专利名称：基于脑电复合排列熵指数的麻醉监测方法
技术领域：
本发明属于麻醉监测领域，具体内容是利用脑电信号实现对麻醉深度的监测的方法。
背景技术：
目前，脑电图信号在检测麻醉深度中的研究已取得较好的研究结果。基于脑电信号展开的麻醉深度监测方法主要包括双频指数、麻醉趋势、人工神经网络方法、复杂度和小波分析法等。(I)双频指数(bispectral index, BIS),是包含了时域、频域和高阶谱变量三种特性的脑电图定量分析指标，其通过一个特定的非线性算法，将四个不同的EEG参数，即突发 抑制率，"QUAI "、比率和快慢波的相对同步性，综合成一个100-0的无量纲数字，用于表示大脑的抑制程度。然而，许多因素都会对BIS产生影响。艾司洛尔、外源性的肾上腺素可以使BIS值升高，影响麻醉深度的真实值。在静脉复合麻醉和体外循环的低温状态下，也表现出BIS与麻醉深度的不一致。另外，BIS的计算速度很慢。(2)麻醉趋势(nacrotrend,NT) ,NT是一种新的用于测量麻醉尝试的EEG方法,利用Kugler多参数统计和微机处理，将脑电信号形成6个阶段14个级别的量化指标，即A、
，并同时显示α、β、Υ、δ波的功率谱变化情况和趋势。阶段A表示清醒状态；Β是镇静状态；C是浅麻醉状态；D是常规普通麻醉状态；E是深度麻醉状态；F阶段是脑电活动的消失。但是该方法对复合麻醉的麻醉深度监测研究很少，还有待于进一步探索。(3)人工神经网络方法，是近年来发展起来的脑电分析技术，它是继BIS后又一种所有脑电功率谱数据中提炼出单变量的方法。通常把EEG的4个特征波形α、β、Y、δ的平均功率作为EEG的谱特征参数，再加上血流动力学参数如血压、心率以及MAC表示的麻醉药物剂量等数据，利用AR模型、聚类分析和Bayes估计理论，最终形成一个代表麻醉深度的绝对数值。但是其临床应用的可信性有待进一步证实。(4)复杂度和小波分析，是近几年出现的一种非线性动力学分析方法，由于脑电一种非平稳信号，所以复杂度分析是刻画EEG信号动力学特性的有效方法。只是计算复杂度太大。
发明内容
本发明的目的是针对背景技术存在的缺陷，研发一种基于复合排列熵的麻醉监测方法，根据处于麻醉状态下脑电信号的特征，结合排列熵和模体分析等信号处理技术，用复合排列熵指数(Composite Permutation Entropy Index, CPEI),实现对麻醉状态的评估。本发明方法包括步骤I.设置参数；步骤2.将EEG信号分割成一系列的模体每个模体取3个点，模体内部相邻两点之间的延时通过参数τ来控制，τ = I是两点之间的延时为一个采样周期，即模体内部的相邻两点就是EEG信号的相邻两点，另外我们还要分别在τ =2，3的情况下分割EEG信号;步骤3.按模体内部三个点之间的大小关系将模体分为13类；步骤4.计算每一类模体所包含模体的数目，并除以总模体数得到该类模体的频率，该频率作为该模体出现的概率；步骤5.根据模体概率分布计算信息熵；熵可以利用公式H = - Σ PiX In(Pi))计算得到；步骤6.归一化便得到排列熵，并进一步计算出复合排列熵指数；排列熵就麵么、讲= -—befofmotifs)獅-她靈附觀ΡΕ_Γ, 是对于不同的τ计算出来的熵相加再进行归一化处理计算出来的，其计算公式为
CPEI = -^>'xln(n4Axln(pUAxln(M=3xl00，乘以 100 是为了让指标分
1η(13χ13χ13)
布在O到100的数值范围内。在步骤3中，考虑到脑电信号中存在噪声，当信号中两点的幅值只差不大于数据四分位数间距的I %时，我们认为该两点幅值相等。
图I是本发明方法流程示意图(方框图)；图2是本发明采用的模体分割方法；图3是本发明采用的模体类别图4是本发明实施方式中所提取的麻醉深度信息与双频指数对比；图5是本发明实施方式中所提取的麻醉深度信息与双频指数的散点具体实施例方式本实施方式采用的是出于麻醉状态下的病人的脑电数据，采样率为256Hz。步骤I.设置参数，令τ = 0;步骤2.令τ = τ+l，按照图2所示的方法，将信号分割成模体序列；步骤3.对比图3中的模体，将所有的模体分为13类，注意考虑噪声影响；步骤4.计算每一类模体中所包含模体的数目，并除以总模体数得到该类模体的频率，该频率作为该模体出现的概率；步骤5.利用公式H = - Σ Pi X In (Pi)和模体的概率分布计算模体的信息熵，并判断τ的值是否为3，若不为3，则转向步骤2，若为3，则转向步骤6 ;步骤6.利用公式CPE1 = -
1η(13χ13χ13)
计算复合排列熵指数。
权利要求
1.一种基于脑电复合排列熵的麻醉监测方法，包括 步骤I.设置参数； 步骤2.将EEG信号分割成一系列的模体每个模体取3个点，模体内部相邻两点之间的延时通过参数τ来控制，τ = I是两点之间的延时为一个采样周期，即模体内部的相邻两点就是EEG信号的相邻两点，另外我们还要分别在τ =2，3的情况下分割EEG信号；步骤3.按模体内部三个点之间的大小关系将模体分为13类； 步骤4.计算每一类模体所包含模体的数目，并除以总模体数得到该类模体的频率，该频率作为该模体出现的概率； 步骤5.根据模体概率分布计算信息熵；熵可以利用公式H = - Σ PiX In(Pi)计算得到； 步骤6.归一化便得到排列熵，并进一步计算出复合排列熵指数；排列熵就是棚料PE = -“rfofmotifs)獅-她霞歹丨」撤郎雛，i对于不同的τ计算出来的熵相加再进行归一化处理计算出来的，其计算公式为CPEI- 2]AxlnCP,)r=1100是为了让指标分1η(13χ13χ13)布在O到100的数值范围内。
2.按照权利要求I所述基于脑电复合排列熵的麻醉监测方法，其特征在于所述模体的类别有13种。
3.按照权利要求I所述基于脑电复合排列熵的麻醉监测方法，其特征在于步骤2中采用了多种方式分割模体。
4.按照权利要求I所述基于脑电复合排列熵的麻醉监测方法，其特征在于步骤3中考虑了噪声影响，噪声阈值为上下分位数间距的1%，是自适应调整的。
全文摘要
该发明属于麻醉深度的监测方法。包括参数的初始化、模体分割与识别、确定模体概率、计算信息熵和复合排列熵。该发明根据三点之间的大小关系巧妙地将模体分为13种类别，同时引入阈值以控制噪声对模体识别的影响。再将各模体出现的频率作为其出现的概率来计算信息熵，进而计算出复合排列熵。复合排列熵就是最终的麻醉深度指标。该发明有效地降低了计算复杂度，提高了麻醉监测技术的实时性，必能应用于工程当中。
文档编号A61B5/0476GK102772205SQ20111011793
公开日2012年11月14日 申请日期2011年5月9日 优先权日2011年5月9日
发明者刘铭湖, 周博, 杨伟伟 申请人:刘铭湖, 周博, 杨伟伟