麻醉是通过多种药物的联合使用,来影响中枢神经系统的活动,最终达到镇静、镇痛、遗忘等适合外科手术操作的状态。在临床麻醉过程中,麻醉药物施加不足会造成患者由术中知晓引起的心理创伤；麻醉药物施加过量则会使患者现场或是愈后的不良事件增加。因此通过监测患者生理数据,实施精确麻醉是确保麻醉安全的必要手段之一。脑电作为大脑皮层神经细胞的宏观电活动,可实时反映大脑皮层的活动状态,已经被用作麻醉意识深度监测的主要手段。格子复杂性是一种刻画混沌序列内含信息的指标,对于脑电混沌特性的量化具有优势。基于两种不同的时间序列的分划方法(均值分划和排列分划)和细粒化方法,本文将格子复杂性算法用于麻醉过程中脑电信号的分析,进而对麻醉镇定程度和伤害性刺激程度引起的意识变化进行量化。通过临床实验,获取30例通过静脉输注丙泊酚实施全麻手术的患者数据,在此基础上论文进行下述的仿真计算：1.分别计算了格子复杂性和Lempel-Ziv复杂性,比较了两者在诱导期和恢复期的区别,并计算了两者与BIS的相关性及对MOAA/S评分分类的预测概率(PK)值。结果表明诱导期均值分划格子复杂性效果较好；恢复期排列分划格子复杂性效果较好,与BIS的相关性为0.9636；对于整个麻醉期均值分划格子复杂性效果最佳,与BIS相关性为0.8416；同时细粒化指数一般取3可得到不错的效果。2.考虑到单一的指标难以准确的量化麻醉深度,本文选取了脑电格子复杂性复杂性、边缘频率和爆发抑制率三个参数,将其作为神经网络的输入,相应的BIS值作为神经网络的输出,利用训练集数据对网络进行优化,通过对测试数据的分析发现此网络具有一定的适用性。3.本文对脑电格子复杂性用于麻醉中的疼痛监测也进行了研究,计算了脑电信号功率谱的格子复杂性,结果发现细粒化指数不同时对疼痛刺激的识别也不同。当细粒化指数选取合适时,能得到与谱熵一样的疼痛监测效果,可为临床疼痛监测提供一个新思路。综上所述,格子复杂性作为一种符号序列的复杂性度量方法,可用于麻醉意识深度监测及疼痛监测。