麻醉深度相关文献阅读记录-1

文献标题	记录
等电位脑电是否能标识死亡	特殊的麻醉状态会产生等电位脑电，特殊情况下麻醉深度继续加深又会产生尖峰放电
基于样本熵与决策树的麻醉意识深度评价指数的研究	普可，决策树分类器与最小二乘拟合法计算麻醉深度指数
近似熵理论及应用	介绍近似熵的计算步骤（参考知乎），介绍了近似熵在医学领域的应用，反映脑皮层受抑制程度
近似熵：一种新的麻醉深度监测方法	简单介绍，提到了听觉诱发电位、熵和双谱BIS
监测麻醉深度的脑电信号的近似熵特征研究	近似熵的计算方法，介绍比较详细一点，计算可以看这
NeuroSENSE Brochure	NeuroWave的NeuroSENSE说明手册
NeuroSENSE White Paper	NeuroWave的NeuroSENSE白皮书
SedLine Sedation Monitor	Masimo的说明书，显示四通道脑电，使用的指数叫PSi（Patient State Index），显示密度谱阵列，Density Spectral Array (DSA)
Comparative Evaluation of a New Depth of Anesthesia Index in ConView System and the Bispectral Index during Total Intravenous Anesthesia: A Multicenter Clinical Trial	普可医疗的临床数据
Time-frequency balanced spectral entropy as a measure of anesthetic drug effect in central nervous system during sevoflurane, propofol, and thiopental anesthesia	GE Entropy在不同药物下与BIS的比较，没有什么算法上的有用信息
Patient state index	Masimo提出的PSi指数，Masimo的算法似乎因为保密没有查到特别相关的算法文献，这篇是对PSi的一个说明和特性描述，包括很多临床测试PSi的文献
CAI Brochure	BrainU的介绍
A Cepstral Analysis based Method for Quantifying the Depth of Anesthesia from Human EEG	BrainU 给的参考文献之一，倒谱分析
Narcotrend Breif Instruction	Narcotrend的介绍
The Narcotrend monitor	Narcotrend详细点的介绍
Narcotrend Monitoring Allows Faster Emergence and a Reduction of Drug Consumption in Propofol–Remifentanil Anesthesia	正文是临床，附录有算法，算法描述跟前面的详细介绍里是一样的，没有其他内容！
The Narcotrend Index: Classification Algorithm, Correlation with Propofol Effect-Site Concentrations, and Comparison with Spectral Parameters	依然跟介绍里差不多，没啥新鲜关于算法的内容，后面是对比各计算方法
Invariant Reversible QEEG Effects of Anesthetics	QEEG的变化情况与麻醉药物无关
VitalDB, a high-fdelity multiparameter vital signs database in surgical patients	vitalDB介绍
A Review on Machine Learning for EEG Signal Processing in Bioengineering	脑电的机器学习回顾

• 等电位脑电是否能标识死亡
  指出小于2uV的脑电为等电位脑电（isoelectric eeg）。报告了一篇使用异氟醚麻醉的情况，随着麻醉深度增加，出现等电位脑电，继续加深麻醉深度，出现峰值为0.5mV的尖峰放电，称为Nu-complexes。¹
   

• 基于样本熵与决策树的麻醉意识深度评价指数的研究

  • 以不同参数鉴别不同状态，似乎是先判断处于哪个状态，然后去使用相应参数。
    • 复杂度区分清醒与麻醉
    • 频率信息区分不同麻醉深度
    • 爆发抑制比量化深度麻醉
      超过0.5s脑电电位不大于±5uV时认为发生爆发抑制，计算爆发抑制比。
  • 样本熵量化复杂度，边缘频率量化频率信息，爆发抑制比量化爆发抑制作为脑电参数，应用决策树计算DOAI。
     

• 近似熵：一种新的麻醉深度监测方法
  可以从这篇了解一下听觉诱发电位？还提到了一句*熵值可分为状态熵（state entropy）和反应熵（response entropy）前者根据脑电图（EEG）算出后者是 EEG 及额肌电电图（FEMG ）整合计算的结果。*状态熵和反应熵？整合计算？怎么进行，额肌电图通过电极直接采集？
   

• 监测麻醉深度的脑电信号的近似熵特征研究
  近似熵算法这篇好理解一点。
   

• NeuroSENSE Brochure
  电极放置方式四电极，不同于BIS，左右两侧太阳穴，额中位，额偏左侧位置。
  所以额中位（R）是指参考，额偏左侧位置（G）是指地电极？记录eeg分别是左右两侧太阳穴的1、2电极？
  而且说明书强调了对两侧半球的独立检测。
  提出的指标叫做WAV_CNS，全称是Wavelet Anesthetic Value for Central Nervous System，根据描述似乎是一个基于小波的计算量，基于γ波段的分析。
   

• NeuroSENSE White Paper
  这个东西一直强调全静脉麻醉的闭环控制，应该是因为与药物可以建立线性关系，以及他的小波算法的时间延迟更低，这里使用的是1s的时间段计算，计算结果就是指标值，不需要经验。计算的是一个概率密度函数，指标是对概率密度变化的一个度量。
  与经验无关，且结构简单，这个参数有很好的一致性，线性时不变系统
  显示两个值，分别标识双侧半球，一般双侧值的差异在±8，给出例子说明，两个值差异过大伴随着脑氧水平不一致还有半侧脑中风。
   

• SedLine Sedation Monitor
  每一家都提了一个自己的参数指标，这一个叫PSi，Patient State Index，病人状态指数，这个听着就没其他的厉害。。
  同时显示四通道脑电，他用的电极也是最多的，应该是6个，中间俩可能是参考和地，然后左右分别L1L2R1R2。但是它有两种
  同时显示密度谱矩阵，应该是随时间频谱能量图，频率这里是0.5~30Hz，显示95%边缘频率的位置。且区分左右脑，计算能量谱密度矩阵
   

• Comparative Evaluation of a New Depth of Anesthesia Index in ConView System and the Bispectral Index during Total Intravenous Anesthesia: A Multicenter Clinical Trial
  这里提到的普可的算法是基于样本熵、95%SEF、爆发抑制比（BSR），the Depth of Anesthesia Index (Ai) based on sample entropy (SampEn), 95% spectral edge frequency (95%SEF), and burst suppression ratio (BSR)
  这里的意思是普可只用了这三个参数？他前面讲决策树也是只有这三个
   

• Patient state index
  根据这篇文章给出的临床试验结果，Masimo主要点，抗干扰性能，在用电刀（electrocautery）受到的影响更小。
  虽然没有具体算法描述，不过给了个算法流程图。从这个图上来看，抗干扰应该确实是着重做了，提到了用20000个样本的数据库建立的伪影模型。
  算法依赖于从4个通道得到的功率、频率、相位，双侧大脑的一致性。The algorithm relies on 4-channel EEG providing information on power, frequency and phase from anterior–posterior relationships of the brain as well as coherence between bilateral brain regions.
  这里的脑区一致性似乎是作为判断麻醉深度的特征之一，这是唯一提到脑区间一致性作为特征的。之前BIS提到同步感觉更像是信号拆解后成分间的同步，而不是脑区？比较NeuroSense来说，NeuroSense认为两边算出来不一致是由于缺氧等风险因素导致的，而这里不一致可能是麻醉的影响？
  他提到了脑电图QEEG在年龄间的稳定性。引的文献看看有没有更详细的说明。^{2 3}
   

• CAI Brochure
  BrainU提出的指数叫Cortical Activity Index（CAI），皮层活动指数。就这篇说明来看，对于算法并没有特别强调说明，反而是着重在分离式的结构，采集模块和显示平板的分离，通过蓝牙传输这一点。甚至参考文献里，除了两篇相关算法的，专门给了一篇无线传输的文献。
   

• A Cepstral Analysis based Method for Quantifying the Depth of Anesthesia from Human EEG
  BrainU用的是倒谱分析+香农熵，怎么结合暂时没看到说明，给的参考文献有两篇，一篇是这个倒谱分析，还有一篇关于香农熵。
  倒谱分析是语言识别里提出的一种分析方式，按照博客上的说法，是取对数的功率谱，具体有什么特点先不管，暂时考虑是计算一种频率相关的结果。然后对计算出的倒谱使用一系列过滤器（filter bank）提取出一系列系数，看起来有点像是小波分解类似的操作，但是文献没有给出filter bank的具体公式，可能是公认的，可以推出来？接着对提取出的一系列系数用Fisher评分筛选出最相关的两个，机器学习进行训练。
   

• Narcotrend Breif Instruction
  电极可选1通道（3电极）或2通道（4电极），它分两类，一类手术室用，一类监护用，内部算法有没有区别未知。显示上有不同，手术室用似乎有更丰富的图标显示可以选择？
   

• The Narcotrend monitor
  详细的介绍，Narcotrend分为6个大阶段A-F，15个小阶段（A,B_0-2,C_0-2,D_0-2,E_0-2,F_0-1），也可能14个（E_0-1），图片上是0-2，文献里提到的大多是0-1，对应于1-100的评分。
  首先是建立数据库，似乎是对A-F每个不同阶段建立数据库
  对爆发抑制的判断似乎也是独立于后面的机器学习单独进行的，非爆发抑制提取出背景参数（Background Parameters），具体是什么没有详细说明，但是为什么会叫背景？
  根据描述来看，带通在0.5-45Hz，似乎是没有像BIS一样计算EMG作为判断特征之一？
  每隔5s计算前20s的数据，重叠15s（75%）。
  Trace segments with a length of 20 s are the units of classification. In order to provide a smooth and continuous assessment of the EEG signal, the preceding 20 second period is classified every 5 s, yielding an overlap of 75% of the recorded data at every time point.
  后面都是测试结果和与BIS的比较这些。
   

• Narcotrend Monitoring Allows Faster Emergence and a Reduction of Drug Consumption in Propofol–Remifentanil Anesthesia
  主要看附录，Appendix: Narcotrend Algorithm
  算法来源于睡眠记录，包括字母分段也是沿用于睡眠记录。要弄这个算法估计要追溯一下睡眠监测。
  这篇也提到了对每个不同阶段建立数据库，build up a database of typical examples for all substages from A to F. 数据库的构建依赖人眼筛选出无干扰的20s为一段的不同阶段的脑电信号来构建？more than 1,000 artifact-free epochs with a length of 20 s were visually classified
  跟上一篇几乎一样！
   

• The Narcotrend Index: Classification Algorithm, Correlation with Propofol Effect-Site Concentrations, and Comparison with Spectral Parameters
  这篇里提了E₂是新增的一个阶段。
  在这里EMG是一个干扰项被单独提出？To avoid misclassifications no classification is performed if the EEG signal is artefact-contaminated or in cases of uncertainty. Instead, a respective information is displayed on the screen (e.g. „EMG“).
   

• Invariant Reversible QEEG Effects of Anesthetics
  For many different frequencies, EEG power changes across all electrodes were independent of type of anesthetic but highly significant between different states of anesthesia
   

• VitalDB, a high-fdelity multiparameter vital signs database in surgical patients
  vititaldb(生命体征数据库)是一个开放的数据集，专门为促进与监测手术患者生命体征相关的机器学习研究而创建。
  该数据集包含6388例病例的高分辨率多参数数据，包括196个术中监测参数、73个围术期临床参数和34个时间序列实验室结果参数的486451个波形和数值数据轨迹。
  数据来源：
  非心脏(普通、胸外科、泌尿外科和妇科)手术患者
  只有87%连接了bis
   

• 博客补充
  通信的数学原理-香农信息熵中文版

---

1. Human Brain Activity Patterns beyond the Isoelectric Line of Extreme Deep Coma Kroeger, D, Florea, B and Amzica F. PLOS One September 18, 2013
   entropy analysis of EEG recordings during sevoflurane anesthesia. J. Neural Eng.7:046010. doi: 10.1088/1741-2560/7/4/046010 ↩︎

2. Valdes P, Valdes M, Carballo JA et al. QEEG in a public health system. Brain Topogr 1992; 4(4): 259–266 ↩︎

3. Gugino LD, Chabot RJ, Prichep LS et al. Quantitative EEG changes associated with loss and return of consciousness in healthy adult volunteers anaesthetized with propofol or sevoflurane. Br J Anaesth 2001; 87(3): 421–428 ↩︎