麻醉深度監測不僅對于提高麻醉質量和保障手術安全，而且對減少麻醉并發癥以及控制麻醉藥品用量具有極為重要的意義。因此，麻醉深度監測一直是外科手術關注的重要問題。自Gibbs等人首次提出用腦電信號EEG(Electro Encephalo Gran)監測麻醉深度的可能性，已引起人們對應用EEG監測麻醉深度的研究。近年來利用腦電信號反映鎮靜水平和麻醉藥物濃度，以用于麻醉深度的監測，并越來越受到臨床重視，成為研究的熱點。早期對腦電信號監測麻醉深度主要是依靠EEG波形的時域特征分析,隨著快速傅里葉變換(FFT) 技術的成熟，越來越多的EEG頻域特征，如中間頻率(MF)和譜邊緣頻率(SEF)等被用來反映麻醉深度。如今，最為流行的方法是EEG的雙譜指數(BIS)[1]，它較靈敏地反映了麻醉深度。但由于存在對不同藥物、不同麻醉方法反應不同的缺點，使其不能獨立應用于臨床麻醉監測。迄今為止尚未尋找到普遍適用的，且適用于臨床麻醉深度實時監測的特征指標。由于腦電信號中包含了豐富的、與意識及記憶相關的信息，Theiler等人的研究表明腦電是非線性的[2]，但不是源于低維的混沌；Pritchard 等人也指出腦電不是低維的非線性系統[3]。因此腦電信號具有非線性和混沌的特征，而熵(Entropy)則是描述這些特性的重要指標[4-5]。目前非線性動力學方法被廣泛地應用于非平穩信號的處理，時頻均譜熵[6] TBSE(Time-Frequency Balanced Spectral Entropy)分析是其中之一。腦電信號是一種非平穩信號，而熵分析方法適合于對腦電信號的處理。時頻均譜熵是一種對復雜性進行度量的分析方法，它不需要對時間序列粗粒化，僅需很短的數據即可達到穩定的值。與其他復雜性參數相比，具有計算速度快、適合在線實時分析的特點，因此在信號處理相關領域得到很好的應用。EEG序列的時頻均譜熵表現了EEG序列中產生新模式的概率大小，其概率越大，序列的復雜性越大，時頻均譜熵值也越大。
1 時頻均衡譜熵方法
    時頻均衡譜熵(TBSE)是在shannon熵[7]的基礎上闡述頻譜熵的概念，它結合時域和頻域分析,應用窗可變的短時傅里葉變換，計算特定腦電信號頻譜帶的不規則性。TBSE算法中計算了兩個熵值:(1)狀態熵(SE)。反映了腦電主要頻帶(0.8 Hz～32 Hz)的作用；(2)反應熵(RE)。反映了腦電和額肌(0.8 Hz～47 Hz)的快肌肉活動的共同作用。二者差值(RE-SE)即為肌電熵(EMG)。狀態熵和反應熵可以區分有意識和無意識狀態，可通過肌電活動反映鎮靜程度和疼痛反應，體現了麻醉深度監測中應用多種方法進行綜合分析的趨勢(如腦電結合肌電熵分析)。
    (1)首先在不同的頻率段計算出能量譜，然后對所有的能量譜元素求和再進行歸一化：     
  
    TBSE作為一種可描述系統復雜性的參數，它具有一些相對其他復雜性參數所不具備的特征：
　(1)通過較短的數據序列，即可得到穩定的肌電熵值。
　(2)原始信號不需要粗粒化。
　(3)具有很強的抗噪聲及抗干擾能力，尤其是對隨機產生的瞬態強干擾具有良好的屏蔽作用。因為隨機產生的較強干擾勢必造成距離大于給定的相似容限距離，而在距離檢測時被忽略。
　(4)適用于確定信號、隨機信號以及確定信號和隨機信號組成的混合信號。
　因為生理信號通常是由確定信號、隨機信號組成的混合信號，而且分析所需數據長度較短，很適合非平穩信號(如腦電)的監測，因此TBSE非常適合于臨床生理信號的監測分析。
2 腦電信號數據采集與處理
2.1 數據采集
　在麻醉深度監控中，感興趣的EEG信號頻率范圍一般<70 Hz，通常選擇系統采樣頻率在200 Hz以上可調，默認為250 Hz。因為要求得到3~4通道的腦電及肌電信號，故信號采樣頻率采用1 kHz。腦電信號的前端處理主要包括信號采集、放大、A/D轉換及去噪。
    (1)電極選取：麻醉監測的電極采用BIS公司的電極,這種電極具有與頭部接觸性好、對人體無損害、無痛、方便等特點。
    (2)電極采集位置： EEG的采集位置如圖1所示，采集右前額或左前額的腦電信號，并以前額的正中間電極作為參考電極。
　(3)濾波、放大及A/D的參數：正常濾波范圍是3 Hz～70 Hz，喪失濾波時濾波范圍0.25 Hz～100 Hz。采樣頻率：1 000次/s。通道數：4個電極，2導EEG數據。
2.2 信號預處理
　由于頭皮記錄的腦電信號中通常包含許多干擾(如心電、眼動、肌動等生理學噪聲，以及電極或環境噪聲等非生理學噪聲),這些偽差往往與正常病理特征EEG的波形或頻譜相混淆,容易掩蓋EEG的波形特征。因此，獲取EEG信號中反映大腦活動和狀態的有用信息,就必須有效地去除腦電數據中的偽差。偽差的去除通過對采集到的EEG信號,首先丟棄一些噪聲非常大的信號點或者段，然后將信號重組分段。對于每段信號，先檢測各種可能的偽差信號的存在性，若檢測到某種偽差存在，再進行相應的去除操作，這樣可減小計算量。
    另外需要注意的是，通常一些干擾,如眼動、肌動，僅在病人清醒狀態下存在,在麻醉時則很少受其影響。因此病人在清醒和麻醉期間,應采取不同的去噪算法，當病人狀態發生變化時，應及時切換去噪算法,通過肌電熵閾值判斷病人狀態轉換時刻，進行去噪算法選擇。腦電信號預處理部分框圖如圖2所示。

    在采集到原始腦電信號中，不可避免會出現超過放大器動態范圍的信號點或段，這是由于放大器設置不合適，或者電極在頭皮上發生移動造成的。這類偽差由于無法重建，所以被干擾的部分信號必須丟棄。根據采集到的信號的均值統計特性，確定其閾值并進行識別，然后判斷是否丟棄信號。
2.3 偽差檢測和去除方法
    預處理過程中，將前幾段EEG信號的方差與前幾段的平均值相比，若存在明顯差異，則標記為含噪段，然后進行后續的各種偽差檢測和去除步驟；無明顯不同，則標記為無噪段，無需經過后續步驟，直接可以進行麻醉深度參數提取。注意逐段計算過程中前幾段的方差均值需要不斷更新調整。
    (1) 在麻醉監控過程中，病人呼吸是不可避免的，呼吸作用可以通過在EEG上附加一個有節奏的信號(一般0 Hz~0.8 Hz)。對于皮膚的反映，如流汗可能改變電極的阻抗，這些都會產生一些低頻波,為EEG帶來基線漂移。可采用截止頻率為0.5 Hz的高通濾波器濾去這部分干擾。另外，基于感興趣的EEG信號頻率范圍有限，故一般將其信號通過一個低通濾波器，其截止頻率可選,默認值為70 Hz。
    (2)由于EEG是低功率信號，易受環境噪聲影響。手術室中，腦電信號獲取設備周圍可能有大電流設備，它們會引起EEG的工頻干擾,在EEG的50/60 Hz和100/120 Hz附近產生大的擾動，與頻率有關。因此，在檢測時采用計算50/60&plusmn;2 Hz上的功率占整段信號總功率之比進行干擾判斷，若大于某給定閾值，則存在干擾。去除這種干擾，可使用50/60 Hz陷波濾波器，如6th Butterworth濾波器。
　(3)眼電信號(EOG)偽差一般是低頻(0~16 Hz)高幅波，具有明顯的時域模式，一般是方形波或者大的尖峰，可以在時域、頻域計算信號特征來識別(根據相鄰多個數據段的特征)。應用小波自適應閾值化方法去除EOG偽差，是在EOG存在子帶上，選擇合適的閾值及閾值化方法去除，既不需要EOG參考通道，也不需要人的干預，可自動去除。
　(4)肌電信號(ECG)一般具有周期性,頻率主要在13 Hz~32 Hz左右。其檢測可利用其自身規律性結合頻域特征，提取13 Hz~32 Hz頻帶信號計算其能量，再根據系數的局部變化選擇合適閾值，進行閾值化以突出偽差存在位置，檢測偽差發生中心點；利用基于中心點的時序鎖定(time-locked)平均計算ECG平均模板除去ECG偽差。肌電熵(EMG)通常持續時間較短，檢測其存在性，可應用卡爾曼自適應濾波方法去除，同時也可除去其他瞬態大幅度信號干擾。此外，信號中也可能含有高斯白噪聲，可以采用小波Bayes估計方法去除。
3  結果與分析
　圖3(a)所示為一段清醒期的腦電信號，包含有肌電和眼動的噪聲。圖3(b)是采用上述方法去噪后的結果，其中眨眼和眼球動干擾明顯被去除，高頻的肌電干擾也被濾除掉了。表明該濾波器工作可靠有效。

    圖4(a)、(b)是一段EEG信號及其對應的麻醉藥物七氟醚濃度。從圖4(c)可以看出病人在注射麻醉藥品之后的不同時間段內，EEG的反應熵都有一定的變化。在EEG信號的初始階段，病人EEG的反應熵較高，其值在0.75～0.85 之間。在麻醉120 s后，反應熵明顯下降，麻醉190 s后，反應熵的值在0.4上下波動。EEG信號的肌電熵如圖4(d)所示，可以看出，其值在0.1～0.4之間波動，麻醉190 s之后接近于0，表示病人進入麻醉狀態。

    由于病人對外界刺激的反應，在病人清醒或麻醉不足時,額前測得的腦電信號中會出現含有肌電信號(圖4(d))。因此肌電信號可作為由清醒到麻醉、由麻醉到覺醒的指示標志信息。根據這一特點，設定一閾值，當肌電熵大于閾值時，病人處于清醒狀態；當肌電熵小于閾值時，病人處于麻醉狀態。由此判斷出狀態切換時刻之后，可以對應不同的狀態，采取不同的預處理方法：眼電信號和肌電信號的偽差只可能在清醒狀態影響腦電信號，因此只能在清醒期進行檢測和去除即可；其他偽差檢測和去除在整個記錄中均可進行。
　本文從40余例注射麻醉藥品后的EEG信號中，選取33個EEG信號片斷，進行時頻均衡譜熵分析，將分析結果作直方圖統計進行分析。圖5(a)為注射麻醉藥品之后的反應熵分布直方圖,可以看出此時EEG信號的反應熵主要分布在0.55～0.80之間。圖5(b)為注射麻醉藥品之后的狀態熵分布直方圖,可以看出此時EEG信號的狀態熵主要分布在0.45～0.75之間。可見，隨著麻醉深度的不同，反應熵的值會隨之變化，麻醉深度越深，反應熵的值越小；麻醉深度越淺，反應熵的值越大。這是由于麻醉深度的加深，大腦神經元的興奮性受到抑制，EEG信號的隨機程度降低，產生新模式的概率降低，反應熵的值也就相應降低。麻醉深度減輕時則剛好相反，這一結果很好地驗證了時頻均衡譜熵作為臨床麻醉深度監測指標的正確性和可行性。

   從麻醉狀態下EEG信號的時均衡譜熵分析結果可以看出，在注射麻醉藥品180 s左右，反應熵的值開始下降，190 s肌電熵趨于0，病人進入麻醉狀態，這一結果很好地印證了七氟醚的藥理特性。通過分析可以看出,EEG序列的時均衡譜熵與麻醉深度之間有著密切的關系，可靈敏地反映出麻醉深度的變化。雖然在表征麻醉深度的變化趨勢有些緩慢，但由于時均衡譜熵本身具有達到穩定值所需計算窗口小、抗干擾性強的特點，作為麻醉深度的實時監測，仍然是一種好的方法。實驗結論是基于七氟醚麻醉藥得到的，與其他麻醉藥的相關性結論還待進一步的深入研究。
參考文獻
[1]     BRUHN J, BOUILLON T W, RADULESCU L,et al. Correlation of approximate entropy, bispectral index, andspectral edge frequency 95(SEF95) with clinical signs of  anesthetic depth during coadministration of propofol and remifentanil[J]. Anesthesiology, 2003,98:621-627.
[2]    THEILER J, EUBANK S, LONGTIN A, et al. Testing for  nonlinearity in time series: the method of  surrogate data  [J]. Physica D, 1992,58(1):77294.
[3]    PRITCHARD W S. Dimensional analysis of resting human EEG: Surrogate data testing indicates nonlinearity but not low-dimensional chaos[J]. Psychophysiology, 1995,32(3).
[4]    BEIN B. Best Practice & Research Clinical Anaesthesiology[J]. Entropy,2006, 20(1):101-109.
[5]    BRUHN J, ROPCKE H, REHBERG B, et a1. Electroen  cephalogram approximate entropy correctly classifies the occurrence of burst suppressionpattern as increasing anesthetic drug effect[J]. Anesthesiology,2000;93(4):981-5.
[6]    VIERTIO-OJA H, MAJA V, SARKELA M, et a1. Description of the Entropy algorithm as applied in the  Datex-Ohmeda S/5entropy module[J]. Acta Anaesthesiol Scand, 2004,48(2):154-161.
[8] BRUHN J, LEHMANN L E, ROPCKE H, et al.Shannon  entropy applied to the measurement of the electroencephal-ographic effects of desflurane[J].Anesthesiology, 2001, 95:30.