3    脑电监测的原理及主要指标  

脑电图代表突触后皮质神经元电位的总和，而麻醉和其他抑制高级皮质功能的过程会降低神经元的整体放电，减慢频率并增加其同步性。随着麻醉深度增加，脑电呈现慢波特征（频率逐渐减慢，同时波幅增大），再至爆发抑制，最终呈等电位线。临床用于全身麻醉/镇静的脑电监测技术为通过算法将原始脑电转换为麻醉深度指数。过程为收集健康患者随着麻醉水平加深所出现的脑电信号和相应的行为反应，形成数据库供参考；确定相关的临床终点（如意识丧失、对刺激水平失去反应、恢复清醒等），对该数据库进行分析，提取最有前景的相关参数，通过高度复杂的数学方法对初步麻醉深度指数进行分类；然后在临床试验中对该算法进行测试，对其性能进行仔细检查，重复该过程，直到算法被视为有效为止。其中的脑电信号处理包括对原始脑电信号的检测和记录，以及将前额表面电极接收到的模拟脑电信号进行放大、初级滤波（去除噪声和干扰）、模数转换、滤波获得所需数字信号，提取相关的脑电特征或参数，通过对这些参数的统计分析和分类，确定最终的麻醉深度指数。围手术期脑电监测分析技术包括：

3.1.1　时域分析

时域分析即直接从原始脑电中提取信息，包括脑电波形、频率、相位、振幅随时间的变化及异常波出现的时间、方式等。麻醉诱导后，脑电波形通常随着麻醉深度的增加由高频低幅向低频高幅转变，麻醉维持状态下的脑电波形振幅比清醒状态下大5~20倍。通过时域分析也能迅速识别麻醉过深的爆发抑制状态。

3.1.2　频域分析

频域分析是通过傅立叶变换将时域波形分解为一系列不同频率和振幅的独立正弦波。根据频率范围将脑电波形分为δ（1~4 Hz）、θ（5~8 Hz）、α（9~12 Hz）、β（13~25 Hz）、γ（26~80 Hz）等5种波段。

3.1.3　时频分析

时频分析将时域和频域结合，描述了频率随时间的变化情况。将时间放在X轴，频率放在Y轴，功率通过颜色编码绘制成二维光谱图，又称密度谱阵列。时频分析可清晰地呈现麻醉药物类别、剂量和患者年龄引起的脑电特征差异。

3.1.4　功能连接分析

功能连接分析研究不同脑区脑电信号间的相干性和相位同步关系。相干性用于描述信号在不同频率下的同步关系，相干系数取值0~1，高相干值意味着各频率成分是同步的。相位同步指两个相互耦合的神经振荡活动的相位差固定，不随时间的变化而变化。采用大脑的功能连接分析的方法更有利于明确不同麻醉药物的作用机制。

3.1.5　复杂度

复杂度通过反映大脑活动在时间或空间上的“难度”，来评估脑的复杂性。Lempel‑Ziv复杂度是一个常用的时间复杂度指标，由相位随机化的替代数据揭示。空间复杂性涉及形成连通性矩阵和计算连通性模式的复杂性。时空复杂性可以通过多种方式进行估计，包括时间或空间连接、状态切换估计或综合信息。通过评估复杂性，可以监测麻醉深度、脑损伤下的意识状态等。

3.1.6　相位幅值耦合分析

相位幅值耦合分析用于评估麻醉引起的跨区域功能关系的变化。首先，对原始数据中感兴趣频带进行带通滤波；其次，将带通滤波后的信号转换为复数解析信号；最后，从解析信号中提取相位或振幅，评估幅值在相位角上的分布。

3.1.7　基于人工智能的脑电分析技术

基于人工智能的脑电分析技术能够自主提取数据特征，完成复杂信息的分类任务（如逻辑回归、朴素贝叶斯模型和支持向量机等）。有研究提出了基于额叶脑电的意识评估方法，先从原始脑电中提取置换熵、样本熵、置换Lempel‑Ziv复杂性、相对功率等特征，再使用基于遗传算法的支持向量机对意识状态进行分类。研究结果表明，与单一的脑电特征相比，遗传算法‑支持向量机（GA‑SVM）结合多种脑电特征可以更准确地评估患者意识状态。

当前，临床使用的脑电监测指标包括脑电功率谱、爆发抑制率、BIS、反应熵、状态熵、Narcotrend指数、PSI、SNAP指数和Ai等。听觉是全身麻醉诱导过程中最晚消失和最早恢复的感觉，可采用听觉诱发电位来反映麻醉和觉醒状态。

3.2.1　BIS

BIS采用了基于功率频谱分析、双频谱分析和爆发抑制数据的算法，BIS范围为0~100。

3.2.2　Narcotrend指数

Narcotrend指数采用爆发抑制、时域和频域分析提取相关脑电参数，检测后进一步细分成14个亚阶段：从A（清醒）到F（深麻醉）。

3.2.3　PSI

PSI由4通道脑电采集并通过算法计算而来，范围为0~100，最佳深度在25~50。还可显示两侧密度谱阵列和两侧4通道的原始脑电波形。

3.2.4　熵

熵由频谱分析产生，有2个主要参数：状态熵，反映催眠深度（指数范围为0~100）；反应熵，伤害感受/刺激反应的间接评估（来自额部肌电图，指数范围为0~91）。

3.2.5　AEP

AEP指数依赖于中潜伏期听觉诱发电位（middle latency auditory evoked potential，MLAEP）与脑电信号。监测时通过耳机给予双侧滴答声刺激，从补充背景脑电噪声中识别出刺激后的脑电信号，并处理成MLAEP；反映丘脑和初级听觉皮质内的神经活动。

3.2.6　Ai

Ai以频率、时域、复杂度等多个指标为基础，采用多变量统计方法对脑电波进行从清醒到最深麻醉程度量化，范围为0到99%（0表示最深程度麻醉）。

目前，临床较常用的脑电监测指标存在局限性：① 缺乏公认、说服力强的数据分析手段，既往以线性尺度的方法将镇静深度划分为0~100过于简单，也不符合生物学原理；② 易受药物、手术事件、患者病理生理状况及其他电信号等干扰；③ 目前常用的脑电监测电极多安置在一侧或双侧的前额及耳前颞部，部分手术中应用受限；④ 目前的监测大多基于额叶脑电。虽然前额叶皮质对于大脑意识的执行功能很重要，但其并不是产生意识的中心。在麻醉和睡眠期间，与意识的关联可能存在更深的结构中（如前扣带皮质和后扣带皮质）。麻醉医师应了解并掌握如何解释和鉴别不同的脑电图特征，结合患者状态及各麻醉药物特点评估患者的镇静/麻醉深度。

 4    展望  

未来脑电监测在全身麻醉/镇静中的临床应用仍有广阔的研究领域和探索空间，亟待在广度和深度上实现突破。

针对现有脑电监测指标的不足之处，术中复合其他监测指标的多模态监测技术可能提供更精准的麻醉指导。如SEF95，指频率低于脑电图总功率的95%，该值越低，镇静水平越高；近年来多个研究发现，SEF95可更准确地评估镇静/麻醉深度，可能是一种很好的补充监测指标。另外，基于自主神经系统的监测（包括镇痛伤害性刺激指数、手术体积描记指数、伤害水平指数等），原理为通过分析伤害性刺激相关交感神经反应的变化，间接监测全身麻醉下的伤害感受。术中此类监测与基于脑电的麻醉深度监测联合使用，可能有助于更为精准的个体化麻醉方案，促进患者快速康复。但基于自主神经系统的监测只能间接反映伤害性刺激，术中伤害性刺激的直接监测手段有待研发。

脑电监测使个体化麻醉策略的实现成为可能，未来脑电监测仪器可能与人工智能结合，通过机器学习算法和深度学习模型等更优化的数据分析方式，提升脑电监测的准确性和可靠性。未来人工智能技术用于脑电监测将根据患者的具体情况，包括年龄、相关的合并症、特殊用药等，提取患者的脑电特征，依据使用的麻醉药物种类，显示相应的麻醉深度，并通过脑电监测⁃靶控输注泵闭环系统调节麻醉药物的给药速率。

未来的脑电监测设备应当包括以下特征：高刷新率和低延迟（以准确反映患者的当前状态）、高灵敏度和高特异性、成本低。可以预见，未来小型化和可穿戴设备将取代现有仪器，这类设备也将进一步拓展脑电监测设备的应用领域，特殊环境、特殊情境下的脑电监测将得到推进。此外，智能化的脑电监测设备将实现与其他医疗设备和医疗信息网络的数据共享，从而更好地支持医疗决策。

随着脑电监测技术的提升与突破，脑电监测的意义也将由监测转为控制，从而在突触层面上直接抑制伤害性感受的传递和实现麻醉深度的控制。麻醉的定义可能也会有所改变，由“用药物或其他方法使患者整体或局部暂时失去感觉”转变为“通过高密度脑电图和基因组检测维持的人工智能控制的静态状态”。此外，多学科合作是脑电监测相关研究的重要途径，与神经科学、生物医学工程和计算机科学的合作也必将推进麻醉学科的整体发展。 

        专家共识委员会         

董海龙（空军军医大学第一附属医院麻醉与围术期医学科）

【来源】本文章转自古麻今醉网

【声明】此文章不代表本订阅号赞同其观点和对其真实性负责。如转载内容涉及版权等问题，请立即与我们联系，我们将迅速采取适当措施。