基于多域脑电参数分析的麻醉深度评估

余陈佑，程云章

上海理工大学健康科学与工程学院，上海 200093

前言

麻醉是当今临床手术中不可或缺的环节，麻醉过程中错误的麻醉药物剂量可能会导致病人麻醉过深或过浅［1］。麻醉过深可能会延长患者的恢复时间，甚至危及患者生命［2］；而麻醉过浅可能会导致患者产生术中记忆甚至在术中苏醒，给患者带来生理或者心理上的创伤［3］，所以实施精准麻醉很重要，而实施精准麻醉是建立在准确识别麻醉深度的基础上。临床上麻醉医师借助常规监护仪的血压、心率等信息和查看患者瞳孔大小、皮肤温度等体征来评价麻醉深度［4］，这对麻醉医生的经验要求比较高，具有一定的局限性。全身麻醉药的主要作用部位是大脑，所以基于脑电（Electroencephalogram,EEG）信号的麻醉深度监测方法有很好的理论基础［5］。EEG 信号具有反映意识活动的优势和无创性的特点，是当前客观评价麻醉深度中最有潜力的方法之一［6-7］。

基于EEG 研究麻醉深度经历了70 多年的发展，研究探究了EEG 参数与麻醉深度的联系，研究方法主要有时域分析、频域分析、时频分析和非线性分析［8-9］。时域分析法主要关注信号的幅值、波形等信息；频域分析法是以傅里叶变换为基础，探究中心频率、边缘频率［10］、β 比率等频域信息；时频分析法主要是短时傅里叶变换、小波变换［11］、希尔伯特黄变换［12-13］等；非线性方法的使用比较常见［14］，常用的非线性方法有熵方法（近似熵、样本熵SampEn［15-16］、排列熵PE［3］、小波熵［17］等）、Lempel-Ziv 复杂度、去趋势波动分析［18］等。近年来，神经网络也应用于麻醉深度监测，一般是与上述方法结合使用［19］。

在麻醉监护仪方面，国外产品在当前市场上占据了较大份额，其中使用最多的产品是BIS 监护仪［20］，由于实用性和有效性，BIS 指数是麻醉深度监测的可靠标准［21］。国内对麻醉监护仪产品的需求较大，但是目前效果较好的监护仪大多是国外专利产品，价格昂贵，因此研发出具有自主知识产权的麻醉监护仪产品很有必要［22］。

本研究以BIS指数作为麻醉深度的参考，从麻醉中的EEG 信号提取时域、频域、非线性域的10 种参数，然后以这些参数建立评估麻醉深度的随机森林回归模型。为了提高评估结果的可靠性，又筛选出辅助模型评估的参数，最终提出一种用随机森林模型的输出结合EEG参数共同评估麻醉深度的方法。

1 实验流程和方法

1.1 实验数据

本研究的数据采集自上海市杨浦区市东医院，分为EEG 数据和BIS 指数两部分。由于监护仪的BIS 模块只是通过分析EEG 来输出BIS 指数，并不保存EEG，所以另用仪器从受试者前额采集EEG 数据。BIS 指数数据是通过BIS 模块（Covidien 公司）采集人前额的EEG 数据后计算得出，最快可5 s 输出一次，该数据可用U 盘从监护仪（迈瑞公司）导出。通过上海诺诚电气有限公司生产的EEG 采集设备采集EEG数据，该设备以256 Hz的采样频率保存EEG信号。

本研究一共采集了8 名患者全麻手术过程中的EEG 数据和BIS 指数，其中EEG 数据总时长约为15.7 h，两种数据都有准确的时间参考。使用的麻醉药有丙泊酚、舒芬太尼、瑞芬太尼等，麻醉方式为注射麻醉与吸入麻醉混合。

1.2 实验流程

采用巴特沃斯带通滤波去除EEG信号中的噪声后将EEG数据分割成等长的片段，并与BIS值对应；然后遍历每个EEG片段提取特征参数，得到EEG参数-BIS值数据集；接着用训练集建立评估麻醉深度的随机森林回归模型，并筛选出对评估麻醉深度有参考意义的参数；最后在测试集上验证模型效果和参数效果。

1.3 EEG信号预处理

EEG 信号的频率范围一般是0.5～35.0 Hz［23］。在采集过程中，监护仪显示的EEG 信号质量指数及肌电活动指数基本保持在较好水平，所以信号降噪过程主要是去除小于0.5 Hz 和大于35.0 Hz 的信号成分。本研究采用通带频率为0.5～40.0 Hz 的5 阶巴特沃斯带通滤波器处理信号，对于信号中的陡峭波动部分，由人工检查并删除。图1展示了一段EEG信号滤波前后的状态，从信号滤波前后的幅频特性可以看出来原信号在滤波后很好地保留了35.0 Hz以下的成分，50.0 Hz及以上的成分基本被滤除。

图1 EEG信号滤波前后对比Figure 1 Comparison between original EEG signals and filtered EEG signals

1.4 数据集分割和参数提取

把EEG 数据分为等长的片段，并根据时间确定其对应的BIS 指数，再根据表1确定这段信号所属的麻醉状态。在EEG 片段的长度选择时，考虑到每个EEG 片段对应的麻醉状态最好是较为稳定（若一个EEG 片段对应多个不同的麻醉深度，那么在分析麻醉深度时将得到平均的结果，这样并不准确），经考虑后采用步长5 s、长度5 s的窗口对EEG数据进行分段，每个片段包含1 280个数据点。

表1 各麻醉状态对应的BIS指数范围Table 1 BIS index range corresponding to each anesthesia state

接下来遍历每个EEG 数据片段并提取参数，生成EEG 参数-BIS 值数据集。样本熵SampEn［15-16］、排列熵PE［3］、Lempel-Ziv 复杂度等非线性参数常被用于EEG 分析，并取得较好的结果。本研究中除了提取这些常用的非线性参数，还从EEG 信号中提取了时域、频域的参数。考虑到EEG 信号幅度会随着麻醉深度加深而发生改变的特点，本研究采集了EEG的平均幅值Ah 作为参数；考虑到EEG 信号会随着麻醉深度加深发生主要成分的频率往低频方向移动的特点，本研究提取了δ波、θ波、α波、β波在0.5～30.0 Hz范围内的信号能量占比δ%、θ%、α%、β%，并提出一种计算在0.5～30.0 Hz 范围平均频率PF 的方式。本研究基于上述4 个频段信号的能量比例和信息熵理论提出了一种自定义熵ES，并对平均频率PF 和自定义熵ES这两项自定义参数进行提取。对EEG信号进行快速傅里叶变换得到其幅度谱，令任意频率点i的幅值为hi，则0.5～30.0 Hz的总能量E和δ%、θ%、α%、β%的计算方式为：

设计PF的计算方式为频率范围内各信号成分频率的加权和，权值大小为该频率信号的能量占比：

ES的计算方式为：

1.5 建立基于随机森林的麻醉深度评估模型

随机森林是一种集成学习算法，其基础结构是决策树，该算法能集成众多决策树的结果，从而得到更加可靠的输出，已很好地应用于数据的分类和回归。随机森林模型中的超参数将直接影响模型效果，所以选择合适的超参数组合非常重要。本研究将按照以下流程来确定超参数和建立评估麻醉深度的随机森林回归模型：为了让数据分布均匀，将EEG参数-BIS 值数据集按所属麻醉状态分类，从每类样本随机抽取1/5 组成测试集，剩余数据组成训练集；在训练集上采用网格搜索法和5 折交叉实验来确定重要的超参数；然后用训练集数据和最佳超参数组合来建立模型；最后在测试集上验证模型效果。

1.6 参数分析

仅仅通过模型输出来表征麻醉深度并不总是可靠，因此结合多个指标来共同评估麻醉状态很有必要；当其中某个指标指向异常时也能从其它正常结果的指标得到反馈，并且当这些指标都指向同种麻醉状态时，评估结果更让人信服。本研究从提取的EEG 参数中挑选出部分参数作为麻醉深度评估的指标，设计以下两个标准来进行挑选：

（1）要求该参数在各麻醉状态下的分布具有一定差异。独立样本t检验和Mann-WhitneyU检验都是用来检验两组数据是否存在显著性差异，本研究将用它们判断每种参数在任意两种麻醉状态下的分布是否存在显著差异。对训练集各参数在各状态下的每组数据作正态性检验，对于都满足正态分布的两组数据采用独立样本t检验，对于其余情况的两组数据采用Mann-WhitneyU检验。

（2）要求该参数在任意两种麻醉状态下的取值范围不可重合过大区域。若某参数在两种不同麻醉状态的取值范围有很宽的重叠区域，则此参数对这两种麻醉状态难以区分；若该参数在不同麻醉状态的取值范围有较为清晰的边界，那么该参数不仅可以为评估麻醉深度提供更加可靠的参考，而且仅仅通过该参数的取值来评估麻醉深度也成为可能。本研究通过作出训练集上各参数在4 种麻醉状态下的箱形图来比较各参数的分布范围。

在训练集挑选出最合适的参数之后将在测试集上验证参数的效果。

2 实验结果与分析

2.1 特征提取与数据集分割

本研究提取的EEG 参数-BIS 值数据集总共有8 497 组数据，每组数据包含10 个参数和1 个BIS 指数标签，其中属于清醒、轻度麻醉、中度麻醉、深度麻醉的数据分别有790、2 036、3 837、1 834 组，BIS 值主要覆盖范围为30～85。从每种麻醉状态的数据随机抽取1/5组成测试集，其余数据组成训练集。

2.2 模型建立和效果验证

随机森林回归模型中重要的超参数主要有n_estimators（树的数量）、max_features（决策树节点分裂时使用的特征数），接下来是确定这两项超参数的最佳组合。首先确定最重要的超参数n_estimators，在训练集上采用网格搜索法和5折交叉验证搜索n_estimators 在0～300 内的最佳值，最终确定最佳的n_estimators 为240。接着设置模型中n_estimators的值为240，在训练集上继续采用网格搜索法和5 折交叉验证搜索max_features 在1～10 内的最佳值，最终确定最佳的max_features 值为4。以n_estimators 为240、max_features 为4 建立模型，用训练集数据重新训练模型，然后在测试集上验证模型效果。

将测试集的输入数据输入建立好的模型，得到测试集的估计值。将测试集估计值和BIS 指数经Bland-Altman 分析的结果如图2所示，图中虚线表示差值的均值，-0.017 上下两条横线之间区域为一致性区间，范围为-9.69～9.66，统计之后得到此区域的数据点占比为92.3%，表示估计值和真实值具有良好的一致性。

图2 测试集的模型输出与BIS值的Bland-Altman图Figure 2 Bland-Altman diagram of model output and BIS index of the test set

测试集的估计值与对应BIS 指数之间的对比关系如图3所示，可以看出两者呈现出较好的线性关系，计算得到两者之间的皮尔逊相关系数为0.975、平均绝对误差为3.53，表明估计值与BIS 值之间的偏差较小。以上分析结果表明，该模型的泛化性良好，对于麻醉深度评估具有参考意义。

2.3 参数筛选

接下来挑选参数作为上述模型评估麻醉深度的辅助指标。首先在SPSS 软件中对每种参数在4 种麻醉状态下的数据用柯尔莫戈洛夫-斯米诺夫检验作正态性分析，发现所有参数在任一状态的数据都是呈非正态性分布。采用Mann-WhitneyU检验方法统计出各参数在任意两种麻醉状态下的分布差异性，结果如表2所示；作出各参数在4 种麻醉状态下的分布如图4所示。

分析表2中各参数在任意两种状态下分布的差异性，发现参数PE、PF、Ah在任意两种麻醉状态下的分布都是存在显著性差异的，其余参数至少存在一次在某两种状态的分布不存在显著性差异。观察图4中各参数在不同状态下的分布情况，发现随着麻醉深度加深，只有PE、PF有着单调下降的趋势，PF的单调下降趋势更加明显，其余参数的单调下降或单调上升趋势相对不明显；各参数范围在不同状态下均存在一定程度的重合，其中Lempel-Ziv、Ah、δ%、θ%的重合情况都很明显。对比各参数中间50%的数据的重合情况，参数PF 的重合程度相对更轻。综合以上原因，选择PF作为麻醉深度评估的辅助参数。

图4 10种EEG参数在4种麻醉状态下的箱线图Figure 4 Boxplots of 10 EEG parameters in 4 states of anesthesia

表2 各参数区分不同麻醉状态Table 2 Classifying different anesthesia states by each parameter

接下来在测试集上对PF参数的效果做验证。根据测试集每个样本的BIS 指数指向的麻醉状态找到图中PF 参数对应的箱形图，判断该样本的PF 参数是否在箱形图的上下边缘范围之内，并由此统计该参数在测试集上的准确率。PF 参数范围在清醒期、轻度麻醉期、中度麻醉期、深度麻醉期的准确率分别是82.3%、77.9%、83.1%、85.0%，可以看到PF 参数范围在各状态下的准确率都在77.9%以上，然后计算得到总准确率为82.3%，表明训练集数据的箱形图确定的PF 参数范围具有不错的准确性。因而用PF 作为模型评估麻醉深度的辅助指标具有一定的可靠性。

需要注意的是，考虑到EEG 参数在不同麻醉状态的分布有重合，因此仅仅以PF 参数作为评估麻醉深度的指标是不适合的，在这里筛选出PF 参数的意义是：结合前文模型输出与PF 参数这两个指标共同评估麻醉深度时，若模型输出严重偏离真实值，则可以通过PF 参数得到反馈，且这两个指标都能指向相同的麻醉状态时，双指标评估结果相比单个模型的结果更具有可靠性。

3 结论

目前利用EEG 信号来分析麻醉深度的研究有不少，可靠的麻醉深度评估方法一直是该领域追求的目标。丁正敏等［24］研究了样本熵和小波熵在4 种麻醉状态下的分布和差异，并对这两种参数评估麻醉深度的效果做出了比较；Gu 等［3］提取EEG 中的排列熵和其它3 种频域参数为输入，建立人工神经网络（Artificial Neural Network,ANN），该模型对麻醉深度具有较好的识别效果；袁思念等［11］利用小波分解提取9 种EEG 参数，结合ANN 建立的模型对4 种麻醉状态具有较高的识别率。在过去的这些研究中，不少研究者尝试用一种指标（模型输出或EEG 参数）评估麻醉深度。为了从多角度提取到更多EEG 中的信息，本研究从时域、频域、非线性域提取了10 种EEG 参数，考虑到单个指标有时可能存在评估不准的问题，在建立评估麻醉深度的随机森林回归模型的基础上筛选出PF参数作为评估麻醉深度时的另一参考。研究结果表明该随机森林模型对于麻醉深度的评估具有较好的效果，作为辅助评估指标的PF 参数也具有良好的参考价值。本研究的不足之处在于，所使用的数据量还不充足，也没有很好地去除可能存在的与EEG 频率重叠的肌电、眼电信号噪声，只使用了单通道数据EEG 数据。以后的工作将针对以上不足作出改进，以期能得到更有实用价值的成果。