丙泊酚-七氟醚联合麻醉的脑电特征年龄依赖性研究
发布时间：2021-01-31 06:44
由于儿童的大脑发育不完全,麻醉药物引起的神经振荡变化与成人不同,所以面向成人的麻醉深度算法与监测仪器无法应用于儿童的全麻手术监测。对不同年龄患者在全麻手术中的脑电（electroencephalography,EEG）信号进行分析,定量刻画麻醉药物对不同发育阶段大脑的神经活动变化的影响,对于研究有效稳定的麻醉深度算法具有重要价值。本文以临床获取的数据为基础,对不同年龄患者在丙泊酚-七氟醚联合麻醉下的脑电特征进行年龄依赖性研究。首先,本文介绍了不同年龄患者EEG信号的采集和预处理过程,并将预处理后的数据按照年龄分为6组。本研究通过对不同年龄组功率谱和时频谱分析发现,婴儿脑电能量较低,且随着年龄增长到10个月后出现明显的缓慢振荡和alpha振荡,其中缓慢振荡的脑电能量在0-1岁年龄组中最大,alpha频段的脑电能量在3-6岁年龄组最大,并且0.1-45Hz频段的总能量在婴儿期至3-6岁,随年龄的增长而减少,此后随着年龄增长而减小。这一发现反映了突触的修剪和细化过程,表明脑电频谱特征可以反映大脑的发育程度。其次,本文基于相位幅度耦合以及小波双一致对EEG信号进行分析。针对相位幅度耦合,本文统...
【文章来源】：燕山大学河北省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
一位患者原始EEG波形
第2章不同年龄段麻醉数据获取和频谱特征分析-11-2.3脑电数据预处理脑电采集设备采集到的EEG信号中一般会混有很多噪声，其中包括生理噪声和非生理噪声。生理噪声包括眼电噪声、肌电噪声，呼吸噪声等，非生理噪声包括工频噪声、人为因素噪声。为保证本文算法分析结果的准确性，需获取质量较高的EEG信号，为此，有必要对原始的脑电信号进行预处理，来有效去除脑电信号中的噪声、伪迹等干扰。图2-1一位患者原始EEG波形本文预处理的过程主要借助MATLAB软件环境中的EEGLAB工具箱[40]实现，为兼顾信号干扰去除效果与信号完整性两方面要求，需对预处理步骤进行合理规划。本研究以一位患者EEG数据为例，描述预处理步骤及效果。如图2-1所示为改患者原始EEG信号波形图。预处理步骤如下所示：图2-2去除大幅度噪声后EEG波形(1)去除大振幅噪声，在刚开始进行数据采集时患者并未接受麻醉，患者头部会来回移动，甚至儿童患者会用手去抚摸电极贴片，并且在患者意识恢复清醒时也会触碰电极贴片，都会造成EEG数据出现大幅度噪声。在数据急剧变化的时间点也易出现回环噪声，并且由于BIS监护仪在EEG信号中有标记点，在标记点处也会出现大幅度噪声。所以这些情况造成的大噪声应该首先被去掉。大振幅噪声的去除方法就是从视觉上人为剔除其所在的时间段数据。具体操作为将采集数据导入EEGLAB
燕山大学工程硕士学位论文-12-工具箱中，并利用plot.m函数将每个患者数据画出来，时间窗100，从视觉角度选中噪声处，电极删除就将该段大噪声数据删除。去除大幅度噪声后EEG数据波形如图2-2所示。(2)去除工频干扰，日常使用的交流电会对周边环境辐射50Hz及其狭窄邻域的电磁干扰，该电磁波严重降低EEG的信噪比，故去工频是脑电信号预处理过程中的一个关键步骤。本文选用自适应陷波滤波器实现对50Hz及其狭窄邻域内信号能量的有效削弱，其结构如图2-3所示。图2-3自适应滤波器结构(3)采用线性相位有限脉冲响应(FIR)滤波器来去除高频(>45Hz)信号。FIR滤波器对长度为N的输入序列x(n)的响应为：10()()()Nkynxkhnk(2-1)式中，h(n)——滤波器的单位脉响应。上述公式(2-1)可以理解为一个信号序列输入到一个乘法器序列中与抽头系数h(n)做乘法，然后再求和的过程。FIR滤波器可以在保证信号任意幅频特性的同时具有严格的线性相频特性，不存在相位及幅度失真。同时其单位抽样响应是有限长的，因而FIR滤波器是稳定的系统。所以本研究利用FIR滤波器来去除高频信号。(4)利用eegfilt.m函数(EEGLAB工具箱)减少脑电信号低频分量(<0.1Hz)，其原理是使用双向最小二乘法或窗函数法FIR滤波器对经过高通滤波数据再次滤波，从而减少基线漂移的影响。(5)利用基于小波变换的噪声去除方法去除在觉醒和意识恢复过程中存在的眼电信号和肌电信号。首先应用正交小波基对信号进行4层小波分解，对每个子带的噪声方差进行估计，然后计算高频系数的中值从而得到相关阈值，再利用软阈值函
【参考文献】：
期刊论文
[1]七氟醚吸入麻醉对不同年龄患儿血流动力学的影响[J]. 李立晶,张建敏,赵欣,王芳,胡璟,高佳. 北京医学. 2019(08)
[2]基于Renyi排序熵的小儿麻醉深度监测研究[J]. 刘彦涛,李晓宇,梁振虎. 生物医学工程与临床. 2017(05)
[3]基于Mallat算法的小波分解重构的心电信号处理[J]. 钟丽辉,魏贯军. 电子设计工程. 2012(02)
[4]心率变异性Poincare散点图分析与BIS对麻醉深度监测的相关性研究[J]. 李佩,申岱,贾晓宁,诸葛万银. 临床麻醉学杂志. 2011(02)
[5]麻醉深度监测现状[J]. 罗宝蓉,王保国. 国际麻醉学与复苏杂志. 2007(06)
博士论文
[1]麻醉状态下神经振荡分析方法研究[D]. 李段.燕山大学 2012
[2]EEG熵算法及麻醉状态监测应用研究[D]. 梁振虎.燕山大学 2012
硕士论文
[1]宏-介观尺度下麻醉的脑电同步及脑网络分析[D]. 金星.燕山大学 2019
本文编号：3010390
【文章来源】：燕山大学河北省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
一位患者原始EEG波形
第2章不同年龄段麻醉数据获取和频谱特征分析-11-2.3脑电数据预处理脑电采集设备采集到的EEG信号中一般会混有很多噪声，其中包括生理噪声和非生理噪声。生理噪声包括眼电噪声、肌电噪声，呼吸噪声等，非生理噪声包括工频噪声、人为因素噪声。为保证本文算法分析结果的准确性，需获取质量较高的EEG信号，为此，有必要对原始的脑电信号进行预处理，来有效去除脑电信号中的噪声、伪迹等干扰。图2-1一位患者原始EEG波形本文预处理的过程主要借助MATLAB软件环境中的EEGLAB工具箱[40]实现，为兼顾信号干扰去除效果与信号完整性两方面要求，需对预处理步骤进行合理规划。本研究以一位患者EEG数据为例，描述预处理步骤及效果。如图2-1所示为改患者原始EEG信号波形图。预处理步骤如下所示：图2-2去除大幅度噪声后EEG波形(1)去除大振幅噪声，在刚开始进行数据采集时患者并未接受麻醉，患者头部会来回移动，甚至儿童患者会用手去抚摸电极贴片，并且在患者意识恢复清醒时也会触碰电极贴片，都会造成EEG数据出现大幅度噪声。在数据急剧变化的时间点也易出现回环噪声，并且由于BIS监护仪在EEG信号中有标记点，在标记点处也会出现大幅度噪声。所以这些情况造成的大噪声应该首先被去掉。大振幅噪声的去除方法就是从视觉上人为剔除其所在的时间段数据。具体操作为将采集数据导入EEGLAB
燕山大学工程硕士学位论文-12-工具箱中，并利用plot.m函数将每个患者数据画出来，时间窗100，从视觉角度选中噪声处，电极删除就将该段大噪声数据删除。去除大幅度噪声后EEG数据波形如图2-2所示。(2)去除工频干扰，日常使用的交流电会对周边环境辐射50Hz及其狭窄邻域的电磁干扰，该电磁波严重降低EEG的信噪比，故去工频是脑电信号预处理过程中的一个关键步骤。本文选用自适应陷波滤波器实现对50Hz及其狭窄邻域内信号能量的有效削弱，其结构如图2-3所示。图2-3自适应滤波器结构(3)采用线性相位有限脉冲响应(FIR)滤波器来去除高频(>45Hz)信号。FIR滤波器对长度为N的输入序列x(n)的响应为：10()()()Nkynxkhnk(2-1)式中，h(n)——滤波器的单位脉响应。上述公式(2-1)可以理解为一个信号序列输入到一个乘法器序列中与抽头系数h(n)做乘法，然后再求和的过程。FIR滤波器可以在保证信号任意幅频特性的同时具有严格的线性相频特性，不存在相位及幅度失真。同时其单位抽样响应是有限长的，因而FIR滤波器是稳定的系统。所以本研究利用FIR滤波器来去除高频信号。(4)利用eegfilt.m函数(EEGLAB工具箱)减少脑电信号低频分量(<0.1Hz)，其原理是使用双向最小二乘法或窗函数法FIR滤波器对经过高通滤波数据再次滤波，从而减少基线漂移的影响。(5)利用基于小波变换的噪声去除方法去除在觉醒和意识恢复过程中存在的眼电信号和肌电信号。首先应用正交小波基对信号进行4层小波分解，对每个子带的噪声方差进行估计，然后计算高频系数的中值从而得到相关阈值，再利用软阈值函
【参考文献】：
期刊论文
[1]七氟醚吸入麻醉对不同年龄患儿血流动力学的影响[J]. 李立晶,张建敏,赵欣,王芳,胡璟,高佳. 北京医学. 2019(08)
[2]基于Renyi排序熵的小儿麻醉深度监测研究[J]. 刘彦涛,李晓宇,梁振虎. 生物医学工程与临床. 2017(05)
[3]基于Mallat算法的小波分解重构的心电信号处理[J]. 钟丽辉,魏贯军. 电子设计工程. 2012(02)
[4]心率变异性Poincare散点图分析与BIS对麻醉深度监测的相关性研究[J]. 李佩,申岱,贾晓宁,诸葛万银. 临床麻醉学杂志. 2011(02)
[5]麻醉深度监测现状[J]. 罗宝蓉,王保国. 国际麻醉学与复苏杂志. 2007(06)
博士论文
[1]麻醉状态下神经振荡分析方法研究[D]. 李段.燕山大学 2012
[2]EEG熵算法及麻醉状态监测应用研究[D]. 梁振虎.燕山大学 2012
硕士论文
[1]宏-介观尺度下麻醉的脑电同步及脑网络分析[D]. 金星.燕山大学 2019
本文编号：3010390
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3010390.html
