【神麻人智】脑电图信号时频分析以及灰度共生矩阵特征应用于麻醉深度监测

手术中监测麻醉深度(DoA)很重要，其中无创监测技术尤为瞩目。本文提出了一种新方案用于监测麻醉深度，该方案使用脑电图(EEG)信号时频分析图以及从中提取灰度共生矩阵（GLCM）特征。首先，需要对脑电图的每个通道通过平滑伪-维格讷威利分布(SPWVD)计算其时频图（TFM），本研究使用了15个通道的脑电图信号记录。在此之后，使用灰度共生矩阵(GLCM)来获取TFM中的信息，随后得到GLCM同质性、相关性、能级、对比度四个特征。最后，利用最小冗余最大相关性(MRMR)方法选择有效的特征，利用最近邻算法（KNN）分类器来确定DoA。根据BIS，对脑电图进行状态分类，即深度催眠状态、手术麻醉状态、清醒镇静状态。还采用数据增强技术来强化训练阶段和提高准确性。得到了该方法的精确性和混淆矩阵。还分析了GLCM灰度级、KNN处理器测距和数据增强参数对该方法有效性的影响。结果显示了该方法确定术中DoA的有效性。 

简介 

许多外科手术需要全身麻醉（GA）。全麻病人有以下特征：神志消失、对痛觉刺激反应消失、遗忘和运动不能。麻醉过浅会导致病人意识恢复，因此麻醉医生常会用一些指标监测麻醉深度(DoA)。监测麻醉深度主要是监测进行性中枢神经系统抑制和病人对刺激反应性降低的过程。

对病人来说，最可怕的麻醉并发症是术中知晓。它可能会导致病人术后出现长期心理问题，如创伤后易怒、紧张和焦虑。监测DoA可以预防术中知晓的发生。术中可以通过精确掌握麻醉药剂量防止麻醉过深或过浅，从而提高患者预后，而精确评估DoA可以实现这一目标。

监测DoA有许多方法和设备。这些设备大多是基于临床/常规监测和/或脑电活动，每种监测手段都有其缺点。研究表明，由于中枢神经系统是全麻药物作用的最终靶点，因此脑电图信号更能反映麻醉深度。BIS、听觉诱发电位(AEP)监测、熵以及narcotrend是一些基于脑电图的商用DoA监测设备。但是这些监测手段并不完全准确，且有一些缺点。

最近，几项研究旨在引入新方法来测量DoA。其中一篇文章采用贝叶斯技术来评估DoA，该技术考虑了有限的大样本正态分布，随着麻醉状态的改变，从清醒到轻度、中度和深度麻醉，最大后验概率(MAP)值逐渐增加。利用脑电图信号来区分清醒状态和麻醉状态，是另一篇文章研究者的目的。该研究者从脑电信号中提取11个特征，如：熵、光谱等信号，随后从中提取有效信息。排序熵、样本熵，beta-指数，去趋势波动分析采用基于语言模糊限制的自适应神经模糊推理分类器来获得最佳精确性。而另一篇文章使用EEG Quasi-periodicities来分析DoA变异。为此采用相位整流信号平均法。结果表明，该方法较样本熵和排序熵具有更好的计算效果。

还有一篇文章是从脑电图信号中提取了包括比值、光谱边缘频率和4个频谱能量波段在内的6个特征，然后，用决策树分类器来测定DoA。这篇文章作者将DoA分为四种状态，即深度、中度和轻度麻醉状态与清醒状态。首先，采用赫斯特法对脑电图信号进行降噪处理，然后将所得赫斯特的最大范围作为脑电反应。结果表明，可以用最大的频率谱密度PSD描述不同DoA状态转换。用原子分解术对脑电图信号进行分解。从分解后的亚波段中提取了一些特征，然后用支持向量机SVM分类区分清醒和镇静状态。

还有利用近红外光谱(NIRS)信号记录脑血流动力学变化，以监测DoA。该文章建议测量样本熵来描述脑血流动力学变量的复杂性。还可以使用多模态系统，即同时采用脑电图和NIRS信号来监测DoA。通过EEG+NIRS信号，可以检测到从清醒状态到深麻醉状态的转变，而该转变不能被BIS检测到。

其他还有，次序功率谱密度（O-PSD）用于测量DoA。深度神经网络(DNN）AnesNet可以量化DoA。卷积神经网络(CNN)可以对原始EEG信号进行卷积、池化和全层连接，以确定DoA。短时傅里叶变换(STFT)可获取PSD，CNN根据获取的PSD来确定DoA。采用小波变换进行分析脑电图信号中的DoA。为此目的，提取的特征使用基于小波转换的分类器进行聚类。同时，用特征向量来提取麻醉下中潜伏期听觉诱发的脑电图。

由于脑电图信号在麻醉状态下呈非线性特征，因此本文采用时频分析EEG来监测DoA。采用SPWVD得到一段EEG的时频图(TFM)。为了获得TFM的特征，使用灰度共生矩阵（GLCM）从中提取四个特征；由于这些所提取的特征并不具有丰富信息，因此通过MRMR选取有效特征。最后，运用KNN决定DoA。因此，本研究的重点可总结如下：

(i)采用SPWVD获取脑电图的TFM

(ii)使用GLCM特性来描述时频内容

(iii)利用MRMR算法选择特征来减少分类的复杂性

(iv)采用数据增强功能来增加KNN分类器的通用性

(v)获得该方法的准确性和含混矩阵

(vi)分析不同距离测量的精确性以及不同的灰度级数和增强参数 

数据 

参与实验的为6名女性患者，年龄在26-72岁之间，平均年龄为45.5岁。这些患者均为择期妇科手术患者，其ASA分级为I或II级。在术前记录5分钟的脑电图。然后在病人入手术室后，手术开始前开始记录BIS。记录麻醉维持期和苏醒期的脑电图，麻醉结束前10分钟至清醒记录一长段EEG。表1为6位患者术中记录脑电图的时长。 

根据国际10-20系统，记录了15个通道的脑电信号，同时，记录了BIS作为参考。BIS指数范围为0-100，其中0表示大脑皮质完全抑制，100表示清醒状态。BIS在40~60是适于手术的麻醉深度。

将EEG信号分割成30秒片段，重叠50%。计算每个片段的平均BIS值，标记为：深度催眠(D)、手术麻醉(A)和清醒镇静(S)状态，BIS小于40被标记为D，40到60之间为A，大于60为S。表2记录了6个患者每个标记的片段数。

DoA监测 

该方案流程如图1。如图所示，该方案一般通过预处理、特征提取选择和分类三个步骤来确定DoA。

结果 

表3显示，通道的选择对于精确性影响相当大。通道T7具有最佳平均精确性，为75.54%。通道Fz则具有最低平均精确性，为65.63%。受试者3和5具有最低和最高精确性结果，分别为93.34%和96.92%。这些结果表明了使用该方法分类EEG信号用于监测DoA的有效性。 

表4比较了几种TFM和分类器的性能。使用了SPWVD、WVD和STFT以及KNN，SVM，随机森林法和决策树分类法。SPWVD，KNN配对要优于其他配对方法。对于所有TFMs，KNN提供了最佳精确性，SVM产生较好性能。在TFM中，SPWVD和WVD分别具有最佳和最低精确性。 

表5显示了不同受试者DoA分类的混淆矩阵。 

表6为灰度级数目在计算GLCM时的效应。可以看出，灰度级从4增加到16，精确度逐渐增加；而灰度级从16升至64时，精确度减少。因此，SPWVD得到时频图中提取基于结构的特征，灰度级应采用16。 

表7为KNN分类器中采用不同距离测量时的精确性。其中马氏距离（Mahalanobis distance）具有最高精确性，为95.32%；随后是Chebyshev距离，精确性达到93.26%。标准的欧式距离（Euclidean distance）精确性最低，为90.73%。

图8显示了数据增强中倍数增加和噪声方差对于DoA分类的影响。（a）中可见增强倍数从1至35，精确性增加；而后，精确性随之下降。因此，增强倍数应选择35。（b）噪声方差从0至0.1精确性增加，而后精确性随之下降，因此方差选择0.1。 

结论 

本文介绍了一种无创的监测DoA方法，即基于15个通道的脑电图时频分析。每个通道的TFM均为SPWVD计算所得。GLCM用来描述每个TFM的灰度含量。用MRMR算法去除冗余特征，用KNN对有效特征进行分类以确定DoA。结果显示使用16灰度级和马氏距离的方法所得平均精确性为95.32%，表明了其有效性。数据增强中增强倍数和噪声方差分别为35和0.1时可获得最佳精确性。

未来的工作可运用深度学习和迁移学习的方法。通过时频分析运用卷积神经网络（CNNs）对TFM进行分类。从时间序列分析角度来看，可以使用长短期记忆网络(LSTM)用来确定DoA。