异丙酚引起的意识丧失过程中脑电图微状态序列时间组织的改变 (Fractal)

• 研究目的：评估异丙酚引起的意识丧失期间 EEG 微状态序列时间组织的变化
• 方法：前瞻性临床试验。 将包括 20 名年龄在 18 至 40 岁之间、计划在全身麻醉下进行择期手术的右利手成年患者。

患者不会接受任何术前口服抗焦虑药。 到达手术室并休息 10 分钟后，将记录基线脑电图（持续 5 分钟）。 然后，在 100% 氧气的三分钟代理期后，患者将使用 Schnider 等人的药代动力学模型接受异丙酚静脉内诱导。 初始脑浓度为 0.5 µg ml-1，逐步增加 1.0 µg ml-1 至 2.5 µg ml-1，然后增加 0.5 µg ml-1 直至意识丧失。 在诱导过程中，患者的肺部将通过面罩使用 100% 的氧气轻轻换气。

在达到血脑异丙酚浓度的每次平衡后五分钟，将对临床镇静（使用经过验证的警觉性/镇静 [OAA/S] 量表的六点观察者评估）进行注释。 原始脑电图，稍后用于分形分析，将在手术过程中被连续记录。 相应的 OOA/S 分数将记录在原始 EEG 上。 该研究在患者失去知觉后 10 分钟结束（对应于 OAA/S <2 的“轻度刺激或摇晃”没有反应）。

神经科学家将在麻醉后延迟进行脑电图的分形分析

• 假设：我们假设 EEG 微观状态的分形特性将随着异丙酚引起的意识丧失而同时发生改变。
• 脑电图和数据分析 微观状态分析 首先，我们将确定全局场功率 (GFP) 的最大值。 由于地形在 GFP 峰值附近保持稳定，因此就信噪比而言，它们是瞬时地图地形的最佳代表。 18 所有标记为 GFP 峰值的地图（即该时间点所有电极的电压值）将被提取并提交给修改后的空间聚类分析，使用原子化凝聚层次聚类（AAHC）方法 19 来识别最主要的地图地形。 模板映射的最佳数量将通过交叉验证标准确定。 20 然后，我们会将每个受试者中识别出的模板图提交到第二个 AAHC 聚类分析中，以确定所有受试者中的主要聚类。 最后，我们将计算在组级别识别的模板与每次运行中为每个主题识别的模板之间的空间相关性。 因此，我们将使用与其最对应的组模板标记每个单独的地图，以便在后续的组分析中使用相同的标签。

然后，我们将使用 32 毫秒的时间约束标准计算四个模板图与瞬时 EEG21 之间的空间相关性。 然后，我们将使用这些空间相关时间进程来选择每个时刻 k 的主导微观状态 m(k)∈{}，并将这些时间序列提交给分形分析。

• 分形分析 我们将把微状态序列分成二分并执行随机游走（在这些二分上）。 整合此随机游走后，我们将通过小波变换分析整合的随机游走并提取分形参数：Hurst 指数和高阶累积量。
• 分形假设 人们可以预期微状态序列的长期依赖性会降低，即人们会预期较低的 Hurst 指数会伴随更深的麻醉并因此失去意识。 或者，我们也可以期待从单分形到多重分形的转变，即可以以使用多个参数为代价来描述微状态序列的时间动态的缩放，即 Hurst 指数和偏离零的高阶累积量。