【神麻人智】腦電圖信號時頻分析以及灰度共生矩陣特徵應用於麻醉深度監測

麻醉深度與圍術期並發癥密切相關,術中維持合適的麻醉深度有助於患者早期康復,但麻醉深度監測不像血壓和心率,有一個明確的數值,如何量化一直是在探討摸索的一個問題。

手術中監測麻醉深度(DoA)很重要,其中無創監測技術尤為矚目。本文提出了一種新方案用於監測麻醉深度,該方案使用腦電圖(EEG)信號時頻分析圖以及從中提取灰度共生矩陣(GLCM)特徵。首先,需要對腦電圖的每個通道通過平滑偽-維格訥威利分佈(SPWVD)計算其時頻圖(TFM),本研究使用了15個通道的腦電圖信號記錄。在此之後,使用灰度共生矩陣(GLCM)來獲取TFM中的資訊,隨後得到GLCM同質性、相關性、能級、對比度四個特徵。最後,利用最小冗余最大相關性(MRMR)方法選擇有效的特徵,利用最近鄰演算法(KNN)分類器來確定DoA。根據BIS,對腦電圖進行狀態分類,即深度催眠狀態、手術麻醉狀態、清醒鎮靜狀態。還採用數據增強技術來強化訓練階段和提高準確性。得到了該方法的精確性和混淆矩陣。還分析了GLCM灰度級、KNN處理器測距和數據增強參數對該方法有效性的影響。結果顯示了該方法確定術中DoA的有效性。 

簡介 

許多外科手術需要全身麻醉(GA)。全麻病人有以下特徵:神志消失、對痛覺刺激反應消失、遺忘和運動不能。麻醉過淺會導致病人意識恢復,因此麻醉醫生常會用一些指標監測麻醉深度(DoA)。監測麻醉深度主要是監測進行性中樞神經系統抑制和病人對刺激反應性降低的過程。

對病人來説,最可怕的麻醉並發癥是術中知曉。它可能會導致病人術後出現長期心理問題,如創傷後易怒、緊張和焦慮。監測DoA可以預防術中知曉的發生。術中可以通過精確掌握麻醉藥劑量防止麻醉過深或過淺,從而提高患者預後,而精確評估DoA可以實現這一目標。

監測DoA有許多方法和設備。這些設備大多是基於臨床/常規監測和/或腦電活動,每種監測手段都有其缺點。研究表明,由於中樞神經系統是全麻藥物作用的最終靶點,因此腦電圖信號更能反映麻醉深度。BIS、聽覺誘發電位(AEP)監測、熵以及narcotrend是一些基於腦電圖的商用DoA監測設備。但是這些監測手段並不完全準確,且有一些缺點。

最近,幾項研究旨在引入新方法來測量DoA。其中一篇文章採用貝葉斯技術來評估DoA,該技術考慮了有限的大樣本正態分佈,隨著麻醉狀態的改變,從清醒到輕度、中度和深度麻醉,最大後驗概率(MAP)值逐漸增加。利用腦電圖信號來區分清醒狀態和麻醉狀態,是另一篇文章研究者的目的。該研究者從腦電信號中提取11個特徵,如:熵、光譜等信號,隨後從中提取有效資訊。排序熵、樣本熵,beta-指數,去趨勢波動分析採用基於語言模糊限制的自適應神經模糊推理分類器來獲得最佳精確性。而另一篇文章使用EEG Quasi-periodicities來分析DoA變異。為此採用相位整流信號平均法。結果表明,該方法較樣本熵和排序熵具有更好的計算效果。

還有一篇文章是從腦電圖信號中提取了包括比值、光譜邊緣頻率和4個頻譜能量波段在內的6個特徵,然後,用決策樹分類器來測定DoA。這篇文章作者將DoA分為四種狀態,即深度、中度和輕度麻醉狀態與清醒狀態。首先,採用赫斯特法對腦電圖信號進行降噪處理,然後將所得赫斯特的最大範圍作為腦電反應。結果表明,可以用最大的頻率譜密度PSD描述不同DoA狀態轉換。用原子分解術對腦電圖信號進行分解。從分解後的亞波段中提取了一些特徵,然後用支援向量機SVM分類區分清醒和鎮靜狀態。

還有利用近紅外光譜(NIRS)信號記錄腦血流動力學變化,以監測DoA。該文章建議測量樣本熵來描述腦血流動力學變數的複雜性。還可以使用多模態系統,即同時採用腦電圖和NIRS信號來監測DoA。通過EEG+NIRS信號,可以檢測到從清醒狀態到深麻醉狀態的轉變,而該轉變不能被BIS檢測到。

其他還有,次序功率譜密度(O-PSD)用於測量DoA。深度神經網路(DNN)AnesNet可以量化DoA。卷積神經網路(CNN)可以對原始EEG信號進行卷積、池化和全層連接,以確定DoA。短時傅裏葉變換(STFT)可獲取PSD,CNN根據獲取的PSD來確定DoA。採用小波變換進行分析腦電圖信號中的DoA。為此目的,提取的特徵使用基於小波轉換的分類器進行聚類。同時,用特徵向量來提取麻醉下中潛伏期聽覺誘發的腦電圖。

由於腦電圖信號在麻醉狀態下呈非線性特徵,因此本文采用時頻分析EEG來監測DoA。採用SPWVD得到一段EEG的時頻圖(TFM)。為了獲得TFM的特徵,使用灰度共生矩陣(GLCM)從中提取四個特徵;由於這些所提取的特徵並不具有豐富資訊,因此通過MRMR選取有效特徵。最後,運用KNN決定DoA。因此,本研究的重點可總結如下:

(i)採用SPWVD獲取腦電圖的TFM

(ii)使用GLCM特性來描述時頻內容

(iii)利用MRMR演算法選擇特徵來減少分類的複雜性

(iv)採用數據增強功能來增加KNN分類器的通用性

(v)獲得該方法的準確性和含混矩陣

(vi)分析不同距離測量的精確性以及不同的灰度級數和增強參數 

數據 

參與實驗的為6名女性患者,年齡在26-72歲之間,平均年齡為45.5歲。這些患者均為擇期婦科手術患者,其ASA分級為I或II級。在術前記錄5分鐘的腦電圖。然後在病人入手術室後,手術開始前開始記錄BIS。記錄麻醉維持期和甦醒期的腦電圖,麻醉結束前10分鐘至清醒記錄一長段EEG。表1為6位患者術中記錄腦電圖的時長。 

根據國際10-20系統,記錄了15個通道的腦電信號,同時,記錄了BIS作為參考。BIS指數範圍為0-100,其中0表示大腦皮質完全抑制,100表示清醒狀態。BIS在40~60是適於手術的麻醉深度。

將EEG信號分割成30秒片段,重疊50%。計算每個片段的平均BIS值,標記為:深度催眠(D)、手術麻醉(A)和清醒鎮靜(S)狀態,BIS小于40被標記為D,40到60之間為A,大於60為S。表2記錄了6個患者每個標記的片段數。

 

DoA監測 

該方案流程如圖1。如圖所示,該方案一般通過預處理、特徵提取選擇和分類三個步驟來確定DoA。

結果 

表3顯示,通道的選擇對於精確性影響相當大。通道T7具有最佳平均精確性,為75.54%。通道Fz則具有最低平均精確性,為65.63%。受試者3和5具有最低和最高精確性結果,分別為93.34%和96.92%。這些結果表明瞭使用該方法分類EEG信號用於監測DoA的有效性。 

表4比較了幾種TFM和分類器的性能。使用了SPWVD、WVD和STFT以及KNN,SVM,隨機森林法和決策樹分類法。SPWVD,KNN配對要優於其他配對方法。對於所有TFMs,KNN提供了最佳精確性,SVM産生較好性能。在TFM中,SPWVD和WVD分別具有最佳和最低精確性。 

表5顯示了不同受試者DoA分類的混淆矩陣。 

表6為灰度級數目在計算GLCM時的效應。可以看出,灰度級從4增加到16,精確度逐漸增加;而灰度級從16升至64時,精確度減少。因此,SPWVD得到時頻圖中提取基於結構的特徵,灰度級應採用16。 

表7為KNN分類器中採用不同距離測量時的精確性。其中馬氏距離(Mahalanobis distance)具有最高精確性,為95.32%;隨後是Chebyshev距離,精確性達到93.26%。標準的歐式距離(Euclidean distance)精確性最低,為90.73%。

圖8顯示了數據增強中倍數增加和噪聲方差對於DoA分類的影響。(a)中可見增強倍數從1至35,精確性增加;而後,精確性隨之下降。因此,增強倍數應選擇35。(b)噪聲方差從0至0.1精確性增加,而後精確性隨之下降,因此方差選擇0.1。 

結論 

本文介紹了一種無創的監測DoA方法,即基於15個通道的腦電圖時頻分析。每個通道的TFM均為SPWVD計算所得。GLCM用來描述每個TFM的灰度含量。用MRMR演算法去除冗余特徵,用KNN對有效特徵進行分類以確定DoA。結果顯示使用16灰度級和馬氏距離的方法所得平均精確性為95.32%,表明瞭其有效性。數據增強中增強倍數和噪聲方差分別為35和0.1時可獲得最佳精確性。

未來的工作可運用深度學習和遷移學習的方法。通過時頻分析運用卷積神經網路(CNNs)對TFM進行分類。從時間序列分析角度來看,可以使用長短期記憶網路(LSTM)用來確定DoA。

述評:

麻醉深度與圍術期並發癥密切相關,術中維持合適的麻醉深度有助於患者早期康復,但麻醉深度監測不像血壓和心率,有一個明確的數值,如何量化一直是在探討摸索的一個問題。

腦電圖中所反映的人類大腦神經活動是具有非線性動力學特徵的複雜活動,在麻醉方面,非線性動力學已成為評估麻醉狀態的重要參考標準。其中,基於熵的腦電分析方法已被應用於麻醉深度監測的臨床實踐。本文是運用了機器學習的一些方法,從腦電信號時頻分析中提取大腦狀態從而監測DoA。

隨著演算法的不斷進步,未來使用深度學習演算法分析腦電具有一定優勢:首先,可以通過多個層直接從原始數據中學習特徵,並考慮高階特徵和這些特徵之間的關係;其次,還可通過使用無監督學習方法來分析無標簽的數據,對於大量未標記的腦電數據具有更廣泛的應用。

一個理想的麻醉深度監護儀必須滿足許多條件:(1)不管麻醉濃度如何變化,都能準確監測麻醉深度,並與臨床鎮靜表現有較好的相關性;(2)數據正確靠得住,有較高的時間解析度;(3)對所有的麻醉藥能用一個合理的尺度範圍進行麻醉分級;(4)能為臨床醫師提供決策性的幫助;(5)抗電磁干擾能力強;(6)經濟有效,利用方便。因此,還需要進一步研究和完善用於麻醉深度監測的分析方式,以取得一個較為全面的綜合指標。 

編譯:謝莉  
述評:汪樂天  

原文連結:

Mousavi SM, Asgharzadeh-Bonab A, Ranjbarzadeh R. Time-Frequency Analysis of EEG Signals and GLCM Features for Depth of Anesthesia Monitoring. Comput Intell Neurosci. 2021 Aug 11;2021:8430565.

      中國網是國務院新聞辦公室領導,中國外文出版發行事業局管理的國家重點新聞網站。本網通過10個語種11個文版,24小時對外發佈資訊,是中國進行國際傳播、資訊交流的重要窗口。

      凡本網註明“來源:中國網”的所有作品,均為中國網際網路新聞中心合法擁有版權或有權使用的作品,未經本網授權不得轉載、摘編或利用其他方式使用上述作品。

電話:0086-10-88828000

傳真:0086-10-88828231

媒體合作:0086-10-88828175

品牌活動合作:0086-10-88828063

廣告合作:0086-10-88825964