中潜伏期听觉诱发电位的提取与识别研究

李 昂，沈君姝，郭 辉，潘永泉，曹新志

中潜伏期听觉诱发电位的提取与识别研究

李 昂，沈君姝，郭 辉，潘永泉，曹新志

目的：通过小波变换模极大值和人工神经网络对中潜伏期听觉诱发电位进行提取与识别，判断患者处于的麻醉深度。方法：利用信号和噪声在分解尺度上的不同特性来滤除中潜伏期听觉诱发电位中的强噪声成分。经过模极大值处理后，小波系数在每个尺度上只剩下有限个模极大值点。通过Mallat交替投影算法，根据这些模极大值点重构出中潜伏期听觉诱发电位。在此基础上，根据中潜伏期听觉诱发电位与麻醉深度之间的对应关系，建立适用于麻醉深度监测的BP（back propagation）神经网络模型。结果：通过小波变换模极大值提取后，中潜伏期听觉诱发电位的信噪比由-15.43～0 dB提升到10.05～20.18 dB，基本恢复了原始信号；麻醉深度监测的BP神经网络模型测试集精确度分别为90%和100%。约登指数和Kappa值均为0.900 0，大于0.75。该模型对中潜伏期听觉诱发电位具有良好的识别能力。结论：小波变换模极大值提取可以有效地去除信号中的强噪成分，还原信号；麻醉深度监测的BP神经网络模型对中潜伏期听觉诱发电位与麻醉深度之间的关系具有良好的识别性。

中潜伏期听觉诱发电位；小波变换模极大值处理；Mallat交替投影法；BP神经网络

0 引言

麻醉深度是外科手术中的一个非常重要的指标，对麻醉深度的有效监测一直是麻醉学家和生物医学工程专家追求的目标。目前，传统的临床体征的观察仍是判断麻醉深度的基本方法，包括血压和心率、瞳孔对光反应、眼球运动及流泪、呼吸量、体动反应、皮肤颜色、温度、吞咽、唾液分泌、肠鸣音等[1]，但这些指标由于特异性不强、影响因素多及患者的个体差异大，难以准确客观地反映麻醉深度。而麻醉过浅和麻醉过深都会给患者带来严重的危害[2]，麻醉过浅会使患者循环系统兴奋、耗氧增加、术中有疼痛感、有显著的应激反应，麻醉过深则使患者应激反应低下、生命中枢抑制、呼吸功能抑制（通气不足、呼吸停止），难以满足手术需要。

最近几十年，利用自发脑电和诱发脑电作为监测麻醉深度的依据得到国内外专家的重视。其中，诱发电位的实时监控在临床上有重要意义[3-4]。事实上，听觉是患者在手术中接受事件的最重要的通道，故依靠听觉刺激产生的听觉诱发电位（auditory evokedpotentials，AEP）可以作为麻醉深度判断的依据[5-6]。中潜伏期听觉诱发电位（mid-latency auditory evoked potentials，MLAEP）在患者清醒的状态下个体差异很小，而且在手术过程中，对于大多数麻醉药作用下呈剂量相关性的变化，且与手术刺激有相关性变化。因此，本实验通过小波变换模极大值和人工神经网络对MLEAP进行提取与识别，判断患者处于的麻醉深度。

1 原理与方法

1.1 MLAEP在噪声环境中的模拟

通过大量的实验验证，MLAEP大致可以表示为2种形式[7]：（1）浅麻信号：x（n）=100·dn·sin（2πfn+ σ）；（2）深麻信号：x（n）=100·dn·sin（2πfn+σ）。其中，n表示采样点，浅麻时d=0.995，f=0.011 4，σ=-0.001；深麻时d=0.981 5，f=0.008 5，σ=-2.02。采用matlab7.0软件，生成浅麻和深麻纯净信号，并在其中加入随机白噪声，以达到模拟诱发脑电淹没在强背景噪声中的状态，浅麻和深麻的加噪信号分别模拟50组。浅麻信号、浅麻加噪信号、深麻信号和深麻加噪信号如图1所示。

图1 MLAEP原始图和加噪后图像

对图1中得到的50组模拟的浅麻和深麻加噪信号进行信噪比提取，其信噪比基本落在-15.43～ 0 dB之间，即所得到的浅麻与深麻加噪信号很好地模拟了实际情况下的听觉诱发电位。

1.2 小波变换模极大值对MLAEP的提取

利用小波变换模极大值提取算法，对模拟出的MLAEP进行提取，首先对模拟的浅麻和深麻信号进行二进小波分解，尺度为3，小波函数选择dh1。求出每一尺度上小波系数的模极大值点。在尺度3上选择需要保留的极值点。极值点的选择可以通过设置合适的阈值，去掉幅值小于阈值的极值点来获取，并以尺度3上保留的极值点的位置为中心构造邻域。本次试验浅麻的阈值选取0.5，深麻为0.12。在尺度2上寻找落在该邻域上的极值点，去除落在邻域外面的极值点，得到尺度2上保留的极大值点。以同样的方法，在尺度2保留极大值点的位置上，获取尺度1极值点，其余的置零。麻醉信号在3个尺度上的极大值序列如图2所示。

对3个尺度上保留下来的极值点利用Mallat交替投影法重构小波系数，进一步重构出麻醉信号，重构后的图形如图3所示。

测得重构信号的信噪比在10.05～20.18 dB之间，并且通过调节阈值的大小和每个尺度上邻域的值，信噪比还可以达到一定幅度的提升。显然，经过重构后，基本恢复了原始信号，达到了较好的提取效果。

1.3 建立麻醉深度监测的BP（back propagation）神经网络模型

通过多次测量，在每组MLAEP选取7个模极大值点作为建立BP神经网络模型的参数。神经网络总样本为100例，训练集样本占总样本的80%。我们设定训练误差为0.000 01，以 [-0.5，0.5]作为判断的标准，即浅麻训练样本落在[-0.5，0.5]之间，深麻训练样本落在[0.5，1.5]之间，认为该点符合麻醉深度与MLAEP之间的关系。统计得到测试集的相关指标，其中灵敏度、特异度分别代表浅麻和深麻测试集的精确度，约登指数和Kappa值大于0.75时认为实验所得的数据结果是可信的。

2 结果

BP神经网络训练步数为79时，训练达到了误差要求。对训练样本进行测试，其中，40例浅麻和40例深麻的测试精确度都为100%。进一步对占总样本20%的20例测试集样本进行测试，所得结果如图4所示，其中，10例浅麻的测试精确度为90%，10例深麻的测试精确度为100%。采用SPSS16.0软件测得浅麻和深麻信号的约登指数和Kappa都为0.900，大于0.75，BP神经网络对重构后的MLAEP具有良好的识别性。

图2 MLAEP模极大值序列

图3 重构图形

图4 训练完成的网络对20例测试集样本测试的结果

3 讨论

麻醉作为手术中十分重要的一环，受到人们的广泛重视。然而尽管近年来麻醉深度监测仪发展迅速，但临床体征的观察仍是判断麻醉深度的基本方法。麻醉过浅和过深都会给患者带来严重的危害，所以，麻醉监测成为一个急需解决的问题[8]。

小波分析是当前应用数学和工程学科中一个迅速发展的新领域，是一种多尺度的时-频信号分析方法，是分析非平稳信号的强有力工具，被称为“数学显微镜”[9]。脑电信号通常淹没在很强的背景噪声中，信噪比只有0～10 dB，传统的信号提取效果不能令人满意，而小波分析能够提供局部细化与分析的功能，适于微弱信号的检测。利用这一特点，小波变换模极大值提取算法可以很好地提取麻醉信号的参数特征。

信号的模极大值是由信号中奇异点及噪声产生的，并且信号和噪声产生的极大值随着分辨级数的不断增加表现出不同的状态：信号奇异点的模极大值具有沿尺度传递的特性，相反，随机噪声的模极大值则随着尺度的变化而迅速减小[10]。因此，对信号的模极大值进行若干次的小波变换处理，可以认为得到的信号中，MLAEP占主要成分，而噪声所占比重很小。

最初，Logan证明了窄带信号的过零点可以完整地表征原信号，但重构不稳健，难以实际应用。此后很多学者都在这方面展开了研究工作[11]。而信号小波变换的奇异点（极值点和过零点）和信号的剧烈变化点有着密切的联系。Mallat采用信号二进小波变换模极大值来表征信号，并且提出了用信号二进小波变换模极大值重构信号的交替投影算法。实验证明，该算法具有良好的逼近特性，能精确地重构原信号[12-13]。本实验通过Mallat交替投影法重构后图像的信噪比由原来的-15.43～0 dB增加到10.05～ 20.18 dB，得到显著提高，基本恢复了原始信号，达到了较好的提取效果。

BP算法由信号的正向传播与误差的反向传播2个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值的调整过程是周而复始地进行的[14-15]。本实验利用信号和噪声产生的极大值随着分辨级数的不断增加表现出不同的状态这一特性，选取7个模极大值点作为建立BP神经网络模型的参数，选择训练集样本占总样本的80%，测试结果显示：浅麻与深麻的测试集精确度分别为90%和100%，约登指数和Kappa值均为0.900 0，大于0.75，因此，麻醉深度监测的BP神经网络模型对MLAEP与麻醉深度之间的关系具有良好的识别性。

本文介绍了小波变换模极大值提取的算法，并建立了麻醉深度监测的BP神经网络模型。通过小波变换模极大值提取MLAEP，并进行Mallat投影算法重构，使信噪比得到了较大幅度的提高，基本还原了MLAEP，达到了较好的提取效果。通过将提取出的模极大值作为神经网络训练的参数来判断患者的麻醉深度与MLAEP的关系，在实验中体现出良好的识别性。

[1] 李英顺.现代检测技术[M].北京：中国水利水电出版社，2009：17-21.

[2] 王士雷，曹云飞.麻醉危象急救和并发症治疗[M].北京：人民军医出版社，2006：604-609.

[3] 王永轩，邱天爽，刘蓉.基于小波分析方法的脑电诱发电位单导少次提取[J].中国生物医学工程学报，2011，30（1）：34-39.

[4] Shirley T，Bhat R R，Kalkuni V N，et al.Mid-latency auditory evoked potentials in 2meditative states[J].ClinicalEEG and Neuroscience，2011，43（2）：154-160.

[5] 李鲁平，程敬之.小波变换及其在脑诱发电位分析中的应用[J].生物医学工程杂志，1997，14（2）：180-184.

[6] 莫玮.小波变换应用于麻醉监测脑电分析研究[J].桂林电子工业学院学报，1997，17（4）：7-11.

[7] 莫玮，梁选勤，丁宣浩.麻醉监测脑电分析的研究[J].电子学报，2001，12（4）：1 920-1 922.

[8] 庄心良，曾因明，陈伯銮.现代麻醉学[M].北京：人民卫生出版社，2004：10-14.

[9] 张烈平，莫玮.麻醉监测诱发脑电信号检测技术研究[J].广西科学报，2003，10（4）：264-268.

[10]贾文娟，吴水才，白燕萍.小波变换模极大值算法用于胎儿心电信号提取的研究[J].医疗卫生装备，2010，31（12）：14-17，22.

[11]王红秋.基于交替投影的最大似然波达方向估计算法研究[J].西南民族大学学报：自然科学版，2006，32（6）：1 127-1 129.

[12]怀丽波，符小玲.求解结构型变分不等式的交替投影算法[J].湘潭大学自然科学学报，2009，31（3）：28-34.

[13]刘镇清，陈广.超声无损检测中的谱分析技术[J].同济大学学报，2001，23（2）：85-88.

[14]朱大铭.神经网络结构学习算法及问题求解研究[D].北京：中国科学院计算技术研究所，1999.

[15]周龙，詹琼华.多层前馈神经网络中改进BP算法的研究[J].武汉食品工业学院学报，1998，5（1）：69-74.

（收稿：2014-01-21 修回：2014-03-17）

（栏目责任编校：李惠萍 孙丽丽）

Study on extraction and recognition of mid-latency auditory evoked potentials

LIAng1,SHEN Jun-shu2,GUO Hui1,PAN Yong-quan1,CAO Xin-zhi1,3
（1.Department of Medical Imaging,Nanjing General Hospital of Nanjing Military Area Command,Nanjing 210002,China; 2.Department of Radiation Oncology,Nanjing General Hospital of Nanjing Military Command,Nanjing 210002,China; 3.Department of Biomedical Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China）

Objective To recognize and extract themid-latency auditory evoked potentials(MLAEP)withwavelet transform modulusmaxima method and artificial neutral network in order to judge the depth of anesthesia in the patients exactly. Methods The difference of the signals and noises in decomposition scale was used to filter out the strong noises in MLAEP.After modulusmaxima filtering,the wavelet coefficientat only remained limited modulus maximum points at all scales.Through Mallat alternating projection method,the real MLAEP was refactored by these modulusmaximum points. According to the relationship between MLAEP and the depth of anesthesia,BP neural network model was established, which was used tomonitor anesthesia depth on this basis.Results After wavelet transform modulusmaxima extraction,the signal of MLAEP promoted from-15.43-0 dB to 10.05-20.18 dB,and the accuracy of the test set of BP neural network model formonitoring anesthesia depth were 90%and 100%respectively.Youden index and Kappa value were both 0.900 0, which were more than 0.75.The model behaved well in the recognition of MLAEP.Conclusions Wavelet modulus maxima extraction can effectively remove the strong noise ingredients and restore signal;BP neural network shows its advantage in recognizing the relationship between MLAEP and anesthesia depth.[Chinese Medical Equipment Journal，2014，35（8）：26-29]

mid-latency auditory evoked potential;wavelet transformation modulusmaxima;Mallat alternating projection method;BP neural network

R318；S857.124

A

1003-8868（2014）08-0026-04

10.7687/J.ISSN1003-8868.2014.08.026

李 昂（1990—），男，助理工程师，主要从事医疗影像设备的保障维护工作，E-mail：1990527liang@163.com。

210002南京，南京军区南京总医院医学影像科（李 昂，郭 辉，潘永泉，曹新志），放疗科（沈君姝）；210016南京，南京航空航天大学生物医学工程系（曹新志）

曹新志，E-mail：to_cxz@163.com