摘 要

麻醉是安全手术操作的重要前提，麻醉状态监测是降低术中知晓风险必不可少的步骤。然而，由于缺乏精确的状态分类指示方法作为标准，麻醉状态的分类是一个具有挑战性的问题。近年来，人工智能在学术界迅速发展。因此，提出了基于卷积神经网络（Convolutional Neural Network，CNN）的方法来探索麻醉深度的准确量化。本文由两部分组成。首先，将样本熵，排列熵和近似熵与光谱图分别作为特征提取进行比较。然后，根据一些典型的机器学习方法，在4种麻醉状态分类：即清醒，轻度麻醉，中度麻醉和深度麻醉的基础上，根据双谱指数（Bispectral index，BIS）的数值间隔对3种CNN模型和VGG（Visual Geometry Group Network）网络的性能进行比较。最终使用了熵矩阵的CNN结构达到了87.40％的最高准确度，而使用光谱图的VGG的准确度为86.93％，而经过6次交叉验证后，普通机器学习的准确度达到了81％左右。这表明，使用不同特征组合和结构的CNN具有改善基于脑电图（electroencephalogram，EEG）的麻醉状态分类的潜力。

关键词：麻醉状态；卷积神经网络；机器学习；熵

Abstract

Anesthesia is an important prerequisite for safe and comfortable operation. Anesthetic status monitoring is an indispensable step to decrease the risk of intraoperative awareness. However, classification of anesthetic states is a challenging issue due to the lack of precise state indicator as a standard. Recently, artificial intelligence is evolving rapidly in academic society. Thus, methods based on convolutional neural network (CNN) are proposed to explore the accurate anesthetic depth quantification. This paper consists of two parts. First, the performance of sample entropy, permutation entropy and approximate entropy are compared to spectrum as extracted features. Then, comparisons of the performance of three CNN models and Visual Geometry Group Network (VGG) are made with some typical machine learning methods in terms of 4 kinds of anesthetic states categorization which are divided according to the numerical intervals of Bispectral index (BIS), i.e., awake, light anesthesia, moderate anesthesia and deep anesthesia. As a result, CNN structure combining with entropy achieved the highest accuracy of 87.40% and VGG using spectrum has an accuracy of 86.93% while the accuracy of general machine learning reaches around 81% after 6-fold cross validation. It indicates that CNN using various feature combination and structures has its potential to improve Electroencephalogrphy (EEG) based anesthetic status classification.

Key Words：Anesthesia states; convolutional neural network; machine learning; entropy

目录

摘 要 I

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 研究方法与内容框架 3

1.3.1 研究方法 3

1.3.2 研究思路 3

1.3.3 内容框架 4

第2章 数据集与方法 5

2.1 数据源与采集设备 5

2.2 数据预处理及实验设计和性能标准 5

2.3 近似熵 6

2.4 样本熵 7

2.5 排列熵 8

2.6 二维熵矩阵 8

2.7 重新筛选样本熵的新序列 9

2.8 CNN模型 9

2.9 短时傅里叶变换和VGG模型 11

第3章 分类结果 12

3.1 熵的特征组合 12

3.2 CNN输入矩阵 12

3.3 训练过程 14

3.4 模型性能评估 14

第4章 总结与展望 17

参考文献 19

致 谢 22

第1章 绪论

1.1 研究背景及意义

麻醉是一种药物诱发的状态，出于医疗目的使人体感觉或知觉受到控制得暂时丧失，因此患者在手术过程中对疼痛不敏感。尽管很少有患者在全麻状态下进行手术后有回想的意识（也称为术中知晓），但它对患者的身体和精神状态均具有巨大的不利影响，包括与创伤后应激障碍（post‐traumatic stress disorder，PTSD）有关的症状^[1-3]。据报道19575例中有25例患者（0.13％）被确定出现术中知晓的情况^[4]。由于缺乏对特定神经生理机制的清晰和全面的了解，因此很难减少意识在外科手术中的潜在负面影响^[5]。基于BIS（Bispectral index，BIS）检测的指导仍无法在外科手术中降低麻醉意识的发生率，这意味着常规BIS并不是一个完美的标准^[6]。因此，对麻醉深度（Depth of Anesthesia，DOA）更优化的指导方案对于有效地降低术中知晓的危险至关重要。

与传统医学成像技术相比，例如，磁共振成像（Magnetic Resonance Imaging，MRI），功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI）和正电子发射断层扫描（Positron Emission Computed Tomography，PET）^[7]，脑电图（electroencephalogram，EEG）具有时间分辨率高和收集方便的优点。尽管EEG已经可以很好地应用于区域性脑损伤的精确定位，磁脑电图（magnetoencephalogram，MEG）作为一种新兴的脑功能成像技术仍然受到了使用场景的限制，并且还有成本高，耗时长等缺点^[8]。另外，EEG的临床记录相对MEG较多，人们对基于EEG的脑信号领域进行了更深入，广泛的研究。因此，与传统医学图像系统相比，EEG虽有其优势，但与MEG相比，EEG在位置和准确性方面仍存在某些劣势。综上所述，在脑信号领域的研究中EEG仍具有更好的性能，对EEG进行深入分析并寻找新方法以促进更可靠的特征提取和分类方法在麻醉分析中具有重要价值。