简介：摘要目的探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（P>0.05），而在意识状态从有意识到无意识明显升高（P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（P<0.001），但是其在意识状态变化时并没有明显变化（P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（P<0.05）。结论功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

简介：摘要目的使用置信学习识别并检测丙泊酚麻醉临界状态下与意识波动相关的脑功能特征，并用其进行意识状态分类。方法选择2019年10月至2020年10月在西安交通大学第一附属医院行胸腹部手术的患者29例，年龄18~45岁，BMI 18~26 kg/m2，ASA分级Ⅰ、Ⅱ级，无神经和精神类疾病或病史。所有患者靶控输注丙泊酚，初始药物浓度设置为1.0 mg/L，并以0.2 mg/L的阶梯增加直到患者失去意识，每次药物浓度增加均以6 min为间隔。同时，给予患者听音按键任务获取其意识状态，并采集患者的脑电图（electroencephalography, EEG）。对采集的EEG进行预处理，依据声音刺激将其分为长为5 s的数据段，基于患者对每个声音刺激反应与否给予每个数据段一个标签（有意识或无意识），将患者在有意识和无意识交替出现的意识状态波动阶段定义为临界状态。提取每个数据段的包括脑电信号功率普特性、信号复杂度、脑区间功能连通性和脑网络特性的110个脑功能特征。使用前向选择方法进行特征筛选。使用置信学习对训练集进行清洗，采用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM) 3种分类器模型分别计算置信学习前后的意识状态分类正确率。结果被置信学习清洗的标签大多位于意识波动的临界状态阶段。置信学习前LDA、LR和SVM分类器模型对意识状态的分类正确率分别为（85.3±3.7）%、（85.3±3.9）%和（85.3±3.8）%，置信学习后的分类正确率分别为（93.5±2.0）%、（92.9±1.8）%和（93.3±1.0）%，相比于置信学习前平均增长了7.93%。原本显示为无意识状态（对声音刺激无反应）而被置信学习重新标记为有意识状态的数据段上的α占比-顶后区、PLI-δ-额顶和聚类系数-δ这三类特征与稳定无意识数据段差异有统计学意义（P<0.001），而与稳定有意识数据段差异无统计学意义（P>0.05）。尽管快慢波-α-额区、排列熵-θ-额区、排列熵-θ-中央和α占比-额区上在不确定意识与稳定有意识状态和稳定无意识状态差异均有统计学意义（P< 0.001），但和稳定的无意识相比，这些数据明显更加接近于稳定的有意识状态。结论使用置信学习可以有效提高临界状态下不同意识水平的分类结果，为更精确的术中意识监测提供方法学支持。