楊宛凝 韓如泉
首都醫科大學附屬北京天壇醫院麻醉科 100070
國際麻醉學與復甦雜誌，2021，42（09）：961-965。
DOI：10。3760/cma。j。cn321761-20201209 00374
基金專案
北京市醫院管理局揚帆計劃（ZYLX201708）
REVIEW ARTICLES
【綜述】
腦電圖（electroencephalogram， EEG）是一種無創腦部活動測量技術，透過在頭皮處安放電極，描記腦神經細胞活動所產生的生物電活動，能夠一定程度反映腦的功能狀態。它將腦神經生理學與覺醒狀態的改變聯絡起來 。
由於腦電原始資料複雜抽象，人們從中歸納出多種量化指標，目前已廣泛應用於患者的術中麻醉深度監測。量化指標以損失部分監測資訊為代價，提升了腦電監測的易用性。目前，臨床常見的基於EEG的麻醉深度評估量化指標包括：95%頻譜邊緣頻率、BIS、患者狀態指數、熵指數等。95%頻譜邊緣頻率能夠反映腦電訊號的功率分佈，是一種便於理解但較為粗略的麻醉狀態監測指標。BIS和患者狀態指數均透過專用演算法從EEG訊號提取特徵，以0~100的數值綜合評估麻醉狀態，數值越小，代表麻醉程度越深。但BIS監測效果易受麻醉方式和患者年齡的影響 ，甚至出現與臨床表現矛盾的監測資料 ，臨床價值需要大規模臨床試驗加以驗證 。熵指數涵蓋了一類採用非線性腦動力學分析方法，不依賴EEG訊號的絕對頻率和幅度特徵，而是刻畫大腦活動的規律性與複雜程度。近似熵透過0~1的數值描述EEG時域訊號的規律性，與麻醉藥濃度相關性較強。頻譜熵是一種基於頻率分析的熵值計算方法，被廣泛應用於臨床研究，具有減少麻醉藥用量、縮短全身麻醉恢復時間的優勢，但對意識狀態的分類不夠準確 。
近年來，由於腦電量化指標的侷限性，基於原始EEG的臨床麻醉監測研究進展迅速。近期大量文獻探討了EEG資料的分析方法，尋找更準確、更全面、更方便快捷的腦電活動評價方法是人們努力的方向。本文重點綜述了臨床麻醉中的原始EEG分析技術及其對麻醉深度監測的意義。
1 EEG圖譜分析
EEG是一種時間序列訊號，具有變化快、幅度小、易受干擾、個體差異大的特點。原始EEG記錄了腦細胞群的自發性、節律性電活動，包含大量的腦電神經生理學資訊。為了避免EEG量化指標的侷限性，目前臨床麻醉的相關研究中主要採用時域、頻域分析手段，著眼於麻醉藥物作用下的原始EEG，從不同藥物機制方面去理解並闡述，以期望進一步瞭解患者的麻醉狀態。
1。1時域分析
時域分析是從腦電時域波形中直接提取有用的波形特徵，屬於最早使用的EEG分析方法，至今仍被廣泛應用。該方法透過EEG電壓訊號隨時間的變化情況，從頻率、波幅、波形、時相和位相關係、異常波出現方式、分佈廣度及對各種刺激的反應性等方面進行觀察，能夠綜合考慮EEG訊號中包含的全部資訊。在麻醉誘導過程中，EEG通常隨著麻醉深度的增加逐漸向高振幅和低頻率的活動轉變。但EEG波形複雜度較高，需要研究人員掌握專業的臨床神經電生理知識，並具備EEG判讀經驗。Bombardieri等 研究了71位接受35 h EEG培訓的醫師識別全身麻醉所產生典型EEG波形的能力，結果表明，對於事先未接觸過腦電分析的醫師，簡短的培訓即可識別不同麻醉深度的EEG波形特徵。
1。2頻域分析
透過快速傅立葉變換可將腦電位的時間函式轉變為頻率函式，以功率譜的形式表現，頻域分析描述了EEG訊號能量隨頻率的變化，即訊號在頻域的能量分佈情況，是一項重要的腦電頻域分析指標。在臨床研究中，通常將EEG劃分為δ、θ、α、β、γ五種頻率範圍，各頻率在不同意識狀態下呈現出不同的特徵。Purdon等 研究了年齡對麻醉期間腦電狀態的影響，分析了155例接受丙泊酚或七氟醚麻醉患者的EEG，對比不同年齡患者的腦電功率資訊，結果表明，在穩定麻醉維持期間，腦電功率隨年齡的增長顯著下降，且α頻段功率下降幅度大於慢波。這與典型衰老過程中發生的已知神經生物學和神經解剖學變化一致。同時，相比於對患者年齡敏感的量化指標，圖譜分析能夠觀察到不同年齡的腦電變化特徵，提升了臨床應用的可靠性。
1。3時頻分析
時頻分析提供了時域和頻域的聯合分佈資訊，能夠清晰描述訊號頻率成分隨時間的變化情況。短時傅立葉變換和小波變換能夠從腦電時域訊號中計算時頻圖，常用密度譜陣列的形式展示。時頻圖具有極高的時間解析度，能夠及時提示腦電訊號的爆發抑制，對患者預後有一定的提示意義 。有學者認為，由於麻醉藥物的腦電特徵存在差異，使用統一的量化指標監測麻醉深度並不合理 。研究人員推薦使用時頻特徵監測術中麻醉狀態，透過分析其變化趨勢，更穩定地評估患者的麻醉狀態。當前研究已運用腦電時頻分析技術，總結了丙泊酚、右美託咪定、氯胺酮和吸入麻醉藥的腦電特徵 。
人腦是一個典型的複雜網路系統，具備較強的非線性特性。上述時頻分析方法假設其為線性系統，雖然簡化了分析過程，直觀展示了訊號的能量分佈特徵，但難免引入分析誤差。因此，單純使用上述分析手段仍不能全面瞭解大腦活動狀態，無法滿足人們對麻醉狀態下意識消失與恢復的探索。
2 功能連線分析
大多數麻醉深度監護儀都依賴於EEG的時間特性，無法提供空間或連通性資訊。而麻醉狀態的產生不是單一藥物引起、單一腦區的電活動改變。大腦的功能連線變化是全身麻醉機制的重要組成部分。其中，各個腦區之間的同步現象是不同腦區資訊交流的關鍵特徵，可以透過訊號間的相干性和相位同步關係進行描述。
2。1相干性
訊號間的相干性與頻率有關，可用於描述訊號在不同頻率下的同步關係，即兩腦區間的線性相關關係。相干性一般用於靜息態EEG的功能連線分析，通常在時間和頻率維度擴充套件為相干圖。在時間和頻率確定時，相干係數取值在0~1，數值越大表明訊號間的線性相關程度越高。為了研究氯胺酮麻醉與額頂網路連線中斷的關係，Akeju等 回顧了12例接受氯胺酮誘導全身麻醉患者的術中EEG，透過相干性和功率譜分析方法提取了EEG動力學特徵，研究結果表明，在γ爆發和β/γ穩定期間，導聯Fp1 F7和Fp2 F8的相干性顯著增強。研究人員提示，相干的γ振盪很可能與氯胺酮誘導的意識喪失機制有關。
但該方法存在一定的侷限性，僅能評估訊號間的線性相關關係，而無法反映非線性相關關係。同時，相干係數容易受到訊號功率和波幅大小的影響以及容積傳導效應的干擾。
2。2相位同步
相位同步是指兩個相互耦合的神經振盪活動的相位同步化，即兩神經振盪活動的相位差固定，不隨時間的變化而變化。運用數字訊號處理技術將原始EEG訊號經過帶通濾波器和希爾伯特變換後可求解不同導聯間的相位差，並觀察相位同步情況。基於相位同步的指標，理論上與兩個神經振盪活動的幅度無關，僅受相位的影響。
基於相位同步，目前存在多種評估腦電功能連線的指標，其中相位鎖值和相位延遲指數均能衡量兩電極訊號在某頻率的相位差聚集程度。該指數取值在0~1，數值越大，表明相位同步程度越強。近期，為了探究全身麻醉期間的大腦皮質功能連通性，Vlisides等 收集了53例外科手術患者的腦電資料，並使用加權相位滯後指數評估其術中功能連通性；結果表明，與預充氧基線相比，麻醉維持過程和圍手術期α頻段的額葉 頂葉連線差異無統計學意義，而α頻段的前額葉 額葉連線、θ頻段的前額葉 額葉連線以及θ頻段的額葉 頂葉連線顯著增強；該研究還發現，功能連線模式在全身麻醉過程中會動態變化，提示單純分析一組導聯間的功能連線程度並不能作為麻醉監測的可靠度量。
相位滯後熵（phase lag entropy， PLE）是一種基於EEG的鎮靜深度指示器，可計算相位關係在時間模式中的多樣性。PLE與經典相位延遲指數的關鍵區別在於，前者提取了跨越幾十毫秒相位關係的時間模式，而後者只計算了相位的平均鎖定，沒有進行模式處理。利用這一資訊，PLE能夠檢測神經通訊中使用當前相位同步方法無法觀察到的時間變化。具體來說，PLE量化了兩個訊號之間相位關係時間模式的多樣性。研究發現，額葉導聯間相位關係的動態水平可由PLE表示，在丙泊酚麻醉過程中持續減少 。PLE顯示出與意識水平的高度一致性。該研究利用多通道腦電相位關係的動態變化，成功評估了患者的不同意識狀態水平。在丙泊酚誘導的無意識狀態下，被試腦功能連線模式缺乏多樣性，也支援了近期關於意識的理論和實驗。
3 基於人工智慧的腦電分析技術
隨著人工智慧技術的飛速發展，機器學習方法能夠自主提取資料特徵，完成複雜資訊的分類任務。目前，基於機器學習的麻醉深度評估研究已成為新的熱點，大量研究報道了機器學習在腦電分析和麻醉深度監測中的應用。
3。1邏輯迴歸
邏輯迴歸是一種常用的線性分類器，算力需求較低，但對複雜問題的分類精度有限。有研究納入了102例接受丙泊酚、七氟醚、右美託咪定麻醉的健康志願者腦電資料，並使用改良警覺/鎮靜評分描述被試的鎮靜水平，以研究不依賴麻醉藥物的腦電意識狀態監測方法 。研究人員從原始EEG中提取出44種基礎特徵，並運用邏輯迴歸演算法進行分析。試驗結果表明，與藥物種類無關的邏輯迴歸模型能夠實現鎮靜水平的估計。將大量EEG特徵和機器學習演算法結合的方法可以有效解決術中鎮靜深度的監測問題。
3。2樸素貝葉斯模型
樸素貝葉斯模型源於貝葉斯定理和特徵條件獨立假設，演算法易於實現，在小資料集中的表現較好。有研究發現，在多導通道腦電資料中，使用F8導聯處的訊號區分清醒狀態和麻醉狀態的準確率最高 。由此提示F8是麻醉狀態監測的最佳通道，這與早期多項EEG圖譜研究的結論一致。研究人員發現，高斯樸素貝葉斯演算法僅根據F8導聯的5種EEG特徵即可區分患者清醒和麻醉狀態。
3。3支援向量機（support vector machine， SVM）
SVM透過將特徵向量對映到更高維空間構建最大間隔超平面進行分類。有研究從60通道的腦電資料中提取了110種特徵，使用SVM進行意識狀態分析 。研究發現，用於描述長期穩定意識狀態的腦電特徵在患者意識逐漸消失的過程中難以準確區分意識狀態。針對意識波動過程的腦電訊號，研究者發現θ頻帶的功率和功能連線關係是更好的分類指標，能夠準確識別患者的意識狀態。
有研究提出了一種基於額葉EEG的意識評估方法，先從原始EEG中提取置換熵、樣本熵、置換Lempel Ziv複雜性、去趨勢波動分析、相對功率等特徵，再使用基於遺傳演算法的支援向量機（genetic algorithm based support vector machine， GA SVM）對意識狀態進行分類 。研究結果表明，與單一的EEG特徵相比，GA SVM結合多種EEG特徵可以更準確地評估患者的意識狀態。
3。4決策樹模型
決策樹是從訓練資料中歸納出的一組分類規則，透過資訊理論指導特徵篩選，最終形成具有一定泛化能力的分類器模型。為避免麻醉深度監測易受患者年齡和麻醉藥物影響的問題，有研究提出了一種基於精細決策樹分類器的麻醉狀態識別方法 。該方法只需從原始EEG中提取頻譜邊緣頻率、各頻帶功率和β比率即可實現患者意識狀態的四分類（清醒、輕度麻醉、中度麻醉、深度麻醉）。研究人員回顧了75例不同型別麻醉下行擇期手術的患者，使用原始EEG資料檢驗演算法效果，結果顯示，在現場可程式設計門陣列中執行上述決策樹演算法能夠滿足延遲1 s的實時麻醉深度監測，平均精度可達92。2%。
3。5深度神經網路
深度神經網路是一類具有隱藏層的複雜神經網路結構，具有出色的特徵提取能力，能夠擬合複雜的非線性關係，但其模型缺乏可解釋性 ，對訓練資料和算力的需求較高。有研究使用長短期記憶網路和前饋神經網路組成深度學習模型，用來預測丙泊酚和瑞芬太尼靶控輸注期間的BIS值，結果表明，與傳統模型相比，深度神經網路的預測結果更準確 。
近期，有研究使用深度學習方法設計了實時EEG麻醉深度監測系統，該深度神經網路包含4個卷積層和2個全連線層，由374例患者的術中麻醉狀態EEG進行訓練和測試，最終能夠準確預測患者的麻醉深度 。搭載該系統的樹莓派3（Raspberry Pi 3）能夠在20 ms內估計被試的鎮靜狀態，比使用傳統訊號分析方法的BIS監測快1 000倍。
3。6聚類分析
聚類分析是一種無監督分類方法，根據樣本的特徵進行探索性分類，適合搜尋樣本間的隱藏模式 。在EEG圖譜分析和功能連線分析後，聚類演算法常用於提取宏觀腦狀態的變化情況。Li等 分析了30例健康志願者的EEG資料，志願者接受年齡調整的1。3 MAC丙泊酚麻醉，之後進行3 h的異氟醚麻醉；研究過程中使用傳統EEG相位關係指標加權相位滯後指數評估功能連通性，之後透過k 均值聚類分析將其分為離散狀態集，透過每個狀態的發生率、持續時間以及狀態之間的轉移機率評估腦電功能連線的時間動態資訊；結果表明，在異氟醚麻醉期間，沒有任何有害刺激的前提下，大腦功能連線在8種狀態間不斷轉換；提示麻醉誘導過程的功能連線改變是動態的。同時，Vlisides等 也採用聚類分析技術觀察了手術患者全身麻醉狀態下的腦電特徵，相比於單一的功能連線狀態，隨時間變化的連線關係能提供更多資訊，可能是麻醉深度的有效監測指標。
4 總結與展望
近年來，精準醫療已經逐漸引入麻醉學領域，保證全身麻醉具有合適的深度成為麻醉工作者的關鍵任務。為此，術中麻醉深度的精準評估成為廣大醫學工作者研究的熱點問題。近期，針對術中麻醉深度監測問題，研究人員提出了大量EEG資料處理方法，已能夠從多種角度提取和分析EEG特徵。
目前，EEG在臨床麻醉中的實踐日近完善。在臨床實踐中，麻醉深度監測的主要手段還是生命體徵評估，EEG使用的主流選擇依舊是量化指標。我們建議在臨床實踐中更加重視對原始EEG資料進行分析，透過EEG圖譜分析、功能連線分析、人工智慧分析等方法從大量原始資料中尋找規律，探索術中麻醉深度的精準監測方案。
如果您對本文感興趣，可登入我刊投稿系統平臺（www。gjmzyfs。com），在“期刊瀏覽”欄目中免費實時下載全文。或登入中華醫學會系列雜誌平臺（gjmzxyfszz。yiigle。com）進行高階檢索和付費下載。
國際麻醉學與復甦雜誌
快捷看《國際麻醉學與復甦雜誌》，請關注古麻今醉網