近日从安徽大学传来消息，该校计算机科学与技术学院脑机接口团队研发出一套基于脑电信号的术后意识检测系统，以低成本实现高效集成，为临床提供智能化辅助判断依据，显著提升术后病房的工作效率，可降低因麻醉术后并发症导致的医疗风险与经济损失。

　　脑机接口（BCI）是指在有机生命形式的脑与具有处理或计算能力的设备之间，创建用于信息交换的连接通路，实现信息交换及控制。安徽大学计算机科学与技术学院脑机接口团队长期从事实用化脑机接口系统的自主研发与应用。

　　脑机接口的运用场景非常丰富，其中医疗救护是一个重要场景。术后对患者意识状态判别是否准确，是影响术后安全和恢复效率的关键问题。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，比如瞳孔变化、反射动作等，但主观性强、反应慢。后者虽然能观察脑区活动，但无法捕捉到意识变化中快速而细微的信号。

　　为解决这一痛点，安徽大学团队与安徽医科大学第一附属医院经过长期合作，研发出了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。

　　“术后患者的大脑信号极其复杂，要从脑电信号这样一种混沌信号中解码出听觉信息，需要高精度算法。”据团队相关负责人介绍为了让系统真正“听懂大脑”，团队在研究中攻克了三个关键难题。

　　第一个难题，是如何让信号“提得稳”。术后的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。

　　第二个难题，是如何让解码“跑得快”。在术后监护中，患者的神经反应往往发生在毫秒之间，系统必须在第一时间捕捉到变化。为此，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。

　　第三个难题，是如何让算法“学得准”。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特征正则化技术，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。

　　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%，在临床测试中表现出良好的可行性和稳定性。

　　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。

　　随着智慧医疗建设的推进，该成果为“数字麻醉”和脑电智能监护提供了新的技术路径，具有良好的产业化前景。

　　未来，安徽大学脑机接口团队将继续拓展算法在意识障碍评估、镇静深度监测等方向的研究应用，联合着视觉、听觉、触觉等多感官来进行综合的评判，以更好地服务于临床诊疗与患者康复。（记者 陈婉婉）