基于GRU的多模态麻醉深度评估方法研究

顾家军，叶继伦，陈谨，祝超凡，陈玲玲

1.深圳技术大学健康与环境工程学院，广东深圳518118；2.深圳大学医学部生物医学工程学院，广东深圳518060；3.广东省生物医学信号检测与超声成像重点实验室，广东深圳518060

前言

在临床手术中实施麻醉具有较高的风险性，不当的麻醉深度会给患者带来伤害。传统麻醉深度是由麻醉师借助常规监护仪的血压、心率等信息和观察患者瞳孔大小、是否流泪、皮肤温度等体态特征来评价，主要依赖麻醉师的主观判定，受麻醉师个人技能水平和经验的影响，而且病人的部分生理特征容易被干扰。传统麻醉深度评定存在很大的局限性［1］。脑电能够综合反映大脑皮层神经细胞群突触电位变化，具有反映意识活动和无创性，是当前客观评价麻醉深度中最有潜力的方法之一，已取得较好的研究成果［2-3］。

1 常见的麻醉深度评估方法

目前常见评价麻醉深度的方法主要有双频指数（BIS）、听觉诱发电位指数（AEP index）、熵指数（Entropy index）。

BIS 监护仪在总体上能够有效反映药物对麻醉意识的影响。由于手术中患者EEG 信号能够反映麻醉深度的特点，通过快速傅立叶变换将EEG 信号进行量化处理后经复杂运算，得到一个BIS 指数。BIS值可以分为4 段，在85～100 清醒、65～85 轻度镇定、40～65 适合麻醉、40 以下出现爆发抑制［4］。BIS 监护仪是目前市场占有率最高的产品。有研究表明BIS监护效果对麻醉药物的联合应用具有局限性，BIS 在应用不同组合的麻醉药物时，值可能相似，但处于不同麻醉深度状态［5-6］。

听觉诱发电位利用AAI（A-LineTMARX index）指数反映麻醉深度，能够实现无创监测。听觉诱发电位具有明确的生理学意义，能够提供手术刺激、镇痛等信息，较全面地反映当前麻醉深浅。AAI与BIS 值表达意义不同，AAI 在60～100 清醒状态、40～60 睡眠状态、30～40 浅麻醉状态、低于30 是临床麻醉状态［7］。听觉诱发电位监护仪诱发脑电的幅值在0.1～20.0 μV，十分微弱，容易受其他设备所产生的电波干扰，而且需给予患者听觉刺激，不适用听力障碍患者。

熵指数能够指导药物用量，预测患者麻醉的恢复与术中知晓，抗电刀等干扰能力更强。熵本质上是EEG 和FEMG 信号的测量，特别是对不规则性的测量，熵值与麻醉深度状态具有一定联系［8-9］。熵值越高，说明EEG 和FEMG 越具有不规则性，处于清醒状态；熵值越小，说明EEG 和FEMG 越呈现规则性，进入麻醉状态。熵指数监护仪在频繁眼动、体动等情况下，熵值不能准确反映当前麻醉状态，在精神类药物作用下也可能引起测量不准现象。同时熵指数需要工作人员对其数据结果进行二次分析。

2 多模态麻醉深度评估法

针对目前常见麻醉深度评估方法存在的局限性，结合脑电信号广泛应用麻醉深度评估的特点［10］，提出基于门循环控制单元（Gated Recurrent Unit,GRU）的多模态麻醉深度评估法。GRU 是作为短期记忆的解决方案而创建，是LSTM 网络的一种效果很好的变体。相较于LSTM，GRU 结构更加简单，效果也好。GRU 既然是LSTM 的变体，因此可以通过调节信息流解决RNN 网络中的长依赖问题。在LSTM中，引入3 个门函数：输入门、遗忘门和输出门；而在GRU 中只有2 个门：更新门和重置门［11-12］。模型的结构如图1所示。

图1 GRU模型结构Fig.1 Gated recurrent unit(GRU)model structure

基于GRU 的多模态麻醉深度评估法，如图2 所示。通过对EEG 信号经预处理和功率谱分析，计算得出θ、δ、α、β、BetaR、EMG、SEF 参数值［13］。将上述由EEG 信号计算出参数值与用药信息中麻醉药物类型以及患者信息中性别、年龄、身高、体质量作为GRU 输入参数，通过GRU 网络后输出一个评价麻醉深度的指数。

图2 多模态麻醉深度算法Fig.2 Algorithm for multimodal anesthesia depth assessment

具体步骤如下：

（1）通过脑电采集装置得到四通道的EEG信号；

（2）EEG 是一个非线性、非平稳的多维随机信号，很微弱，易受多种噪声干扰，需要对信号进行预处理，信号预处理包含主成分分析进行降维处理，自适应阈值滤波滤除高频干扰，小波db4 自适应滤波，110 Hz低通滤波和0.5 Hz高通滤波，得到相对“纯净”的脑电信息［14］；

（3）Welch法具有分辨率高等特点，参考文献［15-16］，采用Welch 法对预处理后的脑电进行功率谱分析；

（4）通过EEG 的功率谱计算相关参数，θ为0～4 Hz与0～30 Hz 的功率谱比，δ 为4～8 Hz 与0～30 Hz 的功率 谱 比，α 为8～13 Hz 与0～30 Hz的功率比，β 为13～30 Hz 与0～30 Hz的功率谱比，EMG为70～110 Hz频段的功率值，BetaR 为30～47 Hz 与11～20 Hz 的功率谱比［17］，SEF 是在EEG 信号在0～30 Hz范围内功率值在95%总功率时的频率参数值［18］。

（5）将步骤（4）中计算的参数值与患者用药类型和患者性别、年龄、身高、体质量共计12 个特征值进行归一化，将归一化的特征作为输入放入到3层GRU神经网络模型中进行训练，输入层神经元的个数为10，隐藏层神经元的个数为12，输出层神经元的个数为1，训练标签采用同步采集BIS 模块给出的麻醉深度指数值。BIS 作为目前麻醉深度评估方面的金标准，具有较高的参照意义［19］。

3 验证分析

选取20 例患者数据信息，共超过90 000 个点数据进行验证分析，这些数据包含清醒、轻度镇定、适合麻醉、深度麻醉等整个麻醉过程的数据。通过训练后GRU 网络得到的麻醉深度指数值与BIS 值的对比如图3 所示。图中表明GRU 的输出值与BIS 值的平均偏差大多为0～2，标准差大多为4～6，相关度接近1。由此看出将多模参数作为GRU 的输入端，经GRU 网络后输出的参数值与BIS 值差异性较小，相关性较高，具有较好的麻醉深度评估价值。

图3 GRU输出麻醉深度指数与BIS对比Fig.3 Comparison between anesthesia depth index output by GRU and bispectral index

4 结论

调研发现无论是传统的通过麻醉师观察患者体表特征变化评估麻醉深度，还是借助于目前常见方法进行麻醉深度评估都存在一定局限性，因而本文提出了基于GRU网络的多模态麻醉深度评估法。将患者信息、麻醉药物信息与由EEG 信号计算的相关参数作为GRU 网络的输入参数，由GRU 网络输出麻醉深度指数。经20例临床数据验证分析得出经GRU多模态输出值与BIS 值的差异性较小，相关度较高，能够较好地用于评估麻醉深度。