余陳佑，程云章

上海理工大學健康科學與工程學院，上海 200093

前言

麻醉是當今臨床手術(shù)中不可或缺的環(huán)節(jié)，麻醉過程中錯誤的麻醉藥物劑量可能會導致病人麻醉過深或過淺［1］。麻醉過深可能會延長患者的恢復時間，甚至危及患者生命［2］；而麻醉過淺可能會導致患者產(chǎn)生術(shù)中記憶甚至在術(shù)中蘇醒，給患者帶來生理或者心理上的創(chuàng)傷［3］，所以實施精準麻醉很重要，而實施精準麻醉是建立在準確識別麻醉深度的基礎上。臨床上麻醉醫(yī)師借助常規(guī)監(jiān)護儀的血壓、心率等信息和查看患者瞳孔大小、皮膚溫度等體征來評價麻醉深度［4］，這對麻醉醫(yī)生的經(jīng)驗要求比較高，具有一定的局限性。全身麻醉藥的主要作用部位是大腦，所以基于腦電（Electroencephalogram,EEG）信號的麻醉深度監(jiān)測方法有很好的理論基礎［5］。EEG 信號具有反映意識活動的優(yōu)勢和無創(chuàng)性的特點，是當前客觀評價麻醉深度中最有潛力的方法之一［6-7］。

基于EEG 研究麻醉深度經(jīng)歷了70 多年的發(fā)展，研究探究了EEG 參數(shù)與麻醉深度的聯(lián)系，研究方法主要有時域分析、頻域分析、時頻分析和非線性分析［8-9］。時域分析法主要關注信號的幅值、波形等信息；頻域分析法是以傅里葉變換為基礎，探究中心頻率、邊緣頻率［10］、β 比率等頻域信息；時頻分析法主要是短時傅里葉變換、小波變換［11］、希爾伯特黃變換［12-13］等；非線性方法的使用比較常見［14］，常用的非線性方法有熵方法（近似熵、樣本熵SampEn［15-16］、排列熵PE［3］、小波熵［17］等）、Lempel-Ziv 復雜度、去趨勢波動分析［18］等。近年來，神經(jīng)網(wǎng)絡也應用于麻醉深度監(jiān)測，一般是與上述方法結(jié)合使用［19］。

在麻醉監(jiān)護儀方面，國外產(chǎn)品在當前市場上占據(jù)了較大份額，其中使用最多的產(chǎn)品是BIS 監(jiān)護儀［20］，由于實用性和有效性，BIS 指數(shù)是麻醉深度監(jiān)測的可靠標準［21］。國內(nèi)對麻醉監(jiān)護儀產(chǎn)品的需求較大，但是目前效果較好的監(jiān)護儀大多是國外專利產(chǎn)品，價格昂貴，因此研發(fā)出具有自主知識產(chǎn)權(quán)的麻醉監(jiān)護儀產(chǎn)品很有必要［22］。

本研究以BIS指數(shù)作為麻醉深度的參考，從麻醉中的EEG 信號提取時域、頻域、非線性域的10 種參數(shù)，然后以這些參數(shù)建立評估麻醉深度的隨機森林回歸模型。為了提高評估結(jié)果的可靠性，又篩選出輔助模型評估的參數(shù)，最終提出一種用隨機森林模型的輸出結(jié)合EEG參數(shù)共同評估麻醉深度的方法。

1 實驗流程和方法

1.1 實驗數(shù)據(jù)

本研究的數(shù)據(jù)采集自上海市楊浦區(qū)市東醫(yī)院，分為EEG 數(shù)據(jù)和BIS 指數(shù)兩部分。由于監(jiān)護儀的BIS 模塊只是通過分析EEG 來輸出BIS 指數(shù)，并不保存EEG，所以另用儀器從受試者前額采集EEG 數(shù)據(jù)。BIS 指數(shù)數(shù)據(jù)是通過BIS 模塊（Covidien 公司）采集人前額的EEG 數(shù)據(jù)后計算得出，最快可5 s 輸出一次，該數(shù)據(jù)可用U 盤從監(jiān)護儀（邁瑞公司）導出。通過上海諾誠電氣有限公司生產(chǎn)的EEG 采集設備采集EEG數(shù)據(jù)，該設備以256 Hz的采樣頻率保存EEG信號。

本研究一共采集了8 名患者全麻手術(shù)過程中的EEG 數(shù)據(jù)和BIS 指數(shù)，其中EEG 數(shù)據(jù)總時長約為15.7 h，兩種數(shù)據(jù)都有準確的時間參考。使用的麻醉藥有丙泊酚、舒芬太尼、瑞芬太尼等，麻醉方式為注射麻醉與吸入麻醉混合。

1.2 實驗流程

采用巴特沃斯帶通濾波去除EEG信號中的噪聲后將EEG數(shù)據(jù)分割成等長的片段，并與BIS值對應；然后遍歷每個EEG片段提取特征參數(shù)，得到EEG參數(shù)-BIS值數(shù)據(jù)集；接著用訓練集建立評估麻醉深度的隨機森林回歸模型，并篩選出對評估麻醉深度有參考意義的參數(shù)；最后在測試集上驗證模型效果和參數(shù)效果。

1.3 EEG信號預處理

EEG 信號的頻率范圍一般是0.5～35.0 Hz［23］。在采集過程中，監(jiān)護儀顯示的EEG 信號質(zhì)量指數(shù)及肌電活動指數(shù)基本保持在較好水平，所以信號降噪過程主要是去除小于0.5 Hz 和大于35.0 Hz 的信號成分。本研究采用通帶頻率為0.5～40.0 Hz 的5 階巴特沃斯帶通濾波器處理信號，對于信號中的陡峭波動部分，由人工檢查并刪除。圖1展示了一段EEG信號濾波前后的狀態(tài)，從信號濾波前后的幅頻特性可以看出來原信號在濾波后很好地保留了35.0 Hz以下的成分，50.0 Hz及以上的成分基本被濾除。

圖1 EEG信號濾波前后對比Figure 1 Comparison between original EEG signals and filtered EEG signals

1.4 數(shù)據(jù)集分割和參數(shù)提取

把EEG 數(shù)據(jù)分為等長的片段，并根據(jù)時間確定其對應的BIS 指數(shù)，再根據(jù)表1確定這段信號所屬的麻醉狀態(tài)。在EEG 片段的長度選擇時，考慮到每個EEG 片段對應的麻醉狀態(tài)最好是較為穩(wěn)定（若一個EEG 片段對應多個不同的麻醉深度，那么在分析麻醉深度時將得到平均的結(jié)果，這樣并不準確），經(jīng)考慮后采用步長5 s、長度5 s的窗口對EEG數(shù)據(jù)進行分段，每個片段包含1 280個數(shù)據(jù)點。

表1 各麻醉狀態(tài)對應的BIS指數(shù)范圍Table 1 BIS index range corresponding to each anesthesia state

接下來遍歷每個EEG 數(shù)據(jù)片段并提取參數(shù)，生成EEG 參數(shù)-BIS 值數(shù)據(jù)集。樣本熵SampEn［15-16］、排列熵PE［3］、Lempel-Ziv 復雜度等非線性參數(shù)常被用于EEG 分析，并取得較好的結(jié)果。本研究中除了提取這些常用的非線性參數(shù)，還從EEG 信號中提取了時域、頻域的參數(shù)?？紤]到EEG 信號幅度會隨著麻醉深度加深而發(fā)生改變的特點，本研究采集了EEG的平均幅值Ah 作為參數(shù)；考慮到EEG 信號會隨著麻醉深度加深發(fā)生主要成分的頻率往低頻方向移動的特點，本研究提取了δ波、θ波、α波、β波在0.5～30.0 Hz范圍內(nèi)的信號能量占比δ%、θ%、α%、β%，并提出一種計算在0.5～30.0 Hz 范圍平均頻率PF 的方式。本研究基于上述4 個頻段信號的能量比例和信息熵理論提出了一種自定義熵ES，并對平均頻率PF 和自定義熵ES這兩項自定義參數(shù)進行提取。對EEG信號進行快速傅里葉變換得到其幅度譜，令任意頻率點i的幅值為hi，則0.5～30.0 Hz的總能量E和δ%、θ%、α%、β%的計算方式為：

設計PF的計算方式為頻率范圍內(nèi)各信號成分頻率的加權(quán)和，權(quán)值大小為該頻率信號的能量占比：

ES的計算方式為：

1.5 建立基于隨機森林的麻醉深度評估模型

隨機森林是一種集成學習算法，其基礎結(jié)構(gòu)是決策樹，該算法能集成眾多決策樹的結(jié)果，從而得到更加可靠的輸出，已很好地應用于數(shù)據(jù)的分類和回歸。隨機森林模型中的超參數(shù)將直接影響模型效果，所以選擇合適的超參數(shù)組合非常重要。本研究將按照以下流程來確定超參數(shù)和建立評估麻醉深度的隨機森林回歸模型：為了讓數(shù)據(jù)分布均勻，將EEG參數(shù)-BIS 值數(shù)據(jù)集按所屬麻醉狀態(tài)分類，從每類樣本隨機抽取1/5 組成測試集，剩余數(shù)據(jù)組成訓練集；在訓練集上采用網(wǎng)格搜索法和5 折交叉實驗來確定重要的超參數(shù)；然后用訓練集數(shù)據(jù)和最佳超參數(shù)組合來建立模型；最后在測試集上驗證模型效果。

1.6 參數(shù)分析

僅僅通過模型輸出來表征麻醉深度并不總是可靠，因此結(jié)合多個指標來共同評估麻醉狀態(tài)很有必要；當其中某個指標指向異常時也能從其它正常結(jié)果的指標得到反饋，并且當這些指標都指向同種麻醉狀態(tài)時，評估結(jié)果更讓人信服。本研究從提取的EEG 參數(shù)中挑選出部分參數(shù)作為麻醉深度評估的指標，設計以下兩個標準來進行挑選：

（1）要求該參數(shù)在各麻醉狀態(tài)下的分布具有一定差異。獨立樣本t檢驗和Mann-WhitneyU檢驗都是用來檢驗兩組數(shù)據(jù)是否存在顯著性差異，本研究將用它們判斷每種參數(shù)在任意兩種麻醉狀態(tài)下的分布是否存在顯著差異。對訓練集各參數(shù)在各狀態(tài)下的每組數(shù)據(jù)作正態(tài)性檢驗，對于都滿足正態(tài)分布的兩組數(shù)據(jù)采用獨立樣本t檢驗，對于其余情況的兩組數(shù)據(jù)采用Mann-WhitneyU檢驗。

（2）要求該參數(shù)在任意兩種麻醉狀態(tài)下的取值范圍不可重合過大區(qū)域。若某參數(shù)在兩種不同麻醉狀態(tài)的取值范圍有很寬的重疊區(qū)域，則此參數(shù)對這兩種麻醉狀態(tài)難以區(qū)分；若該參數(shù)在不同麻醉狀態(tài)的取值范圍有較為清晰的邊界，那么該參數(shù)不僅可以為評估麻醉深度提供更加可靠的參考，而且僅僅通過該參數(shù)的取值來評估麻醉深度也成為可能。本研究通過作出訓練集上各參數(shù)在4 種麻醉狀態(tài)下的箱形圖來比較各參數(shù)的分布范圍。

在訓練集挑選出最合適的參數(shù)之后將在測試集上驗證參數(shù)的效果。

2 實驗結(jié)果與分析

2.1 特征提取與數(shù)據(jù)集分割

本研究提取的EEG 參數(shù)-BIS 值數(shù)據(jù)集總共有8 497 組數(shù)據(jù)，每組數(shù)據(jù)包含10 個參數(shù)和1 個BIS 指數(shù)標簽，其中屬于清醒、輕度麻醉、中度麻醉、深度麻醉的數(shù)據(jù)分別有790、2 036、3 837、1 834 組，BIS 值主要覆蓋范圍為30～85。從每種麻醉狀態(tài)的數(shù)據(jù)隨機抽取1/5組成測試集，其余數(shù)據(jù)組成訓練集。

2.2 模型建立和效果驗證

隨機森林回歸模型中重要的超參數(shù)主要有n_estimators（樹的數(shù)量）、max_features（決策樹節(jié)點分裂時使用的特征數(shù)），接下來是確定這兩項超參數(shù)的最佳組合。首先確定最重要的超參數(shù)n_estimators，在訓練集上采用網(wǎng)格搜索法和5折交叉驗證搜索n_estimators 在0～300 內(nèi)的最佳值，最終確定最佳的n_estimators 為240。接著設置模型中n_estimators的值為240，在訓練集上繼續(xù)采用網(wǎng)格搜索法和5 折交叉驗證搜索max_features 在1～10 內(nèi)的最佳值，最終確定最佳的max_features 值為4。以n_estimators 為240、max_features 為4 建立模型，用訓練集數(shù)據(jù)重新訓練模型，然后在測試集上驗證模型效果。

將測試集的輸入數(shù)據(jù)輸入建立好的模型，得到測試集的估計值。將測試集估計值和BIS 指數(shù)經(jīng)Bland-Altman 分析的結(jié)果如圖2所示，圖中虛線表示差值的均值，-0.017 上下兩條橫線之間區(qū)域為一致性區(qū)間，范圍為-9.69～9.66，統(tǒng)計之后得到此區(qū)域的數(shù)據(jù)點占比為92.3%，表示估計值和真實值具有良好的一致性。

圖2 測試集的模型輸出與BIS值的Bland-Altman圖Figure 2 Bland-Altman diagram of model output and BIS index of the test set

測試集的估計值與對應BIS 指數(shù)之間的對比關系如圖3所示，可以看出兩者呈現(xiàn)出較好的線性關系，計算得到兩者之間的皮爾遜相關系數(shù)為0.975、平均絕對誤差為3.53，表明估計值與BIS 值之間的偏差較小。以上分析結(jié)果表明，該模型的泛化性良好，對于麻醉深度評估具有參考意義。

2.3 參數(shù)篩選

接下來挑選參數(shù)作為上述模型評估麻醉深度的輔助指標。首先在SPSS 軟件中對每種參數(shù)在4 種麻醉狀態(tài)下的數(shù)據(jù)用柯爾莫戈洛夫-斯米諾夫檢驗作正態(tài)性分析，發(fā)現(xiàn)所有參數(shù)在任一狀態(tài)的數(shù)據(jù)都是呈非正態(tài)性分布。采用Mann-WhitneyU檢驗方法統(tǒng)計出各參數(shù)在任意兩種麻醉狀態(tài)下的分布差異性，結(jié)果如表2所示；作出各參數(shù)在4 種麻醉狀態(tài)下的分布如圖4所示。

分析表2中各參數(shù)在任意兩種狀態(tài)下分布的差異性，發(fā)現(xiàn)參數(shù)PE、PF、Ah在任意兩種麻醉狀態(tài)下的分布都是存在顯著性差異的，其余參數(shù)至少存在一次在某兩種狀態(tài)的分布不存在顯著性差異。觀察圖4中各參數(shù)在不同狀態(tài)下的分布情況，發(fā)現(xiàn)隨著麻醉深度加深，只有PE、PF有著單調(diào)下降的趨勢，PF的單調(diào)下降趨勢更加明顯，其余參數(shù)的單調(diào)下降或單調(diào)上升趨勢相對不明顯；各參數(shù)范圍在不同狀態(tài)下均存在一定程度的重合，其中Lempel-Ziv、Ah、δ%、θ%的重合情況都很明顯。對比各參數(shù)中間50%的數(shù)據(jù)的重合情況，參數(shù)PF 的重合程度相對更輕。綜合以上原因，選擇PF作為麻醉深度評估的輔助參數(shù)。

圖4 10種EEG參數(shù)在4種麻醉狀態(tài)下的箱線圖Figure 4 Boxplots of 10 EEG parameters in 4 states of anesthesia

表2 各參數(shù)區(qū)分不同麻醉狀態(tài)Table 2 Classifying different anesthesia states by each parameter

接下來在測試集上對PF參數(shù)的效果做驗證。根據(jù)測試集每個樣本的BIS 指數(shù)指向的麻醉狀態(tài)找到圖中PF 參數(shù)對應的箱形圖，判斷該樣本的PF 參數(shù)是否在箱形圖的上下邊緣范圍之內(nèi)，并由此統(tǒng)計該參數(shù)在測試集上的準確率。PF 參數(shù)范圍在清醒期、輕度麻醉期、中度麻醉期、深度麻醉期的準確率分別是82.3%、77.9%、83.1%、85.0%，可以看到PF 參數(shù)范圍在各狀態(tài)下的準確率都在77.9%以上，然后計算得到總準確率為82.3%，表明訓練集數(shù)據(jù)的箱形圖確定的PF 參數(shù)范圍具有不錯的準確性。因而用PF 作為模型評估麻醉深度的輔助指標具有一定的可靠性。

需要注意的是，考慮到EEG 參數(shù)在不同麻醉狀態(tài)的分布有重合，因此僅僅以PF 參數(shù)作為評估麻醉深度的指標是不適合的，在這里篩選出PF 參數(shù)的意義是：結(jié)合前文模型輸出與PF 參數(shù)這兩個指標共同評估麻醉深度時，若模型輸出嚴重偏離真實值，則可以通過PF 參數(shù)得到反饋，且這兩個指標都能指向相同的麻醉狀態(tài)時，雙指標評估結(jié)果相比單個模型的結(jié)果更具有可靠性。

3 結(jié)論

目前利用EEG 信號來分析麻醉深度的研究有不少，可靠的麻醉深度評估方法一直是該領域追求的目標。丁正敏等［24］研究了樣本熵和小波熵在4 種麻醉狀態(tài)下的分布和差異，并對這兩種參數(shù)評估麻醉深度的效果做出了比較；Gu 等［3］提取EEG 中的排列熵和其它3 種頻域參數(shù)為輸入，建立人工神經(jīng)網(wǎng)絡（Artificial Neural Network,ANN），該模型對麻醉深度具有較好的識別效果；袁思念等［11］利用小波分解提取9 種EEG 參數(shù)，結(jié)合ANN 建立的模型對4 種麻醉狀態(tài)具有較高的識別率。在過去的這些研究中，不少研究者嘗試用一種指標（模型輸出或EEG 參數(shù)）評估麻醉深度。為了從多角度提取到更多EEG 中的信息，本研究從時域、頻域、非線性域提取了10 種EEG 參數(shù)，考慮到單個指標有時可能存在評估不準的問題，在建立評估麻醉深度的隨機森林回歸模型的基礎上篩選出PF參數(shù)作為評估麻醉深度時的另一參考。研究結(jié)果表明該隨機森林模型對于麻醉深度的評估具有較好的效果，作為輔助評估指標的PF 參數(shù)也具有良好的參考價值。本研究的不足之處在于，所使用的數(shù)據(jù)量還不充足，也沒有很好地去除可能存在的與EEG 頻率重疊的肌電、眼電信號噪聲，只使用了單通道數(shù)據(jù)EEG 數(shù)據(jù)。以后的工作將針對以上不足作出改進，以期能得到更有實用價值的成果。