目的：本研究旨在比較一種新的腦電參數-腦電非線性指數（ENI）與BIS在丙泊酚靶控輸注時預測鎮靜深度的能力。方法:選擇30例18～60歲，ASA Ⅰ～Ⅱ級，擬行擇期普外科手術患者。每一患者同時監測ENI和BIS。麻醉誘導給予丙泊酚靶控輸注，直至患者意識消失后給予芬太尼和羅庫溴銨行氣管插管。麻醉誘導過程中每30秒進行一次鎮靜評分（采用改良OAA/S評分），并記錄ENI和BIS值以及平均動脈壓（MAP）和心率（HR）。結果:ENI和BIS與鎮靜評分的相關性比MAP和HR高（r=0.90、0.93 vs r=0.77、0.27）。鎮靜過程（改良OAA/S評分）中ENI和BIS有很好的相關性(R2=0.828)。ENI和BIS預測鎮靜深度的能力優于MAP和HR。結論：ENI可提供與BIS相似的反映鎮靜深度的信息，能準確預測不同的鎮靜深度。
子波熵是衡量信號復雜程度的指標,本文采用連續子變換的方法對輕、中、重度阿爾茨海默病(AD)患者及正常對照老年人的腦電(EEG)信號進行子波分析,根據子波系數計算EEG信號的子波功率譜分布,提取描述EEG信號復雜程度的定量指標——子波熵。對輕、中、重度AD患者和正常對照的自發狀態下EEG信號的子波熵值進行比較,并將子波熵值與MMSE進行相關性分析。結果顯示,輕、中、重度AD組和正常對照組之間EEG信號的子波熵存在顯著差異(P＜0.01)。組間比較顯示輕、中、重度AD患者EEG信號的子波熵均低于正常對照,差異具有統計學意義(P＜0.05)。這與AD患者EEG信號的功率譜分布單一有關。進一步研究表明EEG信號的子波熵與其MMSE評分均存在顯著相關(r=0.601~0.799,P＜0.01)。子波熵可以作為描述EEG信號復雜程度的定量指標,子波熵值有可能成為AD診斷和病情評估的電生理指標。
針對所有原始腦電信號都受到低頻和尖峰噪聲干擾的問題, 提出了小波變換和獨立分量分析相結合的去噪算法; 對預處理后的腦電數據, 進行小波熵、近似熵和復雜度這三種特征參數的數值表征, 并進一步通過特征參數的狀態變化率來判斷腦電信號的狀態區分效果。麻醉與非麻醉的腦電數據處理結果表明, 三種特征參數的狀態變化率分別達到50.5%、21.6%和19.5%, 其中小波熵的狀態變化率最高, 這些特征參數可作為基于腦電信號分析的麻醉深度量化研究的基礎。
傳統樣本熵很難量化信號本身固有的遠程相關性, 雖然多尺度熵能夠檢測數據內在相關性, 但其多用于單變量信號。多元多尺度熵作為多尺度熵在多元信號上的推廣, 是非線性動態相關性的一種反映, 但是傳統的多元多尺度熵計算量大, 對于通道數較多的系統需要耗費大量的時間和空間, 并且無法準確地反映變量間的相關性。本文提出的改進的多元多尺度熵, 將傳統的多元多尺度熵針對單個變量的嵌入模式改為對所有變量同時嵌入, 不但解決了隨著通道數增加內存溢出的問題, 也更適用于實際多變量信號分析。本文方法對仿真數據及波恩癲癇數據進行了試驗, 仿真結果表明該方法對相關性數據具有良好的區分性能; 癲癇數據實驗表明, 該方法對5個數據集均具有較好的分類精度, 其中對數據集Z、S的分類精度達100%。
為了探究海洛因誘導位置偏愛大鼠的覓藥行為及動機形成與樣本熵值之間的關聯, 在黑、白箱停留、白-黑箱穿梭、黑-白箱穿梭四種不同的大鼠行為狀態下, 研究對照組與海洛因誘導條件性位置偏愛(CPP)組大鼠的前額聯絡皮層(FrA)腦電(EEG)數據樣本熵值。實驗結果表明, 與對照組比較, 海洛因誘導CPP大鼠在白-黑箱穿梭和黑箱停留狀態時, FrA區EEG樣本熵值無顯著改變; 但黑-白箱穿梭和白箱停留狀態時, FrA區EEG樣本熵值顯著變小(P＜0.01)。由此可見, 海洛因誘導CPP大鼠覓藥動機形成及其行為與EEG樣本熵值改變之間密切相關。
警覺度是人在一段時間里保持持續注意力的能力。為了探求在工作過程中警覺度隨時間的變化規律,本文設計了以三位數加減法來誘導警覺度發生變化的實驗,并通過警覺度任務(PVT)實驗結合腦電測量該變化過程,提取并分析了11例受試者腦電信號排列熵(PE)這一復雜性度量,并與非線性參數樣本熵(SE)做了簡要比較。實驗結果表明:該算法可以很好地反映警覺度下降時腦電信號的動態變化過程,且運算速度快,抗噪能力強,對腦電信號長度要求低,可以作為衡量大腦警覺度的指標。
睡眠質量與人體健康密切相關,睡眠狀態的正確分期對于睡眠質量的評估、睡眠相關疾病的診斷分析都具有重要的意義。多導睡眠(PSG)信號常用于記錄和分析睡眠狀態,而有效的特征提取和表達方法是提高睡眠分期準確性的重要環節。本文提出采用協作表示(CR)方法重新表達腦電(EEG)信號的特征,并進一步采用核熵成分分析(KECA)對CR特征進行降維。為驗證本文提出算法的有效性,將CR-KECA特征與原始特征、CR特征和CR經過主成分分析(PCA)降維后的特征進行對比,實驗結果表明:基于CR-KECA方法的特征獲得了最好的睡眠狀態分期性能,其準確率、敏感度和特異性分別為68.74%±0.46%、68.76%±0.43%、92.19%±0.11%,明顯優于CR-PCA特征、CR特征和原始特征;同時,CR算法計算復雜度非常低,而且KECA降維后的特征維度更小,因而適于臨床海量睡眠數據的分析。
腦電圖是人腦神經元動態活動的綜合表現形式,可以用來研究癲癇的腦部病理變化。本文引入多尺度排列熵(MPE)的概念,將其應用于癲癇患者和健康人的腦電圖特征提取,并將所有特征參數送入支持向量機(SVM)進行分類。實驗結果表明,在區分癲癇患者和健康人的腦電圖時平均分類精度達100%,癲癇發作間期和發作期的平均分類精度為99.58%。與同時輸入的1~5個單尺度排列熵(PE)對比分析發現,MPE比PE更能反映癲癇腦電圖多尺度上的特征,能更好、更穩定地實現癲癇預測。
臨床上基于個人電腦的腦電監護系統不適用于便攜和家庭的監測，并且癲癇患者長期住院檢測會增加醫療負擔。為此本文設計了一種基于Android智能手機的16導便攜式、網絡化監控系統。整個系統采用了主動電極技術、WiFi無線傳輸技術、多尺度排序熵算法、反向傳播(BP)神經網絡優化算法等，并基于Android手機應用軟件實現對腦電數據的處理、分析、顯示、報警等功能。系統在多臺Android 2.3以上系統的手機上測試后運行穩定、可靠，為醫護人員和患者提供了一種便攜、可靠、實用的癲癇發作監控解決方案。
目前關于心率變異性（HRV）的時域、頻域及時頻分析等線性分析方法已經取得很多共識，而針對HRV的非線性分析方法也在生物醫學和臨床醫學上有不少的研究報道，尤其是短時HRV分析，但目前仍然存在很多爭議，尚未形成統一的標準和結論。本文就短時HRV非線性分析常用的三種方法（分形維、熵及復雜度）的原理、臨床應用進展及存在問題進行詳細的綜述和討論，以期為準確地將其應用于臨床醫學提供參考。