按序号连续顺序组成一组m 维矢量: 从X(1) 到X ( N - m + 1) , 其中:X ( i) = [ u ( i) ,