论文部分内容阅读
手术过程中,对病人进行适当的麻醉极其重要。麻醉过深,可能留下神经后遗症甚至危及生命;麻醉过浅,常引起术中知晓,从而可能给病人带来严重的心理后遗症。一个理想的麻醉监护系统应该能帮助麻醉医师尽可能减少类似事件的发生,然而,相对麻醉医师来说,有意义的还是传统的临床体征信号,如血压、流泪、面部表情、体动反应等,但是这些体征很大程度上依赖于骨骼肌对麻醉药物的反应。随着平衡麻醉概念的引入、复合麻醉药和肌松药的联合使用,使得麻醉深度(depth of anesthesia,DOA)的监测在现代麻醉中是最具主观性且最具有争议性的,到目前为止,还没有任何一个指标可以适用于所有病人和所有的麻醉药剂。因此可靠而无创伤的DOA监测方法是病人迫切想得到的。 因此本文的工作重点在于建立模糊神经网络(fuzzy neural network,FNN)模型来对麻醉信号进行信息融合,以期能建立DOA指标,实现对DOA的监测。本文的实验数据来自31位不同麻醉药下全麻病人提供的脑电图(electroencephalogram,EEG)信号,病人年龄从25岁到86岁。本文从EEG信号中提取Kc复杂度(Kc complexity,Kc)、近似熵(approximate entropy,ApEn)、小波熵(Wavelet entropy,wE)三个非线性动力学特征参数,这三个特征参数作为FNN的输入,返回一个参数——麻醉深度。本文通过不同特征参数对FNN的训练,成功监测病人是否处于麻醉状态,输出值精确度达到98.66%/93.86%(麻醉状态/正常状态),初步建立DOA指标,实现对DOA的监测。最后,本文在对全文所做工作进行总结的基础上,展望了今后进一步研究的方向。 实验证明,FNN具有良好的准确性和稳定性,是DOA监测有效而又有潜力的一个工具,是具有临床应用价值的。