eeg熵算法及麻醉状态监测应用研究ch7x0p.docVIP

EEG熵算法及麻醉状态监测应用研究EEG熵算法及麻醉状态监测应用研究从20世纪40年代开始，人们就开始研究麻醉药物对大脑的影响；然而到目前为止，全身麻醉过程中的麻醉深度估计及麻醉与意识的关系仍是未完全解决的问题。现有的大多数商业麻醉深度监护仪以线性系统理论为基础，在脑电信号的特征提取方面存在着很大的局限性，在临床应用中存在着误报、指标延时及指标不明确等问题。而且国外监护仪价格昂贵，无法在我国普通医院普及。因此，研究具有自主知识产权的麻醉深度监护仪既有理论价值又有实际意义。本文针对以上问题，深入分析麻醉中的脑电信号，对比评估了现有麻醉深度算法优缺点，并提出了具有一种自主知识产权的EEG熵麻醉深度监护方法，进一步基于多参数指标，设计了一款麻醉深度监护仪。首先，本文结合已有的研究和文献分析了麻醉对大脑的作用机理，对比分析了现有麻醉深度监护仪的优缺点。对不同麻醉药的作用以及大脑意识产生和工作的机理做了详细讨论。详细分析了现有的麻醉深度监护产品的设计原理、麻醉深度指标的设计思路、算法流程、优化方式等。重点对各监护仪指标的算法复杂度、反应时间、抗噪等方面进行了对比。其次，针对麻醉深度估计，提出了三种非线性指标估计方法：排序熵、Hurst指数、小波稀疏度测量，其中，排序熵方法通过奇异值检测优化后与BIS具有很高的指标相关性；Hurst指数通过基于小波的多尺度分析算法进行了优化。药效药代动力学模型和预测概率评估表明，三种指标均具有很高的药物效应浓度预测能力。本文从算法的复杂度考虑，确定将排序熵作为麻醉深度的主参数。然后，在全麻的意识评估方面，提出了采用双通道信息耦合强度来评估大脑意识状态的方法。分析比较显示，基于排序模式的互信息方法具有更好的抗噪和刻画信息耦合的能力。随着麻醉加深，排序互信息减少，验证了随麻醉加深，脑区耦合降低的假设。同时，本文利用排序自互信息刻画单通道脑电信号的自耦合特性，表明随麻醉加深，脑电的自耦合强度减弱。基于排序互信息的耦合特性评估能够很好的区分脑电的不同状态，对于评估麻醉中的意识状态具有重要作用。接着，针对全麻中可能出现的两种特殊脑电状态(爆发抑制和癫痫样波)，提出了具体的判断方法和计算指标。针对爆发抑制状态的判断，提出了基于递归率RR的检测算法。统计分析表明，递归率RR方法具有更快的计算速度和更准确的爆发抑制判断能力。针对癫痫样波，通过神经元群模型仿真的癫痫波数据，对比分析了熵模块中采用的小波熵算法、本系统中采用的排序熵主算法以及递归图中的确定性测度DET指标。统计表明，DET指标具有更好的癫痫样波检测能力。因此，本文设计的麻醉深度监护仪将RR和DET作为两个重要的阈值判断指标参数集成在系统中。最后，基于以上研究，以高性能的DSP为主处理器设计了一款具有判断麻醉中意识状态功能的双通道麻醉深度监护仪。监护仪的主机和从机之间采用无线通信方式，分离式的设计和电池供电保证了临床应用的安全性和可靠性，并避免了电源工频干扰。监护仪前端采用数字滤波技术，相对于常规的模拟滤波具有更高的稳定性。在系统算法融合上采用BP神经网络作为多参数指标的优化方法，保证了麻醉深度估计指标的可靠性。 摘要4-6Abstract6-11第1章 绪论11-21 1.1 麻醉深度监测的意义11-12 1.2 脑电信号的非线性12-13 1.3 脑电分析研究现状13-18 1. 3.1 基于线性理论的分析方法14-15 1. 3.2 基于非线性理论的分析方法15-18 1.4 麻醉中的脑电分析研究现状18-19 1.5 论文的主要研究内容19-21第2章 麻醉药对脑电影响及现有的监护系统分析21-37 2.1 引言21 2.2 意识与麻醉21-23 2. 2.1 麻醉药的脑作用机制分析21-23 2. 2.2 意识合成和全麻机理23 2.3 麻醉深度监护的影响因素23-25 2.4 商业化的监护仪25-33 2. 4.1 BIS监护仪25-27 2. 4.2 Narcotrend监护仪27-28 2. 4.3 AEP-Monitor/228-29 2. 4.4 PSA4000监护仪29-30 2. 4.5 IoC监护仪30-31 2. 4.6 脑状态监测(Cerebral State Monitor, CSM)31-32 2. 4.7 熵模块(Entropy-Module)32-33 2.5 麻醉深度监护仪之间的技术性能比较33-36 2. 5.1 麻醉深度指标特征比较33-35 2. 5.2 麻醉深度指标计算的算法比较35 2. 5.3 麻醉深度监护仪的反应时间35-36 2. 5.4 不同麻醉深度监护仪的优缺点36 2.6 本章小结36-37第3章 麻醉状态下脑电非线性特