基于深度神经网络与大电极直流偏移容忍 EEG 模拟前端的实时麻醉深度监测系统

基于摘要分析。该研究面向 EEG 麻醉深度（DoA）监测，提出结合 EEG 模拟前端（AFE）、深度学习框架 AnesNET 和 Raspberry Pi 3 的实时系统，并引入用于预测麻醉深度的 EEGMAC 指标。其主要贡献是联合设计信号采集硬件与低复杂度推理模型，而非直接研究 BCI 指令解码。 硬件方面，AFE 使用粗调数字直流伺服环路，作者报告可补偿 ±380 mV 的电极直流偏移。采用 110 nm CMOS 制作的原型每通道功耗为 4.33 μW，在 0.5–100 Hz 频带内的输入等效噪声为 0.29 μVrms，噪声效率因子为 2.2。模型由四层卷积神经网络和两层全连接层构成，并针对 Raspberry Pi 3 优化复杂度；输入组织、预处理、损失函数及优化细节尚未验证。 作者报告，在来自 374 名术中接受吸入麻醉患者的预录 EEG 数据上，DNN 的平均平方误差与平均绝对误差分别为 0.048 和 0.05；摘要未交代训练与测试划分、预测目标的标度及参考标签，因此不能据此判断跨被试泛化或临床误差意义。对于接受静脉麻醉的被试，作者报告 EEGMAC 与双频指数（BIS）具有良好一致性，但样本量、具体药物及一致性统计尚未验证。 部署方面，作者报告 Raspberry Pi 3 系统可在 20 ms 内估计 EEGMAC，并称其较文献中的 BIS 估计约快千倍。这是作者基于文献的比较，需核对两者计时是否包含相同长度的信号窗口、预处理与输出更新过程，不能直接等同于临床响应速度提升。 阅读与复现应重点核对 EEGMAC 的定义、麻醉深度参考标准、患者级数据划分，以及不同麻醉药物条件下的校准与统计结果。实验协议、消融及统计信息尚未验证；摘要中的静脉麻醉一致性结果也不足以单独确立临床有效性。