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。
- 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。
-
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WAVCNS,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,B0-2,C0-2,D0-2,E0-2,F0-1),也可能14个(E0-1),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
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 ↩︎Valdes P, Valdes M, Carballo JA et al. QEEG in a public health system. Brain Topogr 1992; 4(4): 259–266 ↩︎
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 ↩︎