《Neuroscience Informatics》：Anesthetic Depth Prediction Using Compact Statistical EEG Representation and Hybrid Neural Modeling
编辑推荐：
麻醉深度（DOA）的评估主要依赖于脑电图（EEG）信号。然而，EEG数据的高维度会增加计算复杂度并限制实时临床应用。因此，高效的EEG信号表示对于实际的DOA监测至关重要。本研究提出一种紧凑统计EEG表示，该表示通过一组描述符总结每一秒的EEG片段：均值、标准
麻醉深度（DOA）的评估主要依赖于脑电图（EEG）信号。然而，EEG数据的高维度会增加计算复杂度并限制实时临床应用。因此，高效的EEG信号表示对于实际的DOA监测至关重要。本研究提出一种紧凑统计EEG表示，该表示通过一组描述符总结每一秒的EEG片段：均值、标准差、最大值、最小值、中位数以及第一和第三四分位数（Q1和Q3）。所得到的表示，连同肌电图（EMG）信号被输入到一个混合深度学习模型中，该模型结合了一种残差神经网络（ResNet）变体、一个双向长短期记忆（Bi-LSTM）层以及一个注意力机制。研究人员使用原始EEG信号和所提出的紧凑表示进行了对比实验，并将模型性能与当前最先进的方法进行了基准比较。所提出的方法实现了5.99 ± 1.10的均方根误差（RMSE）和83.73%的准确率，优于其中一些方法，并与最强的基线方法相当，其最明显的优势在于计算效率：在所有评估模型中实现了最低的推理延迟（在CPU上每个样本1.91毫秒），同时显著减少了训练时间和内存使用。K折交叉验证证实了模型在不同数据分区上具有一致的泛化能力。紧凑统计EEG表示与混合深度学习模型的结合，能够以较低的计算成本实现对DOA具有竞争力的预测精度。这些结果表明，该方法是一种有前景且计算高效的实时麻醉监测解决方案。
**研究背景与问题**
精准评估麻醉深度是保障手术患者安全的核心环节。过浅的麻醉可能导致术中知晓和急性疼痛，而过深的麻醉则可能引发昏迷等严重不良反应。传统上，麻醉医师依赖心率、血压等生命体征进行判断，但缺乏直接反映意识状态的客观指标。脑电图作为一种非侵入性神经生理技术，能够实时捕捉大脑的电活动，已成为监测麻醉深度的主要手段。其中，双谱指数（BIS）是目前临床上应用最广泛的量化指标，自1996年获美国FDA批准以来，已成为评估麻醉与镇静药物催眠效应的标准。然而，传统BIS依赖于专有硬件和封闭的算法，其内部计算无法独立验证或复现，这促使研究者开发基于标准EEG信号、具备更高透明度、计算效率和临床适应性的开源数据驱动替代方案。
尽管深度学习在基于EEG的麻醉深度预测中展现了巨大潜力，但现有方法普遍面临一个核心矛盾：信息丰富的信号表示与计算效率之间的权衡。基于手工特征的EEG表示方法（如熵、频域特征等）通常依赖复杂的预处理流程；而端到端深度学习方法直接处理原始EEG信号，则要求高容量模型和大量计算资源，这限制了它们在实时或资源受限临床环境中的应用。此外，许多研究主要关注预测精度，而对推理延迟、内存消耗和部署可行性等关键计算效率指标的关注不足。
针对上述局限性，本研究旨在提出一种紧凑统计EEG表示，在降低信号复杂度的同时保留与麻醉深度评估相关的生理有意义信息。通过将该表示与肌电图信号结合，输入到一个融合残差神经网络变体、双向长短期记忆网络和注意力机制的混合深度学习模型中，以期在保持高预测精度的同时，显著提升计算效率，为实时麻醉监测提供一种可行的技术方案。该研究成果发表在《Neuroscience Informatics》期刊上。
**主要关键技术方法**
研究人员为开展此研究采用了以下关键技术方法：第一，数据来源为来自首尔大学医院麻醉与疼痛医学部的开放存取生物医学数据库VitalDB，从中随机选取160例患者（67女，93男）的EEG、EMG及BIS信号。第二，采用一种紧凑统计EEG表示方法，将采样率128 Hz的原始EEG信号以1秒为窗口，提取均值、标准差、最大值、最小值、中位数、第一四分位数（Q1）及第三四分位数（Q3）共7个统计描述符，并结合1 Hz采样率的EMG信号，形成每秒8维的输入特征向量。第三，构建了混合深度学习模型架构，具体包括：一个一维残差神经网络（ResNet）变体用于局部特征层级提取；一个双向长短期记忆网络（Bi-LSTM）用于捕获双向时间依赖性；以及一个自注意力机制，用于自适应地加权Bi-LSTM输出的不同时间步，突出对BIS预测最有效的信息片段。
**研究结果分析**
**3.1. 窗口选择**
为了确定最优的输入序列长度，研究人员将基于紧凑统计表示的不同窗口长度（10至60样本，即秒）与基于原始1280个样本（10秒）的参考配置进行了对比。实验结果显示，模型性能随窗口长度从10秒增加到30秒而显著提升，均方根误差（RMSE）从6.82降低至5.99，准确率从80.72%提升至83.73%。超过30秒后，性能增益趋于平缓，而计算成本持续增加。与1280样本的参考配置相比，30秒窗口的紧凑表示在显著降低模型复杂度和推理时间的同时，实现了与之相当的性能（RMSE：5.84，Acc：84.02%），证明30秒窗口是实时处理中效率与精度的最优权衡。
**3.2. 消融研究**
为评估模型中各组件的贡献，研究人员进行了消融实验。独立的ResNet模型展现了强大的局部特征提取能力；独立的Bi-LSTM模型则在捕获渐进式状态转换方面表现更优。两者结合但去除注意力机制后，性能并未提升，且预测稳定性下降。而包含注意力机制的完整模型在所有全局指标上均取得最佳表现，并实现了最低的标准差，表明注意力机制通过自适应地选择和加权最相关信息，有效整合了局部特征与时间依赖信息，显著提升了预测的平衡性与可靠性。
**3.3. 模型性能**
在独立的测试集上，所提出的模型取得了MAE为4.71±1.07、RMSE为5.99±1.10、相关系数（CC）为0.871±0.083、AUC为79.85%、灵敏度为74.71%和准确率为83.73%的优异性能。训练、验证与测试集上的性能差异较小，表明模型没有出现过拟合，具有良好的泛化能力。在三个临床麻醉状态（深度麻醉DA、全身麻醉GA、清醒/镇静WA）的逐类分析中，模型在GA状态上表现最佳，WA状态由于包含短暂的过渡期导致预测误差略高，但在灵敏度、AUC和准确率上仍展现了良好的区分能力。
**3.4. K折交叉验证**
为了验证模型的稳定性和可靠性，研究人员采用了10折交叉验证。结果显示，模型在所有折上均表现出稳定且一致的性能，平均MAE为4.69±0.35，平均RMSE为6.20±0.45，与独立测试集上的结果高度吻合，进一步证实了模型对不同患者数据集的稳健泛化能力。
**讨论总结与结论翻译**
讨论部分指出，所提出的紧凑统计EEG表示（采用均值、标准差、最大值、最小值、中位数、Q1和Q3）通过去除冗余和噪声有效降低了信号维度，从而提升了模型对瞬态伪迹的鲁棒性。与现有六大类基线方法（包括标准架构如ResNet-18/34、TCN-Bi-LSTM，以及文献报道方法）的全面对比显示，所提模型在回归和分类指标上均取得了最佳平均值，且在统计上显著优于多个基线。特别地，与性能最强的TCN-Bi-LSTM和Afshar等人的模型相比，其预测误差具有可比性，但其最鲜明的优势在于计算效率：在CPU上实现了最低的推理延迟（1.91毫秒/样本），速度是ResNet-18的3.3倍，是Afshar等人模型的29倍，这直接归功于紧凑统计表示将输入从1280维降为8维向量。该效率使得每次预测仅占BIS 1秒更新间隔的0.19%，完全满足实时术中监测的低延迟要求。
研究结论部分翻译如下：麻醉深度的准确评估通常依赖于对大量且复杂的EEG信号的分析。在本研究中，提出了一种紧凑统计EEG表示，它在降低计算需求的同时保留了预测精度。该表示被输入到一个融合了ResNet变体、双向LSTM和注意力机制的混合模型中。在由未见患者组成的独立测试集上，所提模型达到了5.99±1.10的RMSE和83.73%的准确率，10折交叉验证证实了一致的泛化能力（RMSE=6.20±0.45）。与当前最先进的方法相比，它优于多个基线，并与最强的方法性能相当，其最明显的优势在于计算效率：在所有评估模型中具有最低的推理延迟（CPU上每个样本1.91毫秒），远低于1秒的BIS更新间隔。结果表明，这种紧凑统计EEG表示在回归和分类任务中均能保持有竞争力的准确性，同时显著缩短处理时间。该策略在预测性能与计算效率之间取得了平衡，凸显了其在实时麻醉监测中的应用潜力，能够实现对麻醉深度的快速且计算高效的估计。
