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。
目的 研究腦電雙頻指數（BIS）在小兒麻醉中的應用，為BIS在小兒臨床麻醉上的廣泛應用及提高小兒麻醉的安全性提供依據。 方法 2011年1月－3月擬行腹部外科手術的患兒60例，男39例，女21例；年齡1～4歲，美國麻醉醫師協會分級Ⅰ～Ⅱ級，隨機分為兩組，每組各30例。S組：七氟醚、瑞芬太尼和維庫溴銨維持麻醉；P組：丙泊酚、瑞芬太尼和維庫溴銨維持麻醉。采用BIS監測麻醉深度，將BIS控制在50 ± 5，記錄麻醉誘導前到手術探查期間不同時點的血流動力學參數及蘇醒、拔管時間。 結果 手術過程中P組血壓及心率明顯低于麻醉前水平（P＜0.05）。S組蘇醒迅速、完全，蘇醒時間與P組比較差異有統計學意義（P＜0.05）。S組的血流動力學穩定性優于P組，蘇醒時間、拔管時間相對較短。麻醉誘導前兩組的BIS值均為97 ± 1，意識消失時的BIS值為71 ± 2。BIS值為50 ± 5時，結果顯示手術過程中（T4、T5、T6、T7）兩組的心率、血壓都很平穩。 結論 BIS作為小兒麻醉鎮靜深度的監測指標有臨床意義。
在微電極陣列植入的有創電生理實驗條件下,記錄大鼠麻醉過程中初級視覺皮層(V1)局部場電位(LFP),采用非線性動力學分析方法得到時間演化的復雜度變化曲線,并結合熱刺激甩尾延遲時間和心率兩項麻醉深度輔助判定指標,通過視覺刺激實驗驗證復雜度判定麻醉狀態的可靠性。實驗結果表明,麻醉過程中LFP的復雜度變化趨勢相似,在相同麻醉狀態下,視覺刺激前后大鼠初級視覺皮層響應LFP的復雜度差異不顯著;但是不同麻醉狀態下視覺刺激前后的LFP的復雜度具有顯著性差異,說明復雜度可以作為麻醉深度判定的指標。進一步利用優化方法得到判定麻醉深度的復雜度閾值,其可靠性和準確率較高,為開顱手術的患者臨床麻醉狀態檢測提供了有效的方法。
麻醉意識深度監測是臨床中保證全身麻醉(全麻)手術順利進行的關鍵手段之一, 腦電圖(EEG)作為檢測大腦皮層活動的主要信號, 是評價麻醉意識深度的重要工具。本文根據腦電信號隨麻醉意識深度變化的趨勢, 提出結合腦電分析中的時域、頻域及復雜度方法, 采用決策樹分類器與最小二乘擬合法計算麻醉深度指數(DOAI)。利用臨床采集的40例丙泊酚全麻手術患者的腦電信號和麻醉專家對信號的分類、評分對此方案進行驗證, 實驗結果與目前臨床上廣泛使用的BIS指數進行對比, 結果顯示DOAI與BIS指數的Pearson相關性可達0.89, 從而證實此方案的可行性與準確性, 為麻醉監護工作者提供了一種思路。
目的 探討腦電雙頻指數（bispectral index，BIS）監測麻醉深度對胃腸外科全麻手術患者麻醉恢復時間的影響。 方法 選擇四川大學華西醫院 2016 年 1 月至 2016 年 6 月在腦電雙頻指數（BIS）監測下實施胃腸外科擇期手術患者 404 例為 BIS 監測暴露組（簡稱 BIS 組），選擇同期未使用 BIS 監測的胃腸外科擇期手術患者 404 例為 BIS 監測非暴露組（簡稱非 BIS 組）。主要評價指標為麻醉早期恢復時間，包括手術結束至氣管導管拔出時間（t1）和手術結束至出手術室時間（t2），同時分析其與患者年齡、手術時長（t0）以及手術類型（開腹或腹腔鏡）的關系。 結果 兩組患者的性別、年齡、體重和 ASA 分級無統計學差異（P>0.05），兩組手術時長無統計學差異（P>0.05）。BIS 組的氣管導管拔出時間（10.1±4.4vs. 16.4±6.8）和出手術室時間（21.7±12.3 vs. 27.4±14.6）均短于非 BIS 組（P<0.05）。BIS 組中高齡人群（>60 歲）和長時間手術人群（手術時間> 5 h）的麻醉恢復時間均明顯短于非 BIS 組。兩組患者組內比較顯示，采用開腹或腹腔鏡手術方式，麻醉恢復時間均無明顯統計學差異。 結論 胃腸外科擇期全麻手術使用 BIS 監測麻醉深度，患者的麻醉恢復時間更短，且在老年患者及長時間手術人群中尤其明顯。開腹或腹腔鏡手術之間的麻醉恢復時間則無明顯差異。
全身麻醉是外科手術中保證患者安全的必不可少的部分，腦電圖（EEG）能反映大腦活動狀況，包含豐富的信息，因此已廣泛應用于監測麻醉深度。本文提出了一種將小波變換與人工神經網絡（ANN）相結合的方法來估計麻醉深度。利用離散小波變換（DWT）將腦電信號進行分解，根據分解得到的近似系數與細節系數計算 9 種特征參數，并對這 9 種特征參數進行克魯斯卡爾-沃利斯統計檢驗，結果表明這 9 種特征參數在清醒、輕度麻醉、中度麻醉和深度麻醉這四種不同麻醉水平間的差異均有統計學意義（P < 0.001）。將這 9 種特征參數作為 ANN 的輸入，以雙譜指數（BIS）作為參考輸出，使用 8 例全麻手術的患者數據對該方法進行了評估。該方法在 7∶3 留出法中對測試集四種不同麻醉水平的分類準確度為 85.98%，與 BIS 的相關系數為 0.977 0。結果表明，該方法能較好地區分四種不同麻醉水平，對于麻醉深度監測具有廣闊的應用前景。