深度监测

关键词： 因术 伤害性 精神障碍 临床

深度监测（精选八篇）

深度监测 篇1

关键词：麻醉深度监测,脑电双频指数,听觉诱发电位,近似熵

麻醉深度监测是临床麻醉医生一直关注的问题。随着肌肉松弛药的出现, 全身麻醉趋于偏浅。现今的临床麻醉在要求做到患者意识消失、无痛、肌松、避免术中知晓的同时, 还要求能精确地给予适量的麻醉药物, 避免麻醉药品的浪费, 缩短麻醉后恢复时间, 从而控制医疗成本。所以, 麻醉深度监测已经成为备受瞩目的问题。

1 麻醉及麻醉深度的定义

在1847年Plomley首先提出麻醉深度的概念, 并将麻醉深度分为三期:陶醉、兴奋 (有或无意识) 和较深的麻醉。1937年Guedel提出经典的乙醚麻醉分期, 即第一期为痛觉消失期, 第二期为谵妄兴奋期, 第三期为外科手术期, 第四期为延髓麻醉期。1954年Artusio将经典乙醚分期的第一期扩展为三级:第一级无记忆缺失和镇痛;第二级完全记忆缺失、部分镇痛;第三级完全无记忆和无痛, 但对语言刺激有反应, 基本无反射抑制[1]。而麻醉深度的定义现在也没有公认的标准。由于现代全身麻醉多为镇痛药、催眠药和肌松药的联合使用, 麻醉深度的定义不能简单化和统一化。目前普遍认为麻醉深度是指全麻过程中使患者处于无意识状态, 且对伤害性刺激的反应降至最低的程度。

2 麻醉深度的临床判断

临床体征的观察仍是目前判断麻醉深度的基本方法。常用于麻醉深度判断的体征主要包括:血压和心率, 瞳孔对光反射, 眼球运动及流泪, 呼吸量, 呼吸形式和节律, 骨骼肌反应, 皮肤颜色、温度, 吞咽运动, 唾液分泌, 肠鸣音和食道运动等等。但这些指标往往不易定量, 而且由于手术和麻醉的相互作用导致这些体征的变化更加复杂, 难以十分准确客观的体现麻醉深度, 给临床应用带来一定难度。

3 麻醉深度的监测方法

3.1 脑电双频指数 (Bispectral index, BIS)

BIS是一个统计数值, 它来源于对大样本的接受不同麻醉药物输注的受试者双额脑电图的记录, 所有被记录的脑电图及其相联系的意识状态和镇静水平 (临床麻醉目标点) 组成数据库。计算数据库中脑电图的双谱和能量谱参数 (傅立叶转换) , 并与相关的临床资料进行相关分析, 将最能区分临床麻醉目标点的双谱和能量谱参数, 与单个脑电图间的相干性组合起来, 并使用多因素回归模型将每个特性参数在达到临床麻醉目标点中的相对作用转换为线性数字化指数即为BIS, 范围从0 (等电位脑电图) 到100 (完全清醒) [2]。双谱分析在测定脑电图线性成分 (频率和波幅) 的同时, 也分析了脑电图成分波之间的非线性成分 (位相和谐波) 。

目前许多研究已表明BIS与许多麻醉药物的浓度有良好的相关性。其中BIS与丙泊酚的相关性最好。但监测氧化亚氮及氯胺酮的情况报道不一[3~4]。由于BIS与大部分全麻药浓度的相关性较好, 故BIS监测对术中指导麻醉药物的用量以保持适宜的麻醉深度是非常有用的。但许多因素会对BIS产生影响。在静脉复合麻醉和体外循环的低温状态下, 也可表现为BIS值与麻醉深度不一致[5]。BIS只反映意识成分, 而由于伤害性刺激的体动反应可能来源于脊髓的反射, 所以BIS对镇痛成分监测不敏感。由于BIS有一定的采样及计算时间, 所以原始脑电图的获取和相应的BIS值之间稍有滞后, 有伪迹时这个延迟就更长。

3.2 听觉诱发电位 (auditory evoked potential, AEP)

听觉是麻醉过程中最后消失的感觉, 它随着麻醉的加深而逐渐被抑制。听觉诱发电位是指声音刺激通过听觉传导通路的各级中枢所产生的生物电活动。可分为脑干听觉诱发电位 (BAPE) 、中潜伏期听觉诱发电位 (MLAEP) 和长潜伏期听觉诱发电位 (LLAEP) 。其中MLAEP的形态学变化与麻醉深度有良好相关性, 在清醒状态下个体间及个体本身的差异性很小, 而且与绝大多数麻醉药呈剂量相关的变化, 基本符合判断麻醉深度的标准。

Danmeter公司采用外源输入自回归模型将AEP进行量化, 转换为一个与麻醉深度成正比, 由0~100分度的指数 (AAI) 。AAI清醒状态时为60~100, 睡眠状态为40~60, 浅麻醉状态为30~40, 30以下为临床麻醉状态。研究表明, 丙泊酚麻醉中, AAI能较BIS更敏感地区别意识状态的转换[6]。而且, 有研究结果进一步显示, 在使用丙泊酚行麻醉诱导时, 是否伍用芬太尼几乎不影响意识消失时AAI值, 而BIS值却随配伍用的不同而变化[7]。说明相比BIS而言, AAI能更好地监测丙泊酚复合芬太尼麻醉中意识状态的转换, 较少地受药物配伍的影响。另外, BIS不能预测伤害性刺激反射, AAI在预测切皮时的体动反应更优[8], 能更有效的跟踪监测镇静水平的变化。

3.3 近似熵 (approximate entropy, Ap En)

熵作为一个物理概念最早被Shannon用于信息理论, 后来被用于信息处理的功率谱中, 其表达的是信息的不规律性, 信号越不规律熵值就越高。大多数麻醉药在深麻醉时脑波图表现抑制, 如果脑波图上的信号是完全抑制则熵值是0。熵值可分为状态熵 (state entropy, SE) 和反应熵 (response entropy, RE) 。前者根据脑电图 (EEG) , 从0.8~32Hz的频率谱计算而来, 主要反应皮层的功能。后者是EEG及额肌电电图 (FEMG) 整合计算, 从0.8~47Hz的频率谱计算而来, 反映面部肌肉的活动敏感性。面部肌肉可以对苏醒做出早期提示, 表现为RE的快速升高。当EMG等于0时, 反映熵等于状态熵, 反之高于状态熵。RE, SE值85~100代表正常清醒状态, 40~60代表麻醉状态, 40以下为深麻醉状态。在全麻期间, 如果麻醉深度适当, RE与SE相等;如果疼痛刺激使面部肌肉出现高频活动, 反映熵则迅速发生变化。

相比较于BIS, 有报道称在联合使用丙泊酚和雷米芬太尼的一项对比实验中, ApEn比BIS、SEF95有更好的预测性。但也有不同的报道结果称, ApEn和BIS的比较实验中两者均提供相似的信息, 差异无显著意义。只能说明, ApEn和BIS一样有一定的临床指导作用。有部分研究认为, ApEn具有更好的抗干扰性, 也对镇痛有较好的监测作用, 均有待于进一步的研究证明。

3.4 其他监测方法

3.4.1小波分析 小波分析是利用计算机对脑电波形进行选择, 得出具有代表性的基本小波, 再通过不同的计算方法得出相应的具有代表性的波形和指数。这种分析方法曾被应用于多种领域, 尤其在图像信号分析方面有巨大优势。小波分析在时、频两域都具有代表信号局部特征的能力。目前利用小波分析进行麻醉深度监测的研究仍在进行, 是很具有潜力的一种新方法。

3.4.2 脑功能状态指数 (Cerebral State Index, CSI) 丹麦丹密特公司推出的脑功能状态指数 (CSI, Cerebral State Index) 监护仪其每秒钟测量2000次大脑的活动 (EEG) , 将数个脑电图的子参数结合在自适应的神经模糊推论系统。监护仪将麻醉深度指数翻译为0-100之间的某一数字, 得出CSI值。CSI是一项采用脑电信号的子参数作为一种自适应神经模糊推理系统的输入。它对EEG信号的四种子参数进行了计算。有研究表明, CSI能够正确反应麻醉深度、镇静程度与药物浓度之间的关系, 与BIS有相似性。但对于CSI的研究目前还不全面, 还有待于临床进一步的验证。

3.4.3 另外, 还有一些新的研究方法, 如通过外周灌注指数和心率变异性 (HRV) 的变化加权分析产生的Surgical Stress Index (SSI) , 能够反映伤害性刺激强度。它从新的角度对麻醉深度进行了分析和监测。但如何将反映伤害性刺激和反映镇静水平综合分析仍有待进一步研究。

综上所述, 理想的麻醉深度监测方法应能实时、无创地显示麻醉深度, 能对手术刺激敏感, 及时显示结果, 能准确反映麻醉药在体内的浓度, 并在统一标准下显示所有麻醉药的麻醉深度, 不易受干扰, 使用方便。但目前的麻醉深度监测方法中, 还远没有达到这一理想目标。我们应该采取全方面的综合监测, 结合临床研发出更多, 更有效的监测方法和监测仪器, 从而为临床判断麻醉深度提供更大的帮助。

参考文献

[1]于布为.理想麻醉状态与麻醉深度监测[J].广东医学, 2005.26 (6) :723~724.

[2]VIVIEN B, PAQUERON X, LE COSQUER P, et al.Detec-tion of brain death onset using the bispectral index inseverely comatose patients[J].Intensive CareMed, 2002, 28:419~425.

[3]Hans P.Effect of nitrous oxide on the bispectral index andthe 95%spectral edge frequency of the electroencephalo-gram during surgery[J].Anaesthesia, 2001, 56 (10) :999～1002.

[4]Coste C.Nitrous oxide prevents movement during orotrachealintubation without affecting BIS value[J].Anesth Analg, 2000, 91 (1) :130～135.

[5]GU IGNARD B, CHAUV IN M.Bispectral index increasesand decreases are not always signs of inadequate anesthesia[J].Anesthesiology, 2000, 92:903.

[6]Gajraj RJ, Doi M, Mantzaridis H, et a1.Analysis of the EEGbispectrum, auditory evoked potentials and the EEG powerspectrum during repeated transitions from consciousness tounconsciousness[J].Br J Anaesth, 1998, 80:46.

[7]米卫东, 刘靖, 曹江北, 等.脑电双频指数与听觉诱发电位指数监测诱导期麻醉深度的比较[J].临床麻醉学杂志, 2004, 20 (9) :515～517.

深度监测 篇2

深度探讨基于GPS技术的建筑物动态监测

本文基于笔者多年从事变形及动态检测的相关工作经验,探讨了基于GPS技术的建筑动态监测方法,全文是笔者长期工作实践基础上的理论升华,相信对从事相关工作的`同行有着重要的参考价值和借鉴意义.

作 者：周连珍 作者单位：广州市城市规划勘测设计研究院,广州,510060刊 名：科技资讯英文刊名：SCIENCE & TECHNOLOGY INFORMATION年，卷(期)：2009“”(31)分类号：P2关键词：大型建筑物 动态监测 GPS 原理

麻醉深度监测方法的进展 篇3

1 麻醉深度的定义

麻醉深度的定义经历了超过一个世纪的演变。1937 年Guedel提出乙醚麻醉分期概念,即痛觉消失期、谵妄兴奋期、外科手术期、延髓麻醉期,是临床公认的最为经典的麻醉深度定义[5]。在此基础上,20世纪50 年代初,Artusio对乙醚麻醉分期的痛觉消失期进行了进一步拓展,并将其细分为无记忆缺失和镇痛期、完全记忆缺失及部分镇痛期、完全无记忆和无痛期,其中,完全无记忆和无痛期是指患者基本无反射抑制,但对语言刺激有一定反应[6,7]。随着现代麻醉技术的不断发展,全身麻醉多采取镇痛药物、催眠药物、肌松药物联合应用方案,麻醉的深度无法被简单化及统一化,故目前临床对于麻醉深度的定义尚不存在一致标准,多数学者认为,全麻过程中保证患者处于无意识状态,尽可能将其对伤害性刺激的反应降至最低是理想的麻醉深度。

2 麻醉深度监测方法

2.1 脑电双频指数

脑电双频指数(Bispectral index,BIS) 由Aspect Medical Systems公司于1994 年提出,是在脑电图频率谱和功率谱的基础上增加对位相和谐波的非线性分析得出的混合信息拟合的数字。该指标主要用于麻醉过程中患者意识水平的监测,大量研究证实,BIS与正常的生理睡眠具有较强相关性,而BIS值(0~100)的高低与患者大脑皮层的兴奋与抑制状态密切相关,且能够有效预测患者麻醉、意识、记忆状态[8]。目前临床对BIS是否能够预防术中知晓的发生率尚存在争议,有学者研究发现,使用BIS监测与未使用BIS监测比较,术后知晓率分别为0.10%、0.18%,无明显统计学差异[9];但也有学者指出,使用BIS监测可指导镇静药物用量选择,且在颅脑手术丙泊酚靶控输注麻醉中可作为反馈控制变量,达到精确调控药物用量、控制麻醉深度、减少术中血流动力学波动等作用,此外,BIS还可通过减少麻醉药物用量,进一步保证手术的安全性[10]。总体而言,虽然BIS易受电刀、起搏器、低温、低血容量、中枢神经系统疾病等多种因素干扰,对意识水平的监测有滞后性且不同麻醉药物、不同麻醉方法也会导致BIS出现不同变化,但如果将BIS与患者客观体征综合分析,仍可达到较佳的镇静深度指示效果,可作为麻醉深度监测的良好参考。

2.2 熵指数

熵又称为平均信息量,最早用于信息理论领域,熵指数越高,则信息规则性越弱,熵指数月底则表明信息规律性较强。熵指数主要通过患者前额的3 个电极传感器采集原始脑电图及肌电图信号,并通过频谱熵运算程序熵运算公式计算而来,主要包括反应熵(RE)、状态熵(SE)两项指标,其中RE由脑电图、额肌肌电图整合计算而来,主要用于面部肌肉活动敏感性的反映,一般而言,RE值在40~60 范围内表明麻醉深度较为适宜;SE可通过脑电图直接求得,可反映麻醉药物在皮层区域引发的睡眠效果,与RE相同,SE在40~60 范围内亦表明麻醉深度适宜[10]。最新研究表明,若RE值与SE值相等,则表明麻醉较为理想,一旦患者因疼痛刺激出现面部肌肉活动,RE会出现迅速变化并导致RE/SE分离[11]。故通过RE、SE的变化能够量化麻醉深度,有效指导麻醉药物剂量,同时还可评估患者麻醉恢复及术中知晓状态,其及时性、准确性及良好的抗电刀干扰能力已得到广泛认可。需要注意的是,熵指数易受频繁眼运动、咳嗽、体动、癫痫或神经功能异常影响,导致判断结果受到干扰[12],因此,熵指数的推广范围亦有所限制。

2.3 听觉诱发电位

听觉诱发电位(Auditory evoked potential,AEP)是指声音刺激听觉传导通路经脑干至听觉皮层到达联合皮层的生物电活动,包括脑干听觉诱发电位(BAPE)、中潜伏期痛觉诱发电位(MLAEP)、长潜伏期听觉诱发电位(LLAEP)3 个部分。由于听觉是麻醉过程中最后消失的感觉,故AEP能够有效反映麻醉深度。其中,MLAEP在清醒状态下个体间及个体自身差异性极小,故与麻醉深度相关性最佳,且有研究发现,MLAEP形态学变化与多数麻醉药物剂量呈现高度相关性,为麻醉深度的监测及麻醉药物用量的选择提供了有效参考[13]。丹麦Danmeter公司使用外源输入自回归模型将AEP进行量化转换为0~100分度的指数(AAI),一般而言,清醒状态时AAI为60~100,睡眠状态时AAI降至40~60,AAI分度降至30 以下时即表明患者进入临床麻醉状态。与BIS比较,AAI敏感性更高、反应速度更快,且有学者指出,AAI具有更高的切皮时体动反应价值,对镇静水平的跟踪监测具有重要意义[14]。但根据AEP监测麻醉深度的灵敏度及特异性仍不能达到100%,主要与监测仪使用环境要求较高,易受人为移动、电刀干扰有关,此外,AAI与氯胺酮等部分麻醉药物相关性有限,且不适用于听力障碍者,故其应用范围也存在一定局限性[15]。

2.4 Narcotrend指数

Narcotrend指数又称麻醉趋势,是一种以脑电分析为基础的麻醉深度检测方案,已在欧美多个国家得到普及。其原理为使用Kugler多参数统计分析方法,将麻醉深度由浅至深使用A~F共6 个字母表示,其中A表示清醒状态,F表示麻醉程度过深导致突发抑制,D、E阶段是麻醉最理想的深度。研究表明,Narcotrend指数与原始脑电图视觉分级和自动分级的相关性可达92.0% 以上,可信性较高[16]。但也有研究表明,Narcotrend指数在使用神经肌肉阻断剂的情况下,监测结果并不可靠,且与BIS相似,Narcotrend指数亦不能及时反映清醒和麻醉两状态间的过渡变化,时效性有待提高[17]。

2.5 脑功能状态指数

脑功能状态指数(CSI)监测仪由丹麦丹密特公司研发制成,可通过每秒2000 次测量大脑活动,结合数个脑电图子参数推断大脑皮层抑制状态。与BIS相似,CSI范围亦为0~100,数值越小则表明大脑皮层抑制越严重,且可明确指示麻醉深度、镇静程度与药物浓度之间的关系,临床应用前景光明[18]。但目前关于CSI的临床研究较少,其具体优势及不足仍待进一步验证。

2.6 其他监测方法

目前临床监测麻醉深度的方法多种多样,除BIS、熵指数、AEP、Narcotrend指数、CSI等,还有学者发现,根据脑电图 α、β、γ、δ 四个特征波形的平均功率特征,加之心率、血压等反应的生命特征,可综合计算出人工神经网络(ANN)参数,从而指示麻醉深度,其评价麻醉深度的灵敏度、特异性分别为76.4%、85.6%[19]。亦有研究指出,通过计算机筛选出具有代表性的脑电波波形和指数,即小波分析,有望在图像信号分析方面发挥巨大优势,但小波分析在麻醉深度监测方面尚处于起步阶段[20]。此外,还有学者将心率变异性(HRV)、外周灌注指数等指标加以综合分析,得出伤害性刺激强度(SSI)用于反应镇静水平,为麻醉监测开辟了新的角度,但目前临床关于伤害性刺激与镇静水平的关联性尚存在争议[21]。

3 麻醉深度监测的现状与展望

麻醉深度监测系统的优化算法研究 篇4

关键词：麻醉深度,脑电,脑电双频指数,麻醉趋势,脑状态指数,多参数优化算法

麻醉深度(depth of anesthesia,DOA)监测是神经科学领域与医学领域的一个挑战性难题。精确地计算麻醉深度对于临床麻醉用药,减少术中知晓和术后并发症的发生,为病人提供安全、无痛的手术过程,具有非常重要的指导意义。

分析了现有麻醉深度监护设备的指标数值的设计思路以及算法的优缺点,并探索性地提出了一种新的多参数优化算法来实现具有自主知识产权的麻醉深度监护系统。从适用性和准确性角度来讲,本系统的算法将优于医院现有的麻醉深度监护设备的处理算法,也将是一个经济的、适合我国患者人群的意识深度监测分析系统。

1 麻醉深度监测途径

传统的临床体征观察是判断麻醉深度的基本方法,包括血压和心率、瞳孔对光反应、眼动及流泪、呼吸量、体动反应、皮肤颜色、吞咽、唾液分泌、肠鸣音等,但这些指标由于特异性不强,影响因素多,患者的个体差异大,难以客观地反映麻醉深度。

脑电信号(electroencephalogram,EEG)是大脑皮层神经细胞群体[1]突触电位变化的综合反映,具有直接反映意识活动的优势。近年来随着计算机技术和脑电信号分析技术的发展,以脑电信号为依据的麻醉深度监护仪在临床麻醉学中的已开始备受关注。

2 麻醉深度监护仪的脑电信号分析算法

以EEG为依据的麻醉深度监护仪的核心在于如何应用更合理的算法来处理系统采集到的脑电信号。此类监护仪都是分析患者前额的EEG,通过去噪算法处理脑电信号中混杂的眼动、吞咽、心电(electrocardiogram,ECG)、肌电(electromyogram,EMG)等干扰后,分析EEG,因此去噪算法至关重要。现有的麻醉深度监护仪的处理过程为:通过采集脑电信号数据,对数据进行预处理,然后进行分析并比对数据库进行推理,最后得出麻醉深度指标如图1[2]所示。

首台此类监护仪是Aspect公司的脑电双频指数(bispectral index scale,BIS)监护仪。在1999年之后,陆续出现基于麻醉趋势(nacrotrend,NT)、脑状态(cerebral state index,CSI)等脑电参数的监护仪。

BIS是一种以双谱分析为主要算法的脑电参数,它的指标是一个从0~100的数值。分析的是从前额获取的单通道EEG信号的相位关系。首先对EEG信号做数字化和预处理,检测和去除ECG、眼动及50Hz工频干扰[3]等噪声源。对预处理后的数据,一是进行快速傅里叶变换(fast fourier transform,FFT)并分别进行双谱分析和推算β比率,双谱分析后获得双谱比率;二是进行爆发抑制分析并推算爆发抑制比。然后将子参数的权重求和并进行后处理获得BIS指标。

麻醉趋势(narcotrend,NT)是用Kugler多参数统计分析方法。首先通过从时域和频域的分析计算获得一个参数集,比如谱参数;然后采用数据库将这些参数进一步统计分析,确定哪些是最适合区分不同状态的参数;最后通过目视检测、分类、提取参数,将EEG自动分类到建议的麻醉阶段。实验证明,NT在地氟醚[4]复合雷米芬太尼麻醉中和BIS具有相同的效果,对于儿童的麻醉深度监测效果[5]要优于青年和老年。

CSI是用于监测患者意识状态的指标,是对听觉诱发电位(auditory evoked potential,AEP)算法的优化。其原理是每秒测量2 000次脑电活动将EEG的子参数,即α比率、β比率和β-α比率输入自适应神经模糊推论系统,计算出CSI,数值越大表示越清醒,反之则提示大脑皮层的抑制严重。

EEG分析方法应用于麻醉深度监测的研究已取得了较多成果,但也存在很多不足,BIS的准确度不高,EMG的干扰去除效果不佳,存在很大的个体差异和药物差异,不能充分满足临床应用要求;NT在噪声去除算法上有过处理的问题,同时存在不能正确评估阿片类药物的镇痛水平问题。CSI的算法虽然简单,但是对于镇静的反应却是很慢的[6]。

3 麻醉深度监护的算法优化

针对以上各类监护仪的算法缺陷,在BIS和NT麻醉深度监护仪对脑电信号数据处理思路的基础上,引入EEG熵指数算法中的排序熵作为主算法,并与BIS、NT指数经反向映射神经网络进行校正优化,使得到的结果更好地反映患者的麻醉状态,期望能够找到更优化的算法,下面详细介绍算法优化的设计原理。

3.1 算法的原理背景

BIS是将EEG的功率和频率分析得出的混合信息拟合成一个最佳数字,用0~100分度表示,数值减少时表示大脑皮层抑制加深。Narcotrend指数是源于德国Hannover大学开发的脑电分级监测仪,它能将麻醉状态下的脑电信号进行自动分析分级,量化显示麻醉深度。根据“Kugler stages”分类算法把麻醉深度划分为6个阶段14个等级(由浅至深依次为A、B0-2、C0-2、D0-2、E0-1、F0-1),其中阶段A是清醒状态、B是镇静状态、C是浅麻醉状态、D是常规普通麻醉状态、E是深度麻醉状态、F阶段是脑电活动消失。Kreuer等的进一步研究证实Narcotrend分级法确实能检测到出现的氟醚麻醉意外时的氟醚浓度减小,同时还能对麻醉深度做典型分级,而且还发现麻醉趋势分析(NT)与双谱分析(BIS)在麻醉深度监护中有相似的效果。

熵在信息理论的范畴里可以用来描述一个信号的无规律、复杂性和可预见性。香农将熵的定义进行了扩展,现已更多地成为描述系统状态的参数和一个不确定度的测量。2002年,有学者[7]提出了排序熵的概念,主要分析非线性的时间序列的变化,而不是信号的幅度或者相位,因此具有很好的抗噪能力,并且具有概念简单、计算速度快的特点。脑电信号本身非常微弱,很容易受到外界环境的干扰,主要噪声来自人体的影响和设备影响。前者包括病人的体动、心电、表面肌电、吞咽等;后者则主要包括工频噪声、设备阻抗不匹配、电极线晃动等。通过硬件系统进行一定的预处理后,仍需要具有很好抗噪能力的算法来进行后续处理。排序熵就是一种很好的选择,并且也有研究表明以BIS为参考作相关性分析对于优化排序熵指标具有重要的意义。

神经网络[8](neural networks,NN)是一种模拟动物神经网络的行为特征来进行信息融合和处理的计量学方法,其具有学习、判断、决策和处理功能。目前已有的神经网络有感知器网络、反向传播神经网络、径向基函数神经网络等。神经网络本质是从输入到输出的映射,许多理论已证明了反向传播神经网络可以实现任何复杂非线性映射,使得反向映射神经网络在相对比较复杂的问题中求解内部机制时得到了广泛的应用。因此,在系统的设计中,采用了反向映射神经网络进行参数优化。

3.2 算法的优化实现

首先要对脑电信号进行自适应高通滤波、FIR低通滤波、自适应工频陷波滤波、降采样、大数据去噪等预处理,然后进行伪迹检测和去除,得到的数据分别使用BIS、NT、排序熵的算法进行分析,同时计算出爆发抑制比。爆发抑制比参与BIS、NT参数优化后分别形成BIS和NT指标。最后将BIS指标、NT指标、排序熵指标和爆发抑制比通过反向映射神经网络进行参数优化,最终生成指标如图2所示。

理想的麻醉深度监护仪需要满足许多要求:首先对于不同的麻醉药物能采用同一分级方法区分,不受药物种类和个体差异的影响[9];其次对于各种形式的刺激能有较高的灵敏度,对于不同的麻醉深度,均能根据药物浓度的变化而变化;最后也是我国医疗设备现状亟需解决的,即麻醉监护设备的国产化。要实现这样一个目标,需要继续开发完善脑电分析算法,同时还可利用其他医学信号如心率变异性[10]、患者状态指数等,以得到全面的综合指标。

4 麻醉深度监护仪的设计构想

在麻醉深度监测算法优化思想的基础上,提出的麻醉深度监护仪的设计构想如图3所示,主要包括:病人电极、专用脑电信号处理器及附件、连接电缆、麻醉深度监护仪显示器等。

图3中,病人端使用的电极采用普通的心电电极片即可,成本可忽略不计,而且电极的安装位置也无特殊要求,在大脑的任意部位均可以采集到需要的脑电数据;使用专用的脑电信号收集、处理器,采取了包括脑电信号放大、A/D转换、阻抗检测、数字隔离等措施,来保障脑电信号的准确性;通过连接电缆将采集到的脑电信号传输到麻醉深度监护仪,由麻醉深度监护仪通过核心算法对脑电信号进行分析、处理,并显示所需要的信息。

5 展望

目前的研究表明,脑电信号对于麻醉深度监测具有不可替代的重要作用。课题探索研制的麻醉深度监护仪正是基于脑电信号处理的医疗电子设备。它的设计原理及理念有成熟的国外经验可借鉴,同时结合我国患者的普遍特点和大脑这一复杂系统在麻醉过程中的状态,对软件算法进行不断的迭代、优化,其实现具有很高的应用价值。

参考文献

[1]Sheeba J H,Stefanovska A,Mcclintock P V Neuronal syn chrony during anesthesia[J].Biophysical Journal,2008,95(6):2722-2727.

[2]Musizza B,Ribaric S.Monitoring the depth of anesthesia[J].Sensors,2010,10(12):10896-10935.

[3]Rampil I.A primer for EEG signal processing in anesthesia[J].Anesthesiology,1998,89(4):980.

[4]Kreuer S Bruhn J,Stracke C,et al.Narotrend of bispec tral index monitoring during desflurane-remifentanil anes thesia:a comparison with a standard practice protoco1[J].Anesth Analg,2005,101(2):427-434.

[5]Schultz A,Grouven U,Beger F,et al.The narotrend indexclassification algorithm,correlation with protoco1 ef fect-site concentrations and comparison with spectral pa rameters[J].Biomed Tech(Berl),2004,49:38-42.

[6]徐晖,郭锡恩,金孝钜,等.脑状态指数在七氟醚或丙泊酚诱导时的变化[J].临床麻醉学杂志,2008,24(2):109-111.

[7]Bandt C,Pompe B.Permutation entropy:a natural com plexity measure for time series[J].Physical Review Letters,2002,88(17):174102.

[8]Robert C,Gaudy JF,Limoge A.Electroencephalogram pro cessing using neural networks[J].Clin Neurophysiol,2002,113(5):694-701.

[9]Kalkman CJ,Drummond JC.Monitors of depth of anesthe sia[J].Anesthesiology,2002,96(4):784-787.

全身麻醉深度监测研究的新进展 篇5

1 全身麻醉的基本概念

麻醉药可以通过吸入、或者是静脉注射的方式为患者所吸收。在麻醉起效, 并对患者中枢神经进行抑制的情况下, 将其称之为全身麻醉。全身麻醉的一大特点在于:能够使麻醉对象的神志暂时消失。对患者, 进行全身麻醉的过程可以划分为麻醉诱导期、麻醉维持期、以及麻醉恢复期这3个阶段。首先, 在麻醉诱导期当中, 通过静脉注射的方式, 使患者的意识自清醒状态转变为消失。此阶段中, 为了确保患者呼吸的顺畅, 需要通过气管插管的方式, 对其呼吸进行合理控制, 通过麻醉诱导的方式, 能够使患者机体的疼痛感自存在转变为暂时性的消失;其次, 在麻醉维持期当中, 由于麻醉诱导期当中所使用麻醉药的药效持续时间比较短, 为了避免患者恢复意识的清醒, 就需要在维持期当中, 通过持续给药的方式, 确保患者麻醉深度的稳定性。在此阶段中, 要求麻醉师对患者的各项生命体征进行详细监测, 必要时给予合理的治疗干预, 以保障患者生命安全为麻醉的前提;最后, 在麻醉恢复期当中, 停止麻醉持续给药, 通过必要的药物干预的方式, 对麻醉药物的药效进行逆转, 以促使患者意识的恢复。此过程当中, 需要在患者呼吸功能基本恢复后, 对气管导管进行拔出。麻醉医师需要对此环节各项工作进行管理, 在患者恢复痛觉后, 进行必要的疼痛治疗与干预。

2 全身麻醉深度监测研究

在现阶段的医疗技术作用下, 全身麻醉深度监测过程中所应用的技术措施主要包括以下几个方面: (1) 脑电双频指数; (2) 听觉诱发电位指数; (3) 麻醉深度监护仪。现针对各类麻醉深度监测技术的应用要点做详细分析与阐述。

2.1 脑电双频指数在全身麻醉深度监测中的应用

脑电双频指数是, 建立在功率谱、以及频率谱基础之上, 融合对位相和谐波, 通过非线性分析方式所生成的数值。脑电双频指数以100分度为表现形式, 取值越大, 则意味着大脑受抑制的程度越小。反之, 取值越小, 则意味着大脑受抑制的程度越大。FDA于1997年批准在全身麻醉深度监测中应用脑电双频指数, 而后得到了显著的发展。同时, 大量的临床研究结果也证实了:在有关患者全身麻醉深度监测的过程当中, 脑电双频指数与患者意识、脑代谢情况、以及药物之间均有着一定的相关性关系[4]。首先, 从意识角度上来说, 意识消失状态下的脑电双频指数取值在55以内, 特异度达到了100%。同时, 可应用脑电双频指数对麻醉后意识苏醒进行预测, 特异度能够达到94.0%以上;其次, 从脑代谢的角度上来说, 脑电双频指数取值与葡萄糖代谢率存在极高的相关性关系。在脑电双频指数取值降低的过程当中, 中枢神经的代谢率也会发生比例对等的下降, 从而可将其作为对大脑代谢情况的反应指标;最后, 从药物的角度上来说, 脑电双频指数与七氟醚、以及地氟醚药物吸入浓度间存在明显相关性关系[5], 在以上2类药物的应用条件下, 脑电双频指数对麻醉深度的监测最可靠, 这也就使得脑电双频指数的应用存在一定的局限性。

2.2 听觉诱发电位指数在全身麻醉深度监测中的应用

听觉诱发电位是, 通过声音刺激听觉传导通路, 经过脑干达到听觉皮层, 并传输至联合皮层的生物电反应活动。在意识清醒的状态下, 个体听觉诱发电位指数的差异性表现并不显著, 且与全身麻醉下, 麻醉药物使用剂量明显相关。相关临床研究表明:听觉诱发电位指数可作为麻醉对象在全身麻醉状态下, 大脑皮层信息处理功能、以及认知状态功能的评估指标。在应用听觉诱发电位指数对全身麻醉深度进行监测的过程当中, 不但可实现对意识清醒程度的监测, 同时可作为评估麻醉对象对伤害性刺激反应、以及全身麻醉深度的主要指标。其主要应用方式是通过听觉诱发电位指数对应意识清醒状态的方式实现, 即在完全清醒状态下, 听觉诱发电位指数取值在60~100分范围之内;在睡眠状态下, 听觉诱发电位指数取值在40~60分范围之内;在浅麻状态下, 听觉诱发电位指数取值在30~40分范围之内;在临床麻醉状态下, 听觉诱发电位指数取值在0~30分。

2.3 麻醉深度监护仪在全身麻醉深度监测中的应用

Narcotrend麻醉深度监护仪建立在Kugler的基础之上对参数进行统计, 通过微机处理的方式, 将麻醉对象自发性的脑电活动转变为共计6个阶段的量化指标。分别为清醒阶段、镇静阶段、浅麻阶段、普麻阶段、深麻阶段、以及脑电活动的消失阶段。相关研究人员在有关麻醉深度监护仪可行性研究的试验中证实:在有关全麻深度以及镇静水平的监测中, 麻醉深度监护仪的预测相关系数达到了0.9以上, 具有较高的可靠性, 且麻醉药物适应性极为广泛。

3 结语

对患者进行全身麻醉深度监测的最核心目的在于:在对麻醉深度进行合理确定的同时, 就麻醉对象中枢神经系统的状态进行合理的探测。其实, 现阶段, 可应用于全身麻醉深度监测的技术方法以及仪器类型极为众多, 但, 该文所研究的脑电双频指数、听觉诱发电位指数、麻醉深度监护仪可以说是应用最为频繁的技术方法。这主要是由于, 上述3类麻醉深度监测技术方法均具有突出的优势: (1) 能够充分遵循人体神经生理的特点与规律; (2) 能够对麻醉对象的意识消失以及恢复情况进行快速的反应; (3) 不会受到神经肌肉阻滞剂的影响, 可确保深度监测的准确性。因此, 广受重视, 并可作为下阶段研究的重点。

参考文献

[1]洪文学, 张仲鹏, 宋佳霖, 等.功能近红外光谱用于麻醉深度监测的研究进展[J].光谱学与光谱分析, 2012, 32 (11) :2939-2945.

[2]张连毅, 徐进, 郑崇勋, 等.Kolmogorov熵在大鼠脑电麻醉深度监测中的应用[J].西安交通大学学报, 2005, 39 (2) :218-220.

[3]冯微, 赵国庆, 叶虹, 等.麻醉深度指数用于全麻手术期间麻醉深度监测的临床评价[J].临床麻醉学杂志, 2009, 25 (6) :493-496.

[4]肖红霞, 程茹, 徐建华, 等.脑电双频指数和麻醉深度指数用于全麻术中镇静深度的监测[J].临床麻醉学杂志, 2009, 25 (8) :687-689.

深度监测 篇6

目前, 评价麻醉深度主要靠自主神经反应, 各种反应针对麻醉状态表现出的特异性不高, 难以准确反映麻醉深度。关于镇静程度的监测, 目前只有脑电双频指数BIS与听觉诱发电位AEP两种测度。相关研究表明AEP和BIS都能描述麻醉过程中的镇静抑制程度, 都与人的意识状态相关。研究表明, 这两种指标在应用中均具有很大的局限性, 尤其是药物依赖问题。

本文中针对麻醉深度监测系统中的镇静程度监测问题, 通过进行麻醉状态下脑电信号的无序度分析, 提取出以近似熵这一非线性动力学复杂性测度作为镇静程度的指标, 分析了手术过程中麻醉状态下的脑电信号, 为麻醉深度监测领域提供了一个有效的镇静程度指标。

1 麻醉状态下脑电信号无序度分析的物理思想

从基本的物理思想上考虑脑神经活动的原理, 可以假定麻醉作用将引起脑电信号发生以下两项基本变化: (1) 麻醉作用引起脑电信号在不同频带上能量分布的改变; (2) 麻醉作用将使脑电信号简单化, 即由无序向有序, 由随机性向确定性发生一定的转化。如果这些变化可以定量描述并在分析中得到, 则可以通过比对, 应用阈值方法区分麻醉状态和清醒状态, 成为有效的麻醉深度的动力学参数。本研究中采用近似熵这种系统复杂性测度。脑电信号在麻醉状态下趋于简单、有序这一生理过程, 是意识活动降低的系统性表现, 不依赖于特定的感官区域或中枢神经机能。因而对特定神经靶位敏感度较高的不同麻醉药物, 均可以利用脑电信号复杂度测度来评价其最终对中枢神经意识活动的整体抑制程度, 从基本原理上克服了镇静程度指标的药物依赖性。

2 近似熵的计算方法

近似熵是立足于物理熵的概念描述非线性信号序列的无序度的测度, 根据其计算原理可以认为其适合作为脑电信号的无序度指标。

设为一时间序列, 由总共N个点组成, 按原次序生成一列m维矢量, N取现实序列中的实际值n。则此序列的近似熵为:

其中为两点间距离小于阈值r的距离数与总距离数比值的对数平均值。

按以上计算原理, 近似熵描述了增加一个维度之后序列曲线产生新形态的近似几率, 序列曲线产生新形态的可能性越大, 则表明曲线越复杂。

3 麻醉状态下脑电信号的近似熵分析

本文针对获取的40例麻醉手术的脑电监测信号, 计算手术过程中清醒和麻醉两类状态下的脑电信号的近似熵值, 其统计分布结果如图1所示。

图中可见, 麻醉期间脑电信号的近似熵比清醒状态下明显要小, 但存在一定的参差现象。单因素方差分析中, F=40.1957小于Fα=0.001 (1, 61) =11.97, 如表1, 也可以认为清醒和麻醉两种状态下脑电信号的近似熵为可区分的。

如果通过阈值方法对清醒和麻醉两种状态进行区分, 区分阈值为0.6420, 清醒期/麻醉期的区分数据见表2, 其中灵敏性87%和78%, 特异性72%和86%, 准确性80%和82%, 数据可见, 近似熵具备区分清醒、麻醉两状态的能力, 且计算所需的实测数据量较少, 本研究中为1280采样点 (10s) , 计算时间经优化后可达秒级, 这意味着可以尽可能减小现实应用中麻醉监测操作对手术的影响。

4 结论

基于麻醉状态下, 大脑活动将明显弱化并趋于简单有序这一基本生理现象, 提出可以描述脑电信号规则程度的各种动力学指标, 即镇静程度的度量参数。本研究结果表明, 近似熵参数在麻醉和清醒两种状态存在分布上的明显差异, 基本可认为克服了脑电双频谱指数和听觉诱发电位指数较大的药物依赖性, 可作为区分麻醉和清醒两种状态的指标, 并且所需实测数据序列较短, 计算时间有明显优势, 更适合于在临床麻醉深度监测进行应用。

摘要：根据基本物理思想可以认为, 麻醉期间脑电信号的无序度将会降低, 可以作为评估镇静程度的指标。近似熵作为一种有效的复杂性分析方法, 适合作为麻醉中脑电信号的复杂性测度, 研究中分析了麻醉实验中记录的40例脑电信号, 计算了其近似熵测度的分布。结果表明, 脑电信号近似熵可以对麻醉和清醒两种状态进行划分。

关键词：近似熵,麻醉深度,脑电信号,镇静程度

参考文献

[1]Richard B.Improving Patient Safety in Anesthesia:A Success Story[J].International Journal of Radiation Oncology Biology Physics, 2008, 71 (1) :182-186.

[2]Gajraj P T, Doi N, Nantzaridis H.Analysis of the EEG bispectrun, Auditory evoked potentials and the EEG power speetrun during repeated transitions forn consciousnees to unconsciousness[J].

[3]Sascha K, Jorgen B, Richard E, et al.Failure of two connercial indexes and spectral paraneters to reflect the pharnacodynanic effect of desflurane on EEG[J].Journal of Clinical Nonitoring and Conputing, 2008, 22:149-158.

深度监测 篇7

1 资料与方法

1.1 一般资料

我院神经外科收治的择期行脑颅手术30例, 男17例, 女13例年龄28～60岁, 体重46～67kg, 无心脏病、高血压病史, 无长期服用抗癫痫药物、镇静药物、止痛药史, 排除手术前并明显颅内压增高或者精神异常症状患者。采取完全随机的方式, 将病人分为3组, 每组各10例病人。比较3组病人的性别、年龄、身高、体重、手术时间差异均无显著性差异 (P>0.05) , 具有可比性。

注:与另外2组的数据相比较, *P<0.05

注:与另外2组的数据相比较, *P<0.05

1.2 麻醉及监测方法

3组患者入室前肌注东莨菪碱0.3mg、咪唑安定3mg。

1.2.1 BIS组

以BIS值作为反馈控制变量, 保持反馈值BIS值为50, 丙泊酚闭环靶控输注复合瑞芬太尼全凭静脉麻醉用于手术维持麻醉。 (1) 入室后, 全麻诱导:静脉注射瑞芬太尼0.2ug/kg, 本组丙泊酚靶控输注给药 (血浆靶浓度3.0μg/mL) , 0.15mg/kg维库溴铵, 5min后气管插管 (术中潮气量8～10mL/kg, 呼吸频率12次/min) 。 (2) 维持全麻:靶控输注丙泊酚 (血浆靶浓度2.0μg/mL) , 同时恒速静注瑞芬太尼0.3μg/ (kg·h) , 维库溴铵做为肌松剂。 (3) 仪器:HXD-Ⅰ型多功能检测仪[2]。

1.2.2 NT组

以NT麻醉深度检测仪指导给药, 麻醉目标范围为D1-E2 (64-13) 。 (1) 术前常规消毒患者的前额皮肤, 在靠近发际线干燥处粘贴3个NT检测仪专用电极, 确保皮肤电阻<5.0kΩ, 保证各电阻之间差值<3.0kΩ, 数据出现3min之后的NT值为入室基础值。 (2) 入室后, 全麻诱导:顺序给予咪达唑仑0.02mg/kg、芬太尼2～4μg/kg、依托咪酯0.3～0.4mg/kg、丙泊酚0.5～1.0mg/kg, 患者意识消失后给予维库溴铵0.8～1.0mg/kg, 5min后气管插管 (术中潮气量8～10mL/kg、呼吸频率12次/min) 。 (3) 全麻维持:使用丙泊酚和瑞芬太尼微量泵注射, 维库溴铵做为肌松剂。 (4) 根据NT麻醉深度检测仪指导给药。

1.2.3 对照组

根据麻醉师的临床经验, 判断麻醉深度并给予麻醉维持使用丙泊酚、瑞芬太尼微量泵注射, 维库溴铵作为肌松剂。

1.3 监测指标

3组患者均取6个时间点: (1) 麻醉前; (2) 诱导麻醉即刻; (3) 插管时; (4) 切头皮; (5) 锯颅骨; (6) 缝皮。记录RR、MAP, HR, SPO2的变化;记录术中丙泊酚的总用量。

1.4 统计学分析

采用SPSS 12.0软件进行分析, 用χ2检验, 以P<0.05为差异有统计学意义。

2 结果

2.1 生命体征变化情况

(1) BIS组和NT组患者术中的生命体征较为平稳, BIS组和NT组患者的MAP、HR变化平稳, 2组数组相比, 差异无显著性 (P>0.05) (2) 对照组:术中时间点 (3) 、 (4) 、 (5) 、 (6) 的MAP值和HR值与另外2组相比, 差异具有显著性 (P<0.05) , 见表1; (3) RR及SPO2变化:在6个观测时间点观测, 3组间的差异均无统计学意义 (P>.05) (表1) 。

2.2 用药总量比较

BIS组和NT组患者使用丙泊酚、瑞芬太尼、维库溴铵的药量明显少于对照组, 差异具有显著性 (P<0.05) , 见表2。

2.3 苏醒时间、拔管时间、术中知晓率比较

(1) BIS组与NT组对比, 2组差异均无显著性 (P>0.05) ; (2) BIS组与对照组相比, 差异具有显著性;NT组与对照组相比, 差异具有显著性, 见表3。

3 讨论

在颅脑手术中, 较强烈刺激主要集中于切头皮、锯开颅骨、缝合头皮等步骤, 故麻醉过程需适时调节麻醉深度, 同时, 若颅脑术后病人能尽快苏醒, 将有利医生准确判断病情和评价手术效果[3]。颅脑手术病人在全麻状态下意识消失, 但伤害性刺激所引起的植物神经系统反应仍存在, 机体表现为血压上升, 心率加快, 因此监测MAP及HR变化用于临床全麻深度监测, 具有很好的使用价值。Narcotrend检测仪是一种新的监测麻醉深度方法, 能记录及显示脑电图 (EEG) 的信号, 监视大脑状态, 通过对EEG信号处理, 量化指标以反应病人麻醉状态, 监测结果稳定且准确。

本调查结果显示, 临床上以BIS作为反馈控制变量调控麻醉药用量、使用NT麻醉深度监测仪给予麻醉药, 是控制麻醉深度的有效方法。使用BIS作为反馈以及NT检测仪来监测颅脑手术病人术中麻醉深度, 均是安全、稳定、有效的手段, 可减少麻醉维持中药物用量, 缩短病人清醒时间, 有助于达到手术效果。

参考文献

[1]游志坚, 徐红霞, 辛映卿, 等.脑电双频指数在颅脑手术麻醉中的应用[J].中国临床神经外科杂志, 2009, 14 (3) :148～149.

[2]黄焕森, 郑志远, 高崇荣, 等.丙泊酚闭环靶控输注全凭静脉麻醉在颅脑手术中的应用[J].中华神经医学杂志, 2006, 5 (6) :623～624.

深度监测 篇8

关键词：环境监测,office,深度应用

1 引言

在物质生活日益丰富的今天, 人们愈来愈注重生活质量的提升, 总是追求和向往着更加舒适的生活环境, 而为了治理好我们身边的各类工业、农业、商业等污染, 一定少不了各种繁复的环境监测工作, 环境监测为环境治理提供了各种专业、准确和量化的指标数值, 服务于各类环境的整治、管理和政策决策。大气、地表水、饮用水、地下水、湖库、海洋水、噪声等经过环境监测, 创造出了成千上万的原始数据, 可供分析、统计、评价、预测各领域的环境质量状况, 这些过程中常常需要制作各种类型、结构的表格和图表, 此外, 在编写报告及报告书过程中, 必定少不了Office这个利器, 本人结合自身工作实际, 总结和探索了一些环境监测工作中的深度应用, 这些应用也同时能被广泛的应用到其它各类型需要办公软件支持的工作领域。

2 office深度应用

2.1 选定当前页

我们在编写各类报告及报告书的过程中, 有时候只需要对当前页进行一些操作, 比如:需要从别处一份数页的文档中复制其中一页至当前的报告书之中, 可能该页内容很复杂, 比如含有文字、版式各异的图片、文本框、表格等等元素, 常规的复制一页的操作也能顺利完成目标, 本人在下面介绍一种超快的傻瓜式快捷操作, 能让你仅需鼠标轻轻一点, 便能实现。新建一个名为SelectCurrentPage的宏, 编写以下代码:

将代码保存至模板文件, 右键自定义——命令——宏——选中该宏名称, 将其拖动至word的工具栏, 生成一个宏按钮, 重命名其为“选中当前页”, 见图1所示, 使用时单击它即

可瞬间实现选中当前页。

2.2 打印当前页

上面我介绍了如何在多页的文本报告书中快速选中当前页, 下面我将介绍一个使用同样广泛的功能——打印当前页, 新建一个名为PrintCurrentPage的宏, 编写如下代码:

将以上代码保存至通用模板, 按2.1中相同的制作步骤, 得到一个“打印当前页”的按钮, 多页的报告书中如只需打印当前页, 单击其按钮即可, 无弹窗, 直接在后台执行。如图2所示:

2.3 嵌入型和非嵌入型图形的批量互相转换应用

2.3.1 嵌入型转非嵌入型图形

在编写环境监测的各类报告及报告书中, 有时需要同时调整其中所有的图片大小、版式、对齐方式等属性, 如果图片有几十个, 那么工作量势必非常大, 我下面介绍下通过宏的方法, 实现瞬间批量操作, 新建名称为“嵌入转非嵌入”的宏, 编写如下代码:

保存至通用模板, 在工具栏制作一个“嵌入转非嵌入”按钮, 当报告中含有大量嵌入型图片时 (默认设置下, 粘贴后的图片一般均为嵌入型) , 点此按钮, 可实现瞬间批量将该文档中所有嵌入型图片转换至非嵌入型即“浮于文字上方”, 为何要进行转换呢?因为嵌入型图片时无法多选的, 而其它各类版式的图片均能实现多选, 方面批量进行属性设置, 可大大提高工作效率。

特别说明:嵌入型转非嵌入型, 运行宏时应将先整个文档所有页缩放至当前窗口中, 否则会提示出错, 并且只会转换当前页, 而非整个文档。

2.3.2 非嵌入型转嵌入型图形

有时为了排版需要, 希望将非嵌入型图片批量转换为嵌入型图片, 宏代码如下:

2.4 批量设置嵌入型图形尺寸大小

默认情况下, word中粘贴过来的图片均为嵌入型的, 有时需要对其设置统一的尺寸大小, 以批量将文档中所有嵌入型图片设置尺寸为:高50mm, 宽80mm为例, 宏代码如下:

运行此宏即可瞬间完成批量预定设置。补充说明:如果只需对某一些章节的嵌入型图片进行批量设置统一的尺寸, 可将其先选中后剪切至新建的空白文档中, 运行此宏, 完成该部分章节内的批量设置后再复制回原目文档中即可。

2.5 反向查找

环境监测工作中, 我们经常用到ctrl+f这个快捷键, 即“查找”, 可是大家一般不知道一个小秘密, 那就是word和excel中可以实现反向 (逆向) 查找, 即可以查找上一处 (个) , 而在office的查找对话框中, 是没有此按钮的。为何要反向查找呢?那是因为有时查找的对象数量很多, 由于操作过快或是走神, 容易多按一两下“查找下一处 (个) ”, 跳过了之前真正要找的查找位置或对象, 这时, 却发现无法回撤, 怎么办?方法如下:

Word环境中:ctrl+f, 弹出查找对话框, 点击右侧滚动条下端的灰色原点上方的蓝色方向朝上的两个叠加小三角形, 即对应“查找上一处”;

Excel环境中:ctrl+f, 弹出查找对话框, 按住shift的同时, 点击“查找下一个”, 即可实现“查找上一个”。

2.6 动态图表

假设有两列数据, A列为浓度, B列为吸光度, A1、B1单元格内容分别为标题行中的“浓度”和“吸光度”, 但A、B两列的数据对数不确定, 有可能10对、又减为8对甚至又临时增加为20对, 即可以随时增减, 而需要该数据区域对应的图表能动态变化, 始终保持整个当前数据区域的更新引用, 这时动态图表就十分有用, 制作方法为:

(1) 插入——名称——定义——在“当前工作簿中的名称”框中输入“x”——引用位置输入=offset (sheet1!$a$2, , , counta (sheet1!$a:$a) -1, ) ——添加;

(2) 在“当前工作簿中的名称”框中继续输入“y”——引用位置输入=offset (sheet1!$b$2, , , counta (Sheet1!$b:$b) -1, ) ——添加。

任意选择一行原数据区域——插入图表——散点图——序列——将y值改为=sheet1!y, 复制到x值并改为=sheet1!y——确定。

结论

环境监测的后期, 需要处理数以万计甚至十万、百万计的大量数据, 分析、统计和制作图表、表格, 编写单项报告、综合性报告书, 均需要office软件的大力支持, 更重要的是熟练地掌握的一些快捷、高效的使用技巧, 便能使工作效率成倍增长, 本文重点探讨和介绍了几项非常实用的office的深度应用, 给环境监测的后期工作提供了很大的便利。

参考文献

[1]神龙工作室.Word/Excel办公技巧[M].北京, 人民邮电出版社, 2010.4:160~168.