相关手术后，患者意识状态判断是否准确，是影响术后安全和回复效率的关键问题。记者11月10日从安徽省科技厅、安徽大学获悉，安徽大学研究团队解决三大难题，打造“可听懂大脑”的算法，打破传统的“临床观察+磁共振成像”的主观性、反应慢等痛点，实现术后患者意识细微信号的快速识别，为加强临床诊断智能化辅助探索解决方案，已在多家医院展开应用测试。

破解三大难题，打造“可听懂大脑”的算法

术后监护场景中，医生监测和判断患者意识状态，传统方法主要采用临床观察和功能性磁共振成像（fMRI）。前者依赖人工观察，比如患者瞳孔变化、反射动作等，但主观性强、反应慢。后者虽能观察患者脑区活动，但无法捕捉到意识变化中快速而细微的信号。

安徽大学计算机科学与技术学院脑机接口研究团队长期从事实用化脑机接口系统的自主研发与应用。该团队与安徽医科大学第一附属医院经长期合作，研发出基于脑电信号的术后意识检测系统，通过引入“听觉注意力检测”技术，让机器能够“听懂”患者大脑的反应，实现对意识水平的实时、客观、量化监测，为临床提供智能化辅助判断依据。

团队成员现场调试及应用测试（图片来源：安徽大学）

据介绍，团队在研究中攻克三大难题。

其一，如何让信号“提得稳”？

团队介绍，临床患者术后脑电信号像一池被扰动的水，波动不稳。语音刺激的非平稳特性会让脑电反应更加复杂，传统算法很难从中提取有效特征。团队提出一种“双重注意力与时频融合算法”，通过双重筛选和特征融合机制在混乱信号中自动聚焦关键脑电活动，就像在嘈杂声场中精准捕捉主旋律，让检测结果更稳定、更可靠。

其二，如何让解码“跑得快”？

在术后监护中，患者的神经反应往往发生在毫秒间，检测刺痛必须第一时间捕捉到变化。为此，该团队开发了一种轻量化算法结构，大幅减少计算量，使整个检测过程更高效。这个算法的“体积”仅为传统模型的几十分之一，能实现毫秒级实时解码，真正满足临床实时监测的需求。

其三，如何让算法“学得准”？

据介绍，临床术后病人的脑电特征与普通健康人差异明显，而术后样本的获取又受医学和技术伦理限制，训练模型很难直接迁移到真实临床场景。团队通过引入小样本学习与相关技术，让模型学会从有限的样本中提取“通用规律”，从而在不同人群、不同场景下都能保持准确性。

已在多家医院展开应用测试

据了解，目前，该系统已在安徽医科大学第一附属医院、第二附属医院等多家三甲医院展开应用测试。相比传统人工观察和fMRI，该系统能更早、更准确地识别患者意识反应，检测有效率超过 80%，已在临床测试中表现出良好的可行性和稳定性。

从临床测试来看，该系统通过播放特定听觉刺激并分析脑电响应，可自动判断患者是否处于清醒状态，并发出实时预警，协助医生其及时调整监护方案。医生和护士反馈，该系统“反应灵敏、结果直观”，为术后监护提供了重要的神经生理依据。

该项技术为术后临床监测提供客观、连续的辅助判断，使监护过程从被动盯守变为主动响应。同时，该技术无创、成本低，也为临床进一步的应用推广提供了支撑，可在麻醉恢复区、重症监护室（ICU）等多种场景中应用。同时，成果研究为“数字麻醉”和脑电智能监护提供了新的技术路径，有助于促进国产医疗设备的智能化升级。

近年来，围绕该技术，安徽大学研究团队在国际高水平期刊和会议上发表论文30余篇，授权国家发明专利10余项。技术成果还获批安徽省科技进步奖、安徽省专利奖等奖励。

（安徽商报 元新闻记者 郜征）