程慶剛 王紅 馬震

摘 要：根據(jù)腦電圖信號進行腦狀態(tài)跟蹤是一個具有挑戰(zhàn)性的問題?；贜MM的方法可以在神經(jīng)科學及臨床應用中推測潛在生理學變化，同時跟蹤腦狀態(tài)，具有廣闊的應用前景。NMM中的IPSP振幅和IPSP速率常數(shù)可以直觀反映受試者麻醉引起的生理學變化。提出采用無跡卡爾曼濾波（UKF）估計神經(jīng)群模型參數(shù)，并討論所估計的參數(shù)隨麻醉深度的變化情況。結果進一步說明IPSP振幅參數(shù)估計和PSP速率常數(shù)會因受試者不同而不同，但所有參數(shù)會隨時間即麻醉水平的提升而增加。IPSP振幅估計值顯示每個受試者的最大波動，反映了對瞬時腦電圖波動的敏感性。

關鍵詞：腦電;麻醉深度監(jiān)測;無跡卡爾曼濾波

DOI：10. 11907/rjdk. 192672 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2020）005-0112-04

0 引言

基于腦電圖（EEG）的自動麻醉深度監(jiān)測是如今研究的熱點問題[1-2]。當前開發(fā)的各種商業(yè)與非商業(yè)麻醉深度監(jiān)測方法[3-6]主要依靠提取腦電圖特征以跟蹤大腦麻醉狀態(tài)。盡管最近有研究試圖更詳細地描述與麻醉相關的多通道腦電圖及大腦網(wǎng)絡[7]，但自動深度麻醉監(jiān)測在臨床中的應用仍然較為滯后。此外，雖然商用監(jiān)測方法可以改善麻醉給藥和術后恢復效果[8]，但這些方法在降低術中意識方面仍然存在問題。另外，它們跟蹤不同分子作用模式麻醉劑效果的能力也不盡如人意，需要改進。

基于模型的方法，包括自回歸移動平均（ARMA）模型等，已被證明能夠分辨麻醉藥和鎮(zhèn)痛劑的作用[4，6]?；谀Ｐ偷姆椒梢蕴娲疃嚷樽肀O(jiān)測中使用的腦電圖特征提取[3]，特別是神經(jīng)群或神經(jīng)場模型[9]試圖解釋休息期間與麻醉期間腦電圖產(chǎn)生的中觀/宏觀神經(jīng)生理學規(guī)律，成為跟蹤麻醉腦狀態(tài)的另一種選擇，這類方法同時可以估計具有臨床意義的底層生理變量。

基于神經(jīng)群模型方法的主要思想是神經(jīng)群模型參數(shù)空間不同區(qū)域對應不同類型的動力性，例如極限環(huán)和固定點，也會引起不同類型的EEG幅度譜，可以與真實的EEG數(shù)據(jù)和譜聯(lián)系起來。根據(jù)真實EEG數(shù)據(jù)估計NMM參數(shù)的方法可用來推測與跟蹤關鍵生理數(shù)據(jù)，例如后突觸電位幅度和速率常數(shù)。根據(jù)這些常數(shù)與EEG信號動力學及幅度譜的關系，又可以用其確定當前腦狀態(tài)（例如：清醒、麻醉、睡眠、發(fā)作），這是一個典型的反演過程。

卡爾曼為了克服維納濾波的缺點，提出一種基于遞歸的濾波與預測方法，即著名的卡爾曼濾波器[10-11]。其采用最小均方誤差最佳估計準則，根據(jù)前一時刻的估計值與當前時刻的觀測值更新當前時刻狀態(tài)的估計值，直到滿足誤差條件才停止?？柭鼮V波可以在不知道模型準確性質的條件下，估計信號的過去與當前狀態(tài)，被應用于目標追蹤[12-13]、參數(shù)估計[14]、序列預測[15]等。

本文采用無跡卡爾曼濾波（Unscented Kalman Filter，UKF）對大腦皮層神經(jīng)群行為的參數(shù)與狀態(tài)進行估計，在此基礎上，討論參數(shù)是否可以有效跟蹤麻醉腦狀態(tài)的變化。另外，討論所估計的IPSP幅度和速率常數(shù)是否會隨異丙酚濃度的變化而變化，以幫助麻醉師精準監(jiān)控麻醉深度，同時了解病人在麻醉期間內在抑制系統(tǒng)的變化。一旦該方法發(fā)展成熟，將有助于改善麻醉與手術效果。例如，為了更好地使用麻醉劑，保證麻醉劑劑量合適，需要了解麻醉劑的生理學影響，而不僅是麻醉深度。雖然其它方法不用神經(jīng)模型也可以執(zhí)行麻醉深度監(jiān)控，但是它們不適用于所有病人，也沒有給出為什么不適用的生理學解釋?；谏窠?jīng)模型的方法可以解決以上問題，因為其提供了一種可以對一類人進行麻醉深度監(jiān)控的方法，并給出了生理學解釋。

1 神經(jīng)群模型及參數(shù)估計

神經(jīng)群模型[16]可以反映腦皮層神經(jīng)群活動，構成了目前許多從稀疏采樣的電生理記錄中推斷潛在生理變量方法的基礎[17]。該模型準確、信息豐富且有效，可用于麻醉臨床應用。神經(jīng)群模型結構如圖1所示。

2 實驗材料與麻醉分級

受試者年齡在18～60歲之間，將進行外科手術。采用S/5麻醉監(jiān)測儀（GE Healthcare Finland Oy）的M-Entropy模塊記錄12例異丙酚麻醉病人從清醒到麻醉狀態(tài)的單通道額葉腦電圖數(shù)據(jù)。原始腦電圖數(shù)據(jù)采用0.5 ～ 118hz的帶通濾波器進行帶通濾波，以400hz進行采樣。S/5監(jiān)測儀的標準熵傳感器定位稍作修改：傳感器的兩個記錄電極位于眉毛上方約5cm的雙側前額上，距離中線約4cm，方向任意，接地電極位于兩個記錄電極之間。選擇這種方式是為了盡量減少肌電活動，有助于計算S/5監(jiān)視器的狀態(tài)熵和響應熵。采用Schnider等（1998，1999）的藥動學動態(tài)模型測定異丙酚效應位點濃度，針對每個受試者，異丙酚效應位點濃度為0.75μg/mL，然后每4min增加0.25～0.30μg/mL，直到受試者在臨床觀察中失去應有的反應。

3 結果

3.1 參數(shù)估計結果

為了評估給定參數(shù)區(qū)域與參數(shù)估計是否一致，在受試者閉上眼睛休息的狀態(tài)下對參數(shù)進行估計。圖2展示了受試者9在該情況下的UKF參數(shù)估計結果，可以看出IPSP振幅與IPSP速率常數(shù)估計都會隨麻醉深度的增加而增加。

3.2 不同麻醉級別參數(shù)分布

對12個受試者進行參數(shù)估計，估計結果如表2所示。表2進一步說明IPSP振幅參數(shù)估計和PSP速率常數(shù)會因受試者不同而不同，但所有參數(shù)通常會隨著麻醉水平提升而增加。不同受試者參數(shù)的增長速率不同，反映受試者可能對異丙酚的敏感性不同。然而，需要注意的是，不同受試者的記錄時間是不同的，因為他們在不同的初始異丙酚濃度下才會失去反應。IPSP振幅估計值顯示每個受試者的最大波動，反映了其對瞬時腦電圖波動的敏感性。

4 討論

在動物生理學中，隨著異丙酚濃度的增加，會觀察到IPSP振幅和速率常數(shù)的單調變化，因此本文采用IPSP參數(shù)估計值的單調性分析方法[18-19]。有意識/麻醉水平之間的轉換不一定是單調的，而是與病人或在度量病人OAA / S時的擾動測量有關，因此單調性約束可能過于嚴格，該約束限制了大腦狀態(tài)追蹤算法的靈活性和實用性。例如，由于某些患者出現(xiàn)雙相腦電圖，一些參數(shù)可能表現(xiàn)出非單調行為。然而，重點是尋找IPSP參數(shù)估計值的變化方向與已知生理學變化是否一致，可以采用單調性分析進行評估[20]。

對存在抑制群自抑制的擴展JR模型研究顯示，沒有自抑制的JR模型已包括一個參數(shù)空間，在該參數(shù)空間內，IPSP幅度固定，隨著OAA/S數(shù)值從3降到0，IPSP速率常數(shù)也會減小，這與生理學方面觀察的結果一致。然而，如果IPSP速率常數(shù)進一步降低，所產(chǎn)生的腦電圖卻顯示與OAA/S分數(shù)為5的情況下一致，這說明JR模型可能需要以某種方式進行修改，以避免上述OAA/S“環(huán)繞”情況的出現(xiàn)。

對于JR模型，當UKF應用于真實腦電圖數(shù)據(jù)的標準JR模型參數(shù)區(qū)附近時，從生理學上可以觀察到，UKF對IPSP振幅的估計隨著異丙酚濃度的增加而增加，而IPSP速率常數(shù)也隨之增加，這與已知生理學不一致[21]。在組織切片實驗中，可以更直接地測量PSP水平參數(shù)。研究表明，IPSP速率常數(shù)相比IPSP振幅對異丙酚的敏感性更強，JR模型的IPSP振幅和速率常數(shù)參數(shù)是反映神經(jīng)群集總水平的參數(shù)，可以認為是異丙酚在分子尺度上影響各種抑制受體和亞類的組合[22]。因此，考慮不同抑制性受體類型的神經(jīng)群模型可以更好地描述異丙酚對腦電圖的影響。然而，這樣的模型擴展可能需要在模型簡單（臨床上要求）與充分描述數(shù)據(jù)之間加以權衡。

5 結語

追蹤大腦在麻醉期間的狀態(tài)是一個具有挑戰(zhàn)性的問題，而基于生理機制的方法可以提供改進的解決方案。已證明使用UKF可以追蹤神經(jīng)群模型在大腦麻醉狀態(tài)下的參數(shù)，具有一定的合理性和準確性。然而，需要進行更復雜或更適當?shù)脑O計，驗證基于神經(jīng)群模型的方法是否比其它基于模型與標準的麻醉深度監(jiān)測方法性能更好，同時提供潛在的生理參數(shù)變化與麻醉之間關系的有用信息。這里展示的JR模型結果表明，異丙酚濃度增加時，IPSP振幅的增加與生理學方面的發(fā)現(xiàn)一致，但是異氟醚和異丙酚都被認為是通過Gaba受體起作用的。與異丙酚一樣，異氟醚也可以降低IPSP速率常數(shù)。因此，利用其它模型進行實際的生理參數(shù)推斷，并考慮不同分子作用模式的麻醉藥仍有一定的應用空間。

參考文獻：

[1] VOSS L，SLEIGH J. Monitoring consciousness： the current status of EEG-based depth of anaesthesia monitors[J]. Best Practice & Research Clinical Anaesthesiology，2007， 21（3）：313-325.

[2] PALANCA B J A，MASHOUR G A，AVIDAN M S. Processed electroencephalogram in depth of anesthesia monitoring[J]. Current opinion in anaesthesiology，2009，22（5）：553-559.

[3] JORDAN D. Simultaneous electroencephalographic and functional magnetic resonance imaging indicate impaired cortical top-down processing in association with anesthetic-induced unconsciousness. [J]. Anesthesiology，2013，119（5）：1031-1042.

[4] LILEY D T J，SINCLAIR N C，LIPPING T，et al. Propofol and remifentanil differentially modulate frontal electroencephalographic activity[J]. Anesthesiology， 2010， 113（2）：292-304.

[5] SHALBAF R，MEHRNAM A H，BEHNAM H. Depth of anesthesia indicator using combination of complexity and frequency measures[C]. 2014 21th Iranian Conference on Biomedical Engineering （ICBME）. ?IEEE， 2014.

[6] SHOUSHTARIAN M，MCGLADE D P，DELACRETAZ L J，et al. Evaluation of the brain anaesthesia response monitor during anaesthesia for cardiac surgery： a double-blind， randomised controlled trial using two doses of fentanyl[J]. Journal of Clinical Monitoring and Computing， 2016， 30（6）：833-844.

[7] CIMENSER A，PURDON P L，PIERCE E T，et al. Tracking brain states under general anesthesia by using global coherence analysis[J]. ?Proceedings of the National Academy of Sciences，2011，108（21）：8832-8837.

[8] KETTNER S C. Not too little， not too much： delivering the right amount of anaesthesia during surgery[J]. Cochrane Database of Systematic Reviews， 2014， 6（6）：ED000084.

[9] LILEY D T J. Neural population model[M]. New York： Springer ， 2015.

[10] 賀姍，師昕. 基于內點法的不敏卡爾曼濾波算法[J]. 軟件導刊， 2017（6）：43-47.

[11] 彭丁聰. 卡爾曼濾波的基本原理及應用[J]. 軟件導刊，2009（11）：32-34.

[12] 劉德華. 基于卡爾曼預測的軌跡片段關聯(lián)目標跟蹤算法[J]. 軟件導刊，2017（4）：64-66.

[13] 馬文輝，何志琴. 基于IMMUKF的目標定位跟蹤算法研究[J]. 軟件導刊，2018，17（6）：70-73.

[14] 孫海波，童紫原，唐守鋒，等. 基于卡爾曼濾波與粒子濾波的SLAM研究綜述[J]. 軟件導刊，2018，17（12）：1-3，7.

[15] 韓飛龍，應捷. 基于貝葉斯網(wǎng)絡的人體異常行為檢測與識別[J]. 軟件導刊，2018，17（7）：9-13.

[16] JANSEN B H，RIT V G. Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns[J]. Biological Cybernetics，1995， 73（4）：357-366.

[17] LIU X，GAO Q. Parameter estimation and control for a neural mass model based on the unscented Kalman filter[J]. ?Physical Review E， 2013， 88（4）：042905.

[18] YING S W，GOLDSTEIN P A. Propofol suppresses synaptic responsiveness of somatosensory relay neurons to excitatory input by potentiating GABAAreceptor chloride channels[J]. Molecular Pain， 2005 （1）：2.

[19] WANG X. Propofol and isoflurane enhancement of tonic gamma-aminobutyric acid type a current in cardiac vagal neurons in the nucleus ambiguus[J]. ?Anesthesia & Analgesia， 2009， 108（1）：142-148.

[20] HINDRIKS R，PUTTEN M J A M V. Meanfield modeling of propofol-induced changes in spontaneous EEG rhythms[J]. Neuroimage， 2012， 60（4）：2323-2334.

[21] CHING S，CIMENSER A，PURDON P L，et al. Thalamocortical model for a propofol-induced α-rhythm associated with loss of consciousness[J]. Proceedings of the National Academy of Sciences，2010， 107（52）：22665-22670.

[22] HUTT A，BUHRY L. Study of GABAergic extra-synaptic tonic inhibition in single neurons and neural populations by traversing neural scales： application to propofol-induced anaesthesia[J]. Journal of Computational Neuroscience， 2014， 37（3）：417-437.

（責任編輯：黃 ?。?/p>