脑电分析技术在临床麻醉中的应用

首都医科大学附属北京天坛医院麻醉科 100070

北京市医院管理局扬帆计划（ZYLX201708）

【综述】

脑电图（electroencephalogram, EEG）是一种无创脑部活动测量技术，通过在头皮处安放电极，描记脑神经细胞活动所产生的生物电活动，能够一定程度反映脑的功能状态。它将脑神经生理学与觉醒状态的改变联系起来 。

由于脑电原始数据复杂抽象，人们从中归纳出多种量化指标，目前已广泛应用于患者的术中麻醉深度监测。量化指标以损失部分监测信息为代价，提升了脑电监测的易用性。目前，临床常见的基于EEG的麻醉深度评估量化指标包括：95%频谱边缘频率、BIS、患者状态指数、熵指数等。95%频谱边缘频率能够反映脑电信号的功率分布，是一种便于理解但较为粗略的麻醉状态监测指标。BIS和患者状态指数均通过专用算法从EEG信号提取特征，以0~100的数值综合评估麻醉状态，数值越小，代表麻醉程度越深。但BIS监测效果易受麻醉方式和患者年龄的影响 ，甚至出现与临床表现矛盾的监测数据 ，临床价值需要大规模临床试验加以验证 。熵指数涵盖了一类采用非线性脑动力学分析方法，不依赖EEG信号的绝对频率和幅度特征，而是刻画大脑活动的规律性与复杂程度。近似熵通过0~1的数值描述EEG时域信号的规律性，与麻醉药浓度相关性较强。频谱熵是一种基于频率分析的熵值计算方法，被广泛应用于临床研究，具有减少麻醉药用量、缩短全身麻醉恢复时间的优势，但对意识状态的分类不够准确 。

近年来，由于脑电量化指标的局限性，基于原始EEG的临床麻醉监测研究进展迅速。近期大量文献探讨了EEG数据的分析方法，寻找更准确、更全面、更方便快捷的脑电活动评价方法是人们努力的方向。本文重点综述了临床麻醉中的原始EEG分析技术及其对麻醉深度监测的意义。

EEG是一种时间序列信号，具有变化快、幅度小、易受干扰、个体差异大的特点。原始EEG记录了脑细胞群的自发性、节律性电活动，包含大量的脑电神经生理学信息。为了避免EEG量化指标的局限性，目前临床麻醉的相关研究中主要采用时域、频域分析手段，着眼于麻醉药物作用下的原始EEG，从不同药物机制方面去理解并阐述，以期望进一步了解患者的麻醉状态。

1.1　时域分析

时域分析是从脑电时域波形中直接提取有用的波形特征，属于最早使用的EEG分析方法，至今仍被广泛应用。该方法通过EEG电压信号随时间的变化情况，从频率、波幅、波形、时相和位相关系、异常波出现方式、分布广度及对各种刺激的反应性等方面进行观察，能够综合考虑EEG信号中包含的全部信息。在麻醉诱导过程中，EEG通常随着麻醉深度的增加逐渐向高振幅和低频率的活动转变。但EEG波形复杂度较高，需要研究人员掌握专业的临床神经电生理知识，并具备EEG判读经验。Bombardieri等 研究了71位接受35 h EEG培训的医师识别全身麻醉所产生典型EEG波形的能力，结果表明，对于事先未接触过脑电分析的医师，简短的培训即可识别不同麻醉深度的EEG波形特征。

1.2　频域分析

通过快速傅里叶变换可将脑电位的时间函数转变为频率函数，以功率谱的形式表现，频域分析描述了EEG信号能量随频率的变化，即信号在频域的能量分布情况，是一项重要的脑电频域分析指标。在临床研究中，通常将EEG划分为δ、θ、α、β、γ五种频率范围，各频率在不同意识状态下呈现出不同的特征。Purdon等 研究了年龄对麻醉期间脑电状态的影响，分析了155例接受丙泊酚或七氟醚麻醉患者的EEG，对比不同年龄患者的脑电功率信息，结果表明，在稳定麻醉维持期间，脑电功率随年龄的增长显著下降，且α频段功率下降幅度大于慢波。这与典型衰老过程中发生的已知神经生物学和神经解剖学变化一致。同时，相比于对患者年龄敏感的量化指标，图谱分析能够观察到不同年龄的脑电变化特征，提升了临床应用的可靠性。

1.3　时频分析

时频分析提供了时域和频域的联合分布信息，能够清晰描述信号频率成分随时间的变化情况。短时傅里叶变换和小波变换能够从脑电时域信号中计算时频图，常用密度谱阵列的形式展示。时频图具有极高的时间分辨率，能够及时提示脑电信号的爆发抑制，对患者预后有一定的提示意义 。有学者认为，由于麻醉药物的脑电特征存在差异，使用统一的量化指标监测麻醉深度并不合理 。研究人员推荐使用时频特征监测术中麻醉状态，通过分析其变化趋势，更稳定地评估患者的麻醉状态。当前研究已运用脑电时频分析技术，总结了丙泊酚、右美托咪定、氯胺酮和吸入麻醉药的脑电特征 。

人脑是一个典型的复杂网络系统，具备较强的非线性特性。上述时频分析方法假设其为线性系统，虽然简化了分析过程，直观展示了信号的能量分布特征，但难免引入分析误差。因此，单纯使用上述分析手段仍不能全面了解大脑活动状态，无法满足人们对麻醉状态下意识消失与恢复的探索。

大多数麻醉深度监护仪都依赖于EEG的时间特性，无法提供空间或连通性信息。而麻醉状态的产生不是单一药物引起、单一脑区的电活动改变。大脑的功能连接变化是全身麻醉机制的重要组成部分。其中，各个脑区之间的同步现象是不同脑区信息交流的关键特征，可以通过信号间的相干性和相位同步关系进行描述。

2.1　相干性

信号间的相干性与频率有关，可用于描述信号在不同频率下的同步关系，即两脑区间的线性相关关系。相干性一般用于静息态EEG的功能连接分析，通常在时间和频率维度扩展为相干图。在时间和频率确定时，相干系数取值在0~1，数值越大表明信号间的线性相关程度越高。为了研究氯胺酮麻醉与额顶网络连接中断的关系，Akeju等 回顾了12例接受氯胺酮诱导全身麻醉患者的术中EEG，通过相干性和功率谱分析方法提取了EEG动力学特征，研究结果表明，在γ爆发和β/γ稳定期间，导联Fp1‑F7和Fp2‑F8的相干性显著增强。研究人员提示，相干的γ振荡很可能与氯胺酮诱导的意识丧失机制有关。

但该方法存在一定的局限性，仅能评估信号间的线性相关关系，而无法反映非线性相关关系。同时，相干系数容易受到信号功率和波幅大小的影响以及容积传导效应的干扰。

2.2　相位同步

相位同步是指两个相互耦合的神经振荡活动的相位同步化，即两神经振荡活动的相位差固定，不随时间的变化而变化。运用数字信号处理技术将原始EEG信号经过带通滤波器和希尔伯特变换后可求解不同导联间的相位差，并观察相位同步情况。基于相位同步的指标，理论上与两个神经振荡活动的幅度无关，仅受相位的影响。

基于相位同步，目前存在多种评估脑电功能连接的指标，其中相位锁值和相位延迟指数均能衡量两电极信号在某频率的相位差聚集程度。该指数取值在0~1，数值越大，表明相位同步程度越强。近期，为了探究全身麻醉期间的大脑皮质功能连通性，Vlisides等 收集了53例外科手术患者的脑电数据，并使用加权相位滞后指数评估其术中功能连通性；结果表明，与预充氧基线相比，麻醉维持过程和围手术期α频段的额叶‑顶叶连接差异无统计学意义，而α频段的前额叶‑额叶连接、θ频段的前额叶‑额叶连接以及θ频段的额叶‑顶叶连接显著增强；该研究还发现，功能连接模式在全身麻醉过程中会动态变化，提示单纯分析一组导联间的功能连接程度并不能作为麻醉监测的可靠度量。

相位滞后熵（phase lag entropy, PLE）是一种基于EEG的镇静深度指示器，可计算相位关系在时间模式中的多样性。PLE与经典相位延迟指数的关键区别在于，前者提取了跨越几十毫秒相位关系的时间模式，而后者只计算了相位的平均锁定，没有进行模式处理。利用这一信息，PLE能够检测神经通信中使用当前相位同步方法无法观察到的时间变化。具体来说，PLE量化了两个信号之间相位关系时间模式的多样性。研究发现，额叶导联间相位关系的动态水平可由PLE表示，在丙泊酚麻醉过程中持续减少 。PLE显示出与意识水平的高度一致性。该研究利用多通道脑电相位关系的动态变化，成功评估了患者的不同意识状态水平。在丙泊酚诱导的无意识状态下，被试脑功能连接模式缺乏多样性，也支持了近期关于意识的理论和实验。

随着人工智能技术的飞速发展，机器学习方法能够自主提取数据特征，完成复杂信息的分类任务。目前，基于机器学习的麻醉深度评估研究已成为新的热点，大量研究报道了机器学习在脑电分析和麻醉深度监测中的应用。

3.1　逻辑回归

逻辑回归是一种常用的线性分类器，算力需求较低，但对复杂问题的分类精度有限。有研究纳入了102例接受丙泊酚、七氟醚、右美托咪定麻醉的健康志愿者脑电数据，并使用改良警觉/镇静评分描述被试的镇静水平，以研究不依赖麻醉药物的脑电意识状态监测方法 。研究人员从原始EEG中提取出44种基础特征，并运用逻辑回归算法进行分析。试验结果表明，与药物种类无关的逻辑回归模型能够实现镇静水平的估计。将大量EEG特征和机器学习算法结合的方法可以有效解决术中镇静深度的监测问题。

3.2　朴素贝叶斯模型

朴素贝叶斯模型源于贝叶斯定理和特征条件独立假设，算法易于实现，在小数据集中的表现较好。有研究发现，在多导通道脑电数据中，使用F8导联处的信号区分清醒状态和麻醉状态的准确率最高 。由此提示F8是麻醉状态监测的最佳通道，这与早期多项EEG图谱研究的结论一致。研究人员发现，高斯朴素贝叶斯算法仅根据F8导联的5种EEG特征即可区分患者清醒和麻醉状态。

3.3　支持向量机（support vector machine, SVM）

SVM通过将特征向量映射到更高维空间构建最大间隔超平面进行分类。有研究从60通道的脑电数据中提取了110种特征，使用SVM进行意识状态分析 。研究发现，用于描述长期稳定意识状态的脑电特征在患者意识逐渐消失的过程中难以准确区分意识状态。针对意识波动过程的脑电信号，研究者发现θ频带的功率和功能连接关系是更好的分类指标，能够准确识别患者的意识状态。

有研究提出了一种基于额叶EEG的意识评估方法，先从原始EEG中提取置换熵、样本熵、置换Lempel‑Ziv复杂性、去趋势波动分析、相对功率等特征，再使用基于遗传算法的支持向量机（genetic algorithm‑based support vector machine, GA‑SVM）对意识状态进行分类 。研究结果表明，与单一的EEG特征相比，GA‑SVM结合多种EEG特征可以更准确地评估患者的意识状态。

3.4　决策树模型

决策树是从训练数据中归纳出的一组分类规则，通过信息论指导特征筛选，最终形成具有一定泛化能力的分类器模型。为避免麻醉深度监测易受患者年龄和麻醉药物影响的问题，有研究提出了一种基于精细决策树分类器的麻醉状态识别方法 。该方法只需从原始EEG中提取频谱边缘频率、各频带功率和β比率即可实现患者意识状态的四分类（清醒、轻度麻醉、中度麻醉、深度麻醉）。研究人员回顾了75例不同类型麻醉下行择期手术的患者，使用原始EEG数据检验算法效果，结果显示，在现场可编程门阵列中执行上述决策树算法能够满足延迟1 s的实时麻醉深度监测，平均精度可达92.2%。

3.5　深度神经网络

深度神经网络是一类具有隐藏层的复杂神经网络结构，具有出色的特征提取能力，能够拟合复杂的非线性关系，但其模型缺乏可解释性 ，对训练数据和算力的需求较高。有研究使用长短期记忆网络和前馈神经网络组成深度学习模型，用来预测丙泊酚和瑞芬太尼靶控输注期间的BIS值，结果表明，与传统模型相比，深度神经网络的预测结果更准确 。

近期，有研究使用深度学习方法设计了实时EEG麻醉深度监测系统，该深度神经网络包含4个卷积层和2个全连接层，由374例患者的术中麻醉状态EEG进行训练和测试，最终能够准确预测患者的麻醉深度 。搭载该系统的树莓派3（Raspberry Pi 3）能够在20 ms内估计被试的镇静状态，比使用传统信号分析方法的BIS监测快1 000倍。

3.6　聚类分析

聚类分析是一种无监督分类方法，根据样本的特征进行探索性分类，适合搜索样本间的隐藏模式 。在EEG图谱分析和功能连接分析后，聚类算法常用于提取宏观脑状态的变化情况。Li等 分析了30例健康志愿者的EEG数据，志愿者接受年龄调整的1.3 MAC丙泊酚麻醉，之后进行3 h的异氟醚麻醉；研究过程中使用传统EEG相位关系指标加权相位滞后指数评估功能连通性，之后通过k‑均值聚类分析将其分为离散状态集，通过每个状态的发生率、持续时间以及状态之间的转移概率评估脑电功能连接的时间动态信息；结果表明，在异氟醚麻醉期间，没有任何有害刺激的前提下，大脑功能连接在8种状态间不断转换；提示麻醉诱导过程的功能连接改变是动态的。同时，Vlisides等 也采用聚类分析技术观察了手术患者全身麻醉状态下的脑电特征，相比于单一的功能连接状态，随时间变化的连接关系能提供更多信息，可能是麻醉深度的有效监测指标。

近年来，精准医疗已经逐渐引入麻醉学领域，保证全身麻醉具有合适的深度成为麻醉工作者的关键任务。为此，术中麻醉深度的精准评估成为广大医学工作者研究的热点问题。近期，针对术中麻醉深度监测问题，研究人员提出了大量EEG数据处理方法，已能够从多种角度提取和分析EEG特征。

目前，EEG在临床麻醉中的实践日近完善。在临床实践中，麻醉深度监测的主要手段还是生命体征评估，EEG使用的主流选择依旧是量化指标。我们建议在临床实践中更加重视对原始EEG数据进行分析，通过EEG图谱分析、功能连接分析、人工智能分析等方法从大量原始数据中寻找规律，探索术中麻醉深度的精准监测方案。