熵用于麻醉深度监测的研究进展

《熵用于麻醉深度监测的研究进展》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、熵用于麻醉深度监测的研究进展安徽医科大学附属省立医院麻醉科(230001)章蔚1方才1[摘要]自非线性动力学方法被应用于脑电图非平稳信号的处理以来，将熵的概念引入了麻醉深度监测领域。与麻醉深度监测有关的熵包括Shannon熵、Kolmogorov熵、单值分解熵、近似熵、交叉近似熵、状态熵和反应熵等，尤其是近年来倍受关注的状态熵和反应熵，用于麻醉深度监测具有简单、快速、准确等优点，临床应用前景广阔。熵（Entropy）是由德国物理学家Rudolf-Clausius于1868年首次提出的，最初是物理学的概念。上世纪40

2、年代末，由于信息理论的需要出现了Shannon熵，50年代末以解决便历理论经典问题而崭露头角的Kolmogorov熵，以及60年代中期，为研究拓朴动力系统而产生的拓朴熵(topologicalentropy)，都相继诞生；1984年Johnson和Shore等人进一步将熵引用于信号的功率谱[1]。简言之，熵是关于不确定性的数学度量。熵引入麻醉深度监测中是基于1937年Gibbs等首次提出用脑电图（EEG）监测麻醉深度，并将应用EEG信号来监测麻醉深度成为研究的热点。众所周知，麻醉前后EEG波形会有明显变化，但因EE

3、G个体差异及变化较大，而且不同麻醉药物、不同导联、温度及环境的变化都对EEG信号有较大影响，所以EEG信号一直无法直接应用于临床麻醉。随着快速傅立叶变换(FFT)技术的成熟，产生了反映EEG频域特征的参数中间频率（MF）、频谱边缘频率（SEF）、脑电双频指数（BIS），前两者有各自的缺陷，未能广泛进入临床，最为成功的方法是BIS，虽然它能较灵敏地反映麻醉深度，但由于它存在对不同药物、不同麻醉方法反应不同的缺点，不能独立应用于临床麻醉监测。近年来非线性动力学方法被广泛地应用于非平稳信号的处理，多种熵的分析也是如此，而

4、脑电活动正是一种非平稳信号，所以该方法非常适合于EEG的处理[2]。目前已被应用于研究麻醉深度的熵主要包括Shannon熵、Kolmogorov熵、单值分解熵、近似熵、交叉近似熵、状态熵和反应熵。这些熵都是由EEG参数转化而来，所表达的是信息的不规则性，即信号越不规则熵值就越高，信号越规则熵值就越低，信号完全规则时熵值为0。人在清醒状态下，由于EEG是很不规则的，所以其熵值高。大多数麻醉药物致深麻醉水平时，首先引起大脑皮层电活动爆发抑制，随后在EEG上显现抑制信号。如果EEG显示的是完全抑制信号，此时熵值即为0[3

5、]。1.Shannon熵（Shannonentropy，ShEn）ShEn是标准测量序列位次状态的方法，已用于DNA测序。它量化了值分布的概率密度函数。Bruhn等发现[4]，EEG振幅值的ShEn随地氟醚浓度的增加而不确定的增加。ShEn对于EEG总功率熵的描述不能标准化，即它的绝对值往往因人而异，这在很大程度上限制了其临床应用，也促使人们进一步研究和发展了其它的熵。2.单值分解熵（entropyofthesingularvaluedecomposition，SVDEn）SVDEn是EEG复杂性监测方法之一。Mu

6、ncaster等研究表明[6]，七氟醚洗脱期SVDEn对于镇静的预测准确性优于BIS和听觉诱发电位（AEP），在瑞芬太尼消除期，SVDEn价值也优于BIS、AEP，但SVDEn真正能便于临床应用，仍有待更深入的研究。3.Kolmogorov熵（Kolmogoroventropy，KoEn）KoEn定义为信息的平均损失率。若系统表现确定性混沌，则KEN是大于零的常数。KoEn值越大，信息的损失率就越大，系统的混沌程度也就越大，或者说系统越复杂。有人将KoEn使用于大鼠EEG麻醉深度监测中[5]，计算并分析了大鼠在戊巴

7、比妥钠腹腔注射麻醉过程中EEG信号的KEN动态变化曲线。结果表明，在一定麻醉深度时KoEn动态变化曲线与原始脑电信号所反映的各脑区抑制与兴奋状态的变化趋势有很好的一致性。并因此认为KoEn是一种新的麻醉深度监测方法，推荐用于临床。尽管目前有关KoEn实际用于临床的报道很少，但由其引申出的近似熵却有了很大的发展。locatedintheTomb,DongShenJiabang,deferthenextdayfocusedontheassassination.Linping,Zhejiang,1ofwhichliquo

8、rwinemasters(WuzhensaidinformationisCarpenter),whogotAfewbayonets,duetomissedfatal,whennightcame4.近似熵(approximateentropy，ApEn)ApEn是Pincus在1991年提出的，系为一种度量序列的复杂性和统计量化的规则，是从KoEn演变而来。A