摘 要

在手术中，麻醉的主要作用是确保患者在手术过程中能保持静息状态且不会感受到疼痛，这对于手术的顺利进行以及患者自身都有着十分重要的意义。为了确保手术的安全性以及患者的正常术后恢复，维持适宜的麻醉深度是十分关键的。而脑电信号作为神经元细胞的电活动在大脑皮层的总体表现，可以作为一种参考来对大脑神经活动进行分析，如今已经被常用于来评估手术中的麻醉深度。

然而，通过脑电采集装置收集的脑电信号通常会带有眼电信号、肌电信号等伪像干扰，在对其进行特征提取之前需要进行预处理操作。在本文中，采用了基于小波变换的方法对含有噪声的脑电信号进行滤波处理。经过预处理后，通过相位整序平均算法来提取出脑电信号中的准周期信息，即加速能力(Acceleration capacity，AC)与减速能力(Deceleration capacity，DC)，从而来评估手术中患者的麻醉深度，并将结果与麻醉医师评估的意识水平(Expert assessments of conscious level，EACL)进行对比分析，画出受试者工作特性曲线，并计算出曲线下面积(Area under roc curve，AUC)来进行评估，统计得出AC与DC的AUC分别为0.900.07、0.890.07，并计算得到AC、DC与EACL的皮尔森相关系数分别为0.710.07、0.700.07，说明可以通过这些准周期性信息来区分麻醉的不同阶段并评估患者的麻醉深度。并且对通过多元经验模态分解方法分解脑电信号后得到的各组本征模函数在单一尺度上计算AC与DC，得到了每组本征模函数的贡献度，从而在多尺度上对脑电信号的AC与DC进行了研究。

关键词：脑电图；麻醉深度；小波变换；相位整序平均；多尺度

Abstract

In order to ensure patients maintain resting state and would not feel the pain during surgery, anesthesia is needed,and it has important significance for the smooth operation of the surgery and the patient itself. With the intention of ensuring the safety of surgery and the patient's normal postoperative recovery, maintaining a appropriate depth of anesthesia is very critical. The electroencephalogram(EEG),as a signal that can reflect neuronal cell's electrical activity in the cerebral cortex, has now been commonly used to assess the depth of anesthesia during surgery.

However, the EEG signal collected by the EEG acquisition device usually carries the artifacts such as the electrooculogram(EOG) and the electromyography (EMG), so the preprocessing operation is required before extracting the feature of EEG. In this paper, the wavelet transform method is used to filter the EEG signal containing noise.After preprocessing, the Phase-rectified signal averaging(PRSA) is adopted to extract the quasi-periodic information in the EEG signal, that is, the acceleration capacity(AC) and the deceleration capacity(DC), so as to monitor the depth of anesthesia.And the results are compared with the expert assessments of conscious level(EACL). Draw out the receiver operating characteristic curve(ROC) and calculate the area under ROC curve (AUC). The AUC of AC and DC are 0.900.07 and 0.890.07 respectively, and the Pearson correlation coefficients of AC,DC and EACL are 0.710.07 and 0.700.07 respectively,which indicates that the quasi-periodic information could be used to distinguish the different stage and assess the patient's depth of anesthesia. The AC and DC of each intrinsic model function(IMF) obtained by decomposing the EEG signal through the multivariate empirical model decomposition(MEMD) method are calculated on a single scale, and the contribution of each intrinsic model function is obtained,so that the AC and DC of EEG signal are analyzed on multi-scale.

Key words: Electroencephalogram; Depth of anesthesia; Wavelet transform; Phase-rectified signal averaging; Multi-scal

目 录

第1章 绪论 1

1.1麻醉深度监测的意义 1

1.2国内外研究现状 2

1.2.1国外研究现状 2

1.2.2国内研究现状 3

1.3本文的主要研究内容 3

第2章 脑电信号的预处理 4

2.1脑电信号及其常见干扰 4

2.1.1脑电信号 4

2.1.2脑电信号中的常见干扰 6

2.2脑电信号的常用预处理方法 7

2.3基于小波变换的脑电滤波方法 8

2.4预处理结果分析 8

第3章 基于脑电信号的麻醉深度监测算法 11

3.1 熵算法 11

3.2相位整序平均算法 12

3.2.1相位整序平均算法分析指标 13

3.2.2相位整序平均算法分析过程 13

3.3相位整序平均算法结果分析 14

3.3.1数据来源 14

3.3.2结果分析 14

3.4本章总结 19

第4章 多尺度下脑电信号的相位整序平均算法 20

4.1经验模态分解 20

4.2多元经验模态分解 22

4.3多尺度的加速能力与减速能力分析 23

4.3.1本征模函数的时间尺度 23

4.3.2结果分析 24

4.4本章总结 28

第5章 总结与展望 29

5.1全文工作总结 29

5.2未来的工作展望 29

参考文献 30

致 谢 32

第1章 绪论

1.1麻醉深度监测的意义

在进行临床手术时，麻醉是一个至关重要的环节。麻醉的主要作用是确保在手术过程中，患者能保持充分的静息状态且不会感受到疼痛，这对于手术的顺利进行以及患者自身都有着十分重要的意义。然而，由于神经系统的复杂性，麻醉这一过程并不简单，我们需要通过麻醉深度(Depth of Anesthesia，DOA)的监测来判别患者当前的麻醉状态并控制好药物用量、把握手术时机。麻醉深度通常理解为在麻醉药物作用下所达到的麻醉程度。在手术的过程中，往往需要维持合适的麻醉深度来保证手术的安全性。如果麻醉程度过浅，可能会导致患者的术中知晓，对其造成痛感，甚至导致严重的心理与精神障碍；如果麻醉深度过度，则可能会使患者意识恢复延迟，更甚者会导致中枢神经系统麻痹、丧失自主呼吸或对生命器官造成严重的功能抑制^[1]。因此，保证合适的麻醉深度对于临床医学来说是一个十分重要的课题。

在手术过程中，麻醉医师往往需要通过仔细观察被麻醉患者的各种生理表现来判断出患者当前的麻醉深度，但是由于神经系统的复杂性、不同患者之间的个体差异性或者医师经验不足等，麻醉医师的主观判断并不能作为准确的参考。因此，寻找到适宜的指标来表征患者当前的麻醉深度是十分有必要的，我们需要研发出能够在手术过程中实时监测患者麻醉深度的监护仪，来确保手术的安全性，将风险与损失降至最低。

由于麻醉是通过药物来引起可逆的中枢神经系统的抑制和兴奋，而脑电信号(Electroencephalogram，EEG)的变化规律可以反映出神经元的活动，因此提出了在对脑电信号进行分析的基础上来进行麻醉深度的监测，目前这一观点也被普遍认同并采用。但由于脑电信号所呈现出的非线性与非平稳性，对其进行特征提取仍然是一个研究热点与难点。