关键词：
临床麻醉
监测与评估
特征提取
机器学习
生理信号
摘要：
麻醉是现代医学的重要组成部分,在保障各类手术的成功实施中扮演着不可或缺的角色。为实现精确地控制麻醉过程,保证手术的顺利完成和病人良好的术中体验,临床麻醉状态的准确监测与评估至关重要。临床实践中,麻醉医生参考病人在麻醉过程中的体征信号和应激性反应进行主观上的麻醉状态判定,由于病人个体差异、医生经验程度或者主观偏差等因素极易造成麻醉状态评估的失误,最终可能导致由于过麻或欠麻引起的各种术中不适和术后认知缺陷等后果。因此,亟待研究更为客观准确的麻醉状态监测与深度评估分析方法,来减轻麻醉医生的心理压力,有效消除各种隐患,以保障手术的安全实施。本文针对临床麻醉状态的监测与评估的需求,建立临床生理信号采集平台,深入研究由麻醉引起的特征信号差异,结合现代非线性非平稳信号处理方法,分别从心电信号的心率变异性相似度分布差异和脑电信号的时域复杂度的变化特性着手,运用机器学习模型对麻醉深度进行客观的评估,并利用希尔伯特黄变换对脑波进行时频分析。在此基础上,通过猕猴的侵入式皮层脑电信号进一步研究探索麻醉状态下大脑动态特性,证明麻醉准确监测和评估方法的有效性和科学合理性。主要研究内容如下:(1)针对临床医疗环境人工单机采集信号效率低和数据存储管理不足的问题,围绕相关的生理信号、相应的临床药物和病人病理参数信息等数据需求,建立基于WIFI架构的包括脑电、心电等波形数据和心跳、血压等离散信号在内的多源生理信号自主采集系统和病人生理数据的存储数据库,有效提高信号采集的效率,降低失误率,同时提供研究的数据基础。(2)针对心率变异性直接评估麻醉深度失效的问题,提取抗干扰的心电信号的R波与R波周期间隔,量化其直方分布规律,提出一种基于心率变异性的相似度分布指数算法,从统计学角度分析其在不同麻醉阶段的显著差异;并利用人工神经网络对113笔案例数据进行机器学习,所得结果相较于商业BIS指数更为精确。在此基础上提出一种新的面向心电信号的麻醉深度评估方法,以实现从常规心电信号的角度对麻醉深度进行评估的可能性,并且有效地克服传统基于脑波监测方法的高成本和易受干扰的问题。(3)针对传统线性方法不宜处理脑电的问题,利用自适应非线性的经验模态分解方法进行分解滤波,研究样本熵理论表征脑电序列的复杂度即体现脑部的活跃度问题,分析其在不同麻醉阶段的差异性。通过与排列熵和递归定量分析比较,确定样本熵与麻醉状态高度相关的特性,同时以样本熵为训练样本,比较神经网络、支持向量机和随机森林三种机器学习回归分析的性能,提出一种基于脑波样本熵进行随机森林机器学习的评估麻醉深度的方法。(4)由于目前主流评估方法无法准确评估所有药物麻醉作用下的意识程度,特别以两种不同的常规药物(异丙酚和地氟烷)作用下前额脑波信号作为研究对象,采用经验模态分解去除噪声,运用非线性非平稳希尔伯特黄变换进行时频特征分析,结果比以傅氏变换为基础的多窗谱方法具有更优的分辨率和准确性。在此基础上分析两种药物作用下的各自不同麻醉阶段以及同在麻醉状态下两者之间的脑波的希尔伯特黄变换的时频差异,有效地为从频域角度针对性解决特定药物下麻醉深度的精确评估提供基础。(5)为多角度评估麻醉状态,以128通道的猕猴皮层脑电信号作为信号源,研究前额位置信号的时频动态变化,评估四个典型部位之间频率相干性和频域连接状态。采用交叉频率耦合方法评估四个部位的Slow波的相位和Beta波的幅度之间耦合强度,首次探索出四个通道之间相互功能性连接特性与麻醉状态的关系,剖析脑部各部位之间关联性与麻醉的关系,从而提供基于相位和幅度之间受麻醉影响的相互关联来评估麻醉深度的可能性,同时为临床上探索麻药机理提供一种科学参考。
欢迎来到三峡大学图书馆！
