3    腦電監測的原理及主要指標biāo  

腦電圖代表突觸後皮質神經元電位的總和hé，而麻醉和其他抑制高級皮質功能的過程會降低神經元的整體放電diàn，減慢頻率並增加其同步性xìng。隨着麻醉深度增加jiā，腦電呈現慢波特徵zhēng（頻率逐漸減慢màn，同時波幅增大dà），再至爆發抑制zhì，最終呈等電位線xiàn。臨牀用於全身麻醉zuì/鎮靜的腦電監測技術爲通過算法將原始腦電轉換爲麻醉深度指數shù。過程爲收集健康患者隨着麻醉水平加深所出現的腦電信號和相應yīng的行爲反應，形成數據庫供參考kǎo；確定相關的臨牀終點diǎn（如意識喪失shī、對刺激水平失去反應yīng、恢復清醒等děng），對該數據庫進行分析xī，提取最有前景的相關參數shù，通過高度複雜的數學方法對初步麻醉深度指數進行分類lèi；然後在臨牀試shì驗中對該算法進行測試，對其性能進行仔細檢查chá，重複該過程chéng，直到算法被視爲有效爲止zhǐ。其中的腦電信號處理包括對原始腦電信號的檢測和記錄lù，以及將前額表面電極接收到的模擬腦電信號進行放大dà、初級濾波bō（去除噪聲和干擾rǎo）、模數轉換huàn、濾波獲得所需數字信號hào，提取相關的腦電特徵或參數shù，通過對這些參數的統計分析和分類lèi，確定最終的麻醉深度指數shù。圍手術期腦電監測分析技術包括kuò：

3.1.1　時域分析xī

時域分析即直接從原始腦電中提取信息xī，包括腦電波形xíng、頻率lǜ、相位wèi、振幅隨時間jiān的變化及異常波出現的時間、方式等děng。麻醉誘導後hòu，腦電波形通常隨着麻醉深度的增加由高頻低幅向低頻高幅轉變biàn，麻醉維持狀態下的腦電波形振幅比清醒狀態下大dà5~20倍bèi。通過時域分析也能迅速識別麻醉過深的爆發抑制狀態tài。

3.1.2　頻域分析xī

頻域分析是通過傅立葉變換將時域波bō形分解爲一系列不同頻率和振幅的獨立正弦波。根據頻率範圍將腦電波形分爲wèiδ（1~4 Hz）、θ（5~8 Hz）、α（9~12 Hz）、β（13~25 Hz）、γ（26~80 Hz）等děng5種波段duàn。

3.1.3　時頻分析xī

時頻分析將時域和頻域結合hé，描述了頻率隨時間的變化情況kuàng。將時間放在zàiX軸zhóu，頻率放在zàiY軸zhóu，功率通過顏色編碼繪製成二維光譜圖tú，又稱密度譜陣列liè。時頻分析可清晰地呈現麻醉藥物類別bié、劑量和患者年齡引起的腦電特徵差異yì。

3.1.4　功能連接分析xī

功能連接分析研究不同腦區腦電信號間的相干性和相位同步關係xì。相干性用於描述信號在不同頻率下的同步關係xì，相干係數取值zhí0~1，高相干值意味着各頻率成分是同步的de。相位同步指兩個相互耦合的神經振盪活動的相位差固定dìng，不隨時間的變化huà而變化。採用大腦的功能連接分析的方法更有利於明確不同麻醉藥物的作用機制zhì。

3.1.5　複雜度dù

複雜度通過反映大腦活動在時間或空間上的de“難度dù”，來評估腦的複雜性xìng。Lempel‑Ziv複雜度是一個常用的時間複雜度指標biāo，由相位隨機化的替代數據揭示shì。空間複雜性xìng涉及形成連通性矩陣和計算連通性模式的複雜性。時空複雜性可以通過多種方式進行估計jì，包括時間或空間連接jiē、狀態切換估計或綜合信息xī。通過評估複雜性xìng，可以監測麻醉深度dù、腦損傷下的意識狀態等děng。

3.1.6　相位幅值耦合分析xī

相位幅值耦合分析用於評估麻醉引起的跨區域功能關係的變化huà。首先xiān，對原始數據中感興趣頻帶進行帶通濾波bō；其次cì，將帶通濾波後的信號hào轉換爲複數解析信號；最後hòu，從解析信號中提取相位或振幅fú，評估幅值在相位角上的分佈bù。

3.1.7　基於人工智能的腦電分析技術shù

基於人工智能的腦電分析技術能夠自主提取數據特徵zhēng，完成複雜信息的分類任務wù（如邏輯迴歸guī、樸素貝葉斯模型和支持向量機等děng）。有研究提出了基於額葉腦電的意識評估方法fǎ，先從原始腦電中提取置換熵shāng、樣本熵shāng、置換huànLempel‑Ziv複雜性xìng、相對功率等特徵zhēng，再使用基於遺傳算法的支持向量機對意識狀態進行分類lèi。研究結果表明míng，與單一的腦電特徵相比bǐ，遺傳算法fǎ‑支持向量機jī（GA‑SVM）結合多種腦電特徵可以更準確地評估患者意識狀態tài。

當前qián，臨牀使用的腦電監測指標包括腦電功率譜pǔ、爆發抑制率lǜ、BIS、反應熵shāng、狀態熵shāng、Narcotrend指數shù、PSI、SNAP指數和héAi等děng。聽覺jué是全身麻醉誘導過程中最晚消失和最早恢復的感覺，可採用聽覺誘發電位來反映麻醉和覺醒狀態tài。

3.2.1　BIS

BIS採用了基於功率頻譜分析xī、雙頻譜分析和爆發抑制數據的算法fǎ，BIS範圍爲wèi0~100。

3.2.2　Narcotrend指數shù

Narcotrend指數採用爆發抑制zhì、時域和頻域分析提取相關腦電參數shù，檢測後進一步細分成chéng14個亞階段duàn：從cóngA（清醒xǐng）到dàoF（深麻醉zuì）。

3.2.3　PSI

PSI由yóu4通道腦電採集並通過算法計算而來lái，範圍爲wèi0~100，最佳深度在zài25~50。還可顯示兩側cè密度譜陣列和兩側4通道的原始腦電波形xíng。

3.2.4　熵shāng

熵由頻譜分析產生shēng，有yǒu2個主要參數shù：狀態熵shāng，反映催眠深度dù（指數範圍爲wèi0~100）；反應熵shāng，傷害感受shòu/刺激反應的間接評估gū（來自額部肌電圖tú，指數範圍爲wèi0~91）。

3.2.5　AEP

AEP指數依賴於中潛伏期聽覺誘發電位wèi（middle latency auditory evoked potential，MLAEP）與腦電信號hào。監測時通過耳機給予雙側滴答聲刺激jī，從補充背景腦電噪聲中識別出刺激後的腦電信號hào，並處理成chéngMLAEP；反映丘腦和初級聽覺皮質內的神經活動dòng。

3.2.6　Ai

Ai以頻率lǜ、時域yù、複雜度等多個指標爲基礎chǔ，採用多變量統計方法對腦電波進行從清醒到最深麻醉程度量化huà，範圍爲wèi0到dào99%（0表示最深程度麻醉zuì）。

目前qián，臨牀較常用的腦電監測指標存在侷限性xìng：① 缺乏公認rèn、說服力強的數據分析手段duàn，既往以線性尺度的方法將鎮靜深度劃分爲wèi0~100過於簡單dān，也不符合生物學原理lǐ；② 易受藥物wù、手術事件jiàn、患者病理生理狀況及其他電信號等干擾rǎo；③ 目前常用的腦電監測電極多安置在一側或雙側的前額及耳前顳部bù，部分手術中應用受限xiàn；④ 目前的監測大多基於額葉腦電diàn。雖然前額葉皮質對於大腦意識的執行功能很重要yào，但其並不是產生意識的中心xīn。在麻醉和睡眠期間jiān，與意識的關聯可能存在更深的結構中zhōng（如前扣帶皮質zhì和後扣帶皮質）。麻醉醫師應瞭解並掌握如何解釋和鑑別不同的腦電圖特徵zhēng，結合患者狀態及各麻醉藥物特點評估患者的鎮靜jìng/麻醉深度dù。

 4    展望wàng  

未來腦電監測在全身麻醉zuì/鎮靜中的臨牀應用仍有廣闊的研究領域和探索空間jiān，亟待在廣度和深度上實現突破pò。

針對現有腦電監測指標的不足之處chù，術中複合其他監測指標的多模態監測技術可能提供更精準的麻醉指導dǎo。如rúSEF95，指頻率低於腦電圖總功率的de95%，該值越低dī，鎮靜水平越高gāo；近年來多個研究發現xiàn，SEF95可更準確地評估鎮靜jìng/麻醉深度dù，可能是一種很好的補充監測指標biāo。另外wài，基於自主神經系統的監測cè（包括鎮痛傷害性刺激指數shù、手術體積描記指數shù、傷害水平指數等děng），原理爲通過分析傷害性刺激相關交感神經反應的變化huà，間接監測全身麻醉下的傷害感受shòu。術中此類監測與基於腦電的麻醉深度監測聯合使用yòng，可能有助於更爲精準的個體化麻醉方案àn，促進患者快速康復fù。但基於自主神經系統的監測只能間接反映傷害性刺激jī，術中傷害性刺激的直接監測手段有待研發fā。

腦電監測使個體化麻醉策略的實現成爲可能néng，未來腦電監測儀器可能與人工智能結合hé，通過機器學習算法和深度學習模型等更優化的數據分析方式shì，提升腦電監測的準確性xìng和可靠性。未來人工智能技術用於腦電監測將根據患者的具體情況kuàng，包括年齡líng、相關的合併症zhèng、特殊用藥等děng，提取患者的腦電特徵zhēng，依據使用的麻醉藥物種類lèi，顯示相應的麻醉深度dù，並通過腦電監測cè⁃靶控輸注泵閉環系統調節麻醉藥物的給藥速率lǜ。

未來的腦電監測設備應當包括以下特徵zhēng：高刷新率和低延遲chí（以準確反映患者的當前狀態tài）、高靈敏度和高特異性xìng、成本低dī。可以預見jiàn，未來小型化和可穿戴設備將取代現有儀器qì，這類設備也將進一步拓展腦電監測設備的應用領域yù，特殊環境jìng、特殊情境下的腦電監測將得到推進jìn。此外wài，智能化的腦電監測設備將實現與其他醫療設備和醫療信息網絡的數據共享xiǎng，從而更好地支持醫療決策cè。

隨着腦電監測技術的提升與突破pò，腦電監測的意義也將由監測轉爲控制zhì，從而在突觸層面上直接抑制zhì傷害性感受的傳遞和實現麻醉深度的控制。麻醉的定義可能也會有所改變biàn，由yóu“用藥物或其他方法使患者整體或局部暫時失去感覺jué”轉變爲wèi“通過高密度腦電圖和基因組檢測維持的人工智能控制的靜態tài狀態”。此外wài，多學科合作是腦電監測相關研究的重要途徑jìng，與神經科學xué、生物醫學工程和計算機科學的合作也必將推進麻醉學科的整體發展zhǎn。 

        專家共識委員會huì         

董海龍lóng（空軍軍醫大學第一附屬醫院麻醉與圍術期醫學科kē）

【來源yuán】本文章轉自古麻今醉網wǎng

【聲明míng】此文章不代表本訂閱號贊同其觀點和對其真實性負責zé。如轉載內容涉及版權等問題tí，請立即與我們聯繫xì，我們將迅速採取適當措施shī。