《BioMedInformatics》：Real-Time EEG-Based Anaesthesia Monitoring Using Neural Networks on Edge-AI Hardware
编辑推荐：
背景：全身麻醉状态下的意识丧失监测通常依赖于间接生理指标，而非对大脑活动的直接测量。本研究探讨了一种结合机器学习（ML）与边缘人工智能（Edge-AI）的紧凑型实时脑电图（EEG）监测系统，用于评估麻醉诱导的无意识状态。方法：将多锥度谱分析（MSA）集成到实时
背景：全身麻醉状态下的意识丧失监测通常依赖于间接生理指标，而非对大脑活动的直接测量。本研究探讨了一种结合机器学习（ML）与边缘人工智能（Edge-AI）的紧凑型实时脑电图（EEG）监测系统，用于评估麻醉诱导的无意识状态。方法：将多锥度谱分析（MSA）集成到实时处理流程中，以便在LR、LDA、LDA+LR、NN和QNN分类模型进行推理之前，从原始EEG中提取特征。研究人员利用从可获取的第三方数据集中获得的2秒EEG时段的光谱特征，开发了一种紧凑型神经网络，并采用受试者独立五折交叉验证进行了评估。在所评估的分类器和类别平衡策略中，使用合成少数类过采样技术（SMOTE）训练的神经网络表现出最强的整体性能。所选模型随后被量化为8位精度，并作为量化神经网络部署在无外部连接的PYNQ-Z2 FPGA模块上。结果：该神经网络在受试者独立评估下达到了0.90的准确率。经8位量化后，部署在FPGA上的模型实现了0.88的准确率，同时推理阶段延迟低于0.8毫秒，计算速度提升超过2.7倍。结论：这些结果表明，将基于受试者独立的EEG分类与高效、低延迟的边缘AI实现相结合，用于实时麻醉监测是可行的。所提出的系统为开发面向麻醉医师的基于EEG的决策支持工具奠定了基础，并有望在未来部署于资源受限或远程监测环境中。
**论文解读：基于Edge-AI的实时EEG麻醉监测系统研究**
**1. 研究背景与问题**
脑电图（Electroencephalography, EEG）作为一种非侵入性的大脑电活动监测方法，在临床和研究中被广泛用于评估神经状态、睡眠质量及认知状态等方面。然而，在全身麻醉（General Anaesthesia, GA）过程中，麻醉医师通常依据心率、血压等间接生理指标来推断患者的意识状态，而非直接监测大脑活动。这种做法存在一定的风险，尤其是在老年患者中，可能增加肺炎、中风或心脏事件等并发症的发生概率。尽管已有商业化的麻醉深度监测仪（Depth-of-Anaesthesia, DoA），如脑电双频指数（Bispectral Index, BIS），但其普及程度和应用场景仍受限。因此，开发一种能够直接基于EEG信号进行实时意识状态评估的紧凑型、低功耗系统，对于提升麻醉监测的准确性和可及性具有重要意义。此外，在手术室之外，如灾害现场、急救响应或资源匮乏地区，便携式意识监测设备的需求日益凸显。现有研究虽然证明了EEG结合机器学习（Machine Learning, ML）进行意识状态分类的可行性，但多数工作局限于离线的软件分析，鲜有涉及硬件部署及资源受限环境下的实时推理性能考量。为填补这一空白，本研究探索了将边缘人工智能（Edge Artificial Intelligence, Edge-AI）与EEG信号处理相结合，在低成本、低功耗的现场可编程门阵列（Field-Programmable Gate Array, FPGA）平台上实现实时麻醉监测的可行性。
**2. 研究内容与结论**
研究人员开发了一套完整的实时EEG监测系统原型，旨在通过单通道额叶EEG（Fp1）信号检测全身麻醉患者的意识丧失（Loss of Consciousness, LOC）与意识恢复（Return of Consciousness, ROC）。系统硬件由便携式头带（含额叶电极）、OpenBCI Cyton生物传感板以及PYNQ-Z2 FPGA开发板构成。EEG信号经Cyton板无线传输至PYNQ-Z2板，在板载ARM CPU核心上完成滤波和多锥度谱分析（Multitaper Spectral Analysis, MSA）后，由部署在FPGA可编程逻辑（Programmable Logic, PL）上的量化神经网络（Quantised Neural Network, QNN）执行分类推理，最终通过RGB LED显示意识状态。研究使用了来自PhysioNet的公开数据集，包含10名健康志愿者（丙泊酚诱导）和44例手术室（Operating Room, OR）患者（其中27例仅使用丙泊酚，17例使用七氟烷或联合用药）的EEG谱特征数据，并基于受试者独立五折交叉验证框架进行评估。经过对逻辑回归（Logistic Regression, LR）、线性判别分析（Linear Discriminant Analysis, LDA）、LDA+LR混合模型、标准神经网络（Neural Network, NN）及QNN等五种模型，结合原始分布（Original）、随机欠采样（Random Undersampling, RUS）和合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）三类类平衡策略的全面比较，最终选定以SMOTE训练的NN模型为最优方案。该模型经8位量化后以QNN形式部署于FPGA，在保持88%准确率的同时，推理延迟低于0.8毫秒，计算速度较CPU端NN实现提升超过2.7倍，功耗亦有所下降。研究结果表明，将受试者独立的EEG分类模型与低延迟的边缘AI硬件实现相结合，能够满足实时麻醉监测的需求，为开发资源受限环境下的EEG决策支持工具奠定了坚实基础，并展示了紧凑型系统在急救、灾害救援及远程医疗等场景中的广阔应用前景。
**3. 关键技术与方法**
本研究采用的核心技术方法包括：其一，多锥度谱分析（MSA），利用一系列正交的Slepian锥度（离散椭球序列，DPSS）对2秒非重叠EEG时段进行功率谱密度估计，以获得100个频率区间（0–49.5 Hz，间隔0.5 Hz）的光谱特征；其二，基于Python（版本3.6）及NiTime等库在PYNQ-Z2板载ARM CPU上实现信号预处理与光谱变换，包括线性去趋势、Butterworth带通滤波及陷波滤波；其三，构建紧凑型100-32-1双层全连接神经网络，采用ReLU和Sigmoid激活函数，并以Adam优化器训练；其四，采用8位量化感知训练（Quantisation-Aware Training, QAT）方法，基于Brevitas库训练QNN，再经FINN框架与Vivado高层次综合（High-Level Synthesis, HLS）工具编译为FPGA逻辑电路；其五，采用受试者独立的五折交叉验证框架，结合RUS与SMOTE策略应对数据集严重的类别不平衡问题。
**4. 研究结果**
**4.1 ML模型应用与结果**。在三种类平衡策略（SMOTE、RUS、Original）下，研究人员对LR、LDA、LDA+LR及NN四种软件分类器进行了受试者独立五折交叉验证评估。结果表明，NN模型在准确率、精确率、灵敏度、特异度、F1分数及AUC等指标上均 consistently 获得最优表现，其中以SMOTE平衡策略训练时性能最佳。因此，NN-SMOTE被选为最优模型。
**4.1.1 混淆矩阵测试结果**。研究人员对NN-SMOTE分类器在三个独立队列（志愿者丙泊酚队列、手术室丙泊酚队列、手术室丙泊酚+七氟烷混合队列）上的聚合预测结果进行了混淆矩阵分析。分类器在各队列中均展现出稳定且优异的性能：准确率介于88.89%至91.3%之间，AUC介于0.9472至0.9801之间。尤其值得注意的是，在手术室丙泊酚队列中，灵敏度达到96.28%，特异度为90.96%，表现出对临床EEG记录的良好适应性。这一结果证实了该模型在不同麻醉方案和临床环境下均具备可靠的泛化能力。
**4.1.2 小提琴图与置信区间分析**。通过小提琴图对分类器输出的意识预测概率分布进行分析，研究人员发现，无意识（类0）和有意识（类1）EEG时段的预测概率分别在0和1附近高度集中，展现出极佳的两类可分性。绝大多数预测发生在远离决策边界的高置信度区域，且95%置信区间狭窄，进一步验证了分类器在未见受试者数据上的输出稳定性。
**4.1.3 精确率-召回率曲线**。鉴于手术室队列数据固有的类别不平衡特性，研究人员进一步进行了精确率-召回率（Precision-Recall, PR）分析。NN-SMOTE分类器取得了0.870的平均精确率（Average Precision, AP），远超无技能基线（0.230），表明模型能够有效识别意识状态，并在较宽的决策阈值范围内将误报率控制在较低水平。研究人员亦指出，可根据不同临床场景调整决策阈值以优化性能，例如在追求高灵敏度时适当降低阈值，或在需要减少干扰警报时提高阈值，但系统本身定位为辅助决策工具，并不替代临床医生的判断。
**4.2 Edge-AI实现结果**。研究人员将经SMOTE训练的NN模型量化为8位QNN并部署于PYNQ-Z2的FPGA逻辑资源上。资源利用分析显示，QNN设计仅占用了XC7Z020 FPGA芯片极小比例的逻辑资源，表明该设计具备移植至更小尺寸、更低成本FPGA芯片的可行性。在推理性能方面，QNN在FPGA上的推理时间仅为0.78毫秒，功耗为156毫瓦，相较CPU端NN实现（推理时间2.1毫秒、功耗228毫瓦），推理速度提升约2.7倍，功耗降低约31.6%。虽然QNN的准确率（0.88）略低于全精度NN（0.90），但其综合效能显著优于其他模型。整体系统流水线延迟主要由MSA阶段主导，约需306毫秒处理每个两秒滑动EEG窗口，加上推理时间后总延迟约为318毫秒，即系统能以约3.2次/秒的刷新率进行实时监测，完全满足麻醉监测的临床需求。研究人员指出，未来若对MSA阶段进行FPGA硬件加速，有望获得更高的更新率。
**5. 讨论与结论**
在讨论部分，研究人员着重强调了所提出系统在现实应用中的潜力与局限性。确切而言，系统的小型化原型机具备独立运行能力，表明此类监测设备可突破传统手术室或重症监护室的部署限制，向偏远地区、战地、灾害现场及急救响应等场景延伸。结合多传感头带技术（如脉搏、血氧及呼吸感知）和无线连接功能，可进一步发展为功能更全面的便携式患者状态监视器，在急救场景中为评估伤员意识水平和紧急镇静效果提供关键信息。
研究中亦存在若干当前的局限性。首要限制在于缺乏规模更大、多样性更丰富的公开EEG数据集，现有PhysioNet数据集虽涵盖志愿者与手术室两个群体并涉及两种麻醉剂，但无法完全代表日常临床实践中的所有患者变异性和合并症情况，因此所得结果宜视为该混合数据集内的基准性能，其临床普适性需通过独立的前瞻性队列研究进一步验证。另一个限制是可用数据为预处理后的光谱数据而非原始EEG波形，这在一定程度上限制了对信号处理方法探索的深度。此外，面向真正的临床部署，仍需开展前瞻性手术室研究，将系统与既有的DoA指数（如BIS）以及临床医生参与评估相结合，以全面检验其实用性、可解释性及警报负担，并确保其作为增强而非替换临床判断的工具来发挥作用。
研究结论方面，本文提出了一种紧凑、可移植的实时麻醉无意识监测系统，通过分析EEG功率谱特征实现意识状态分类。在对比的多种推理模型中，NN和QNN取得了较LR、LDA及LDA+LR更优的整体分类性能。其中，QNN在保持与全精度NN相近准确率的同时，实现了显著更低的功耗和更快的推理速度，是FPGA实时部署的最优选择。该研究验证了基于EEG的边缘AI系统在临床麻醉监测中的重要潜力，并为未来开发体积更小、功耗更低、可广泛部署于多样化场景的新一代监测设备奠定了基础。
