原標題：全麻防沉睡，實時監測大腦“開關” 安徽大學團隊研發腦機介面，降低麻醉術後並發癥醫療風險

團隊學生工作場景

　　“患者是否清醒？無需再靠人工時刻值守觀察，機器能直接‘讀懂’大腦信號。”近期，安徽大學計算機科學與技術學院呂釗教授負責的腦機介面團隊研發的術後意識檢測系統，正通過“聽覺注意力檢測”技術，為臨床術後監護帶來智慧化革新。

　　該系統目前已在安徽醫科大學第一附屬醫院、第二附屬醫院等多家醫院開展臨床驗證，有效提升了術後病房的工作效率，降低了麻醉術後並發癥引發的醫療風險與經濟損失。

　　從人工值守到智慧預警

　　“通常情況下，患者在全麻術後6小時內不能入睡，否則可能引發嚴重並發癥，甚至危及生命。”安徽大學計算機科學與技術學院腦機介面研發團隊指導老師範存航介紹，此前臨床上患者主要依賴護士或家屬時刻看護，通過拍打、呼喊等方式防止患者沉睡，不僅耗費大量人力，還存在觀察不及時的風險。

　　針對這一痛點，團隊研發的系統給出了智慧化解決方案。通過在患者左耳和右耳播放不同音頻刺激，並引導患者關注特定耳朵的聲音，系統可捕捉相關腦電信號，解碼患者的聽覺注意力程度，進而判斷其清醒狀態。一旦檢測到患者注意力下降、有入睡傾向，系統會立即發出警報，提醒醫護人員或家屬及時干預。

　　目前，該系統已與安徽醫科大學多家附屬醫院建立深度合作，持續開展臨床應用探索。

　　據悉，該團隊原型系統在醫院使用後，得到了醫生的積極反饋。其穩定的檢測效果為術後監護提供了可靠的智慧化輔助判斷依據。

　　研發破解三大技術難題

　　看似簡單的“讀懂大腦信號”，背後是團隊三年多的技術攻關。范存航坦言，研發過程中，團隊主要攻克了三大關鍵難題。

　　首先便是“意識狀態表徵難”。語音是典型的非平穩信號，而腦電信號本身極其微弱，需通過專用放大器放大並過濾干擾。在非平穩語音誘發的複雜環境下，導致腦電信號變化情況複雜、信噪比低，從微弱腦電信號中提取有效信息並對意識狀態進行表徵，成為研發初期的首要障礙。

　　其次是“實時精準檢測難”。術後監護對檢測時效性要求極高，若患者已昏迷10分鐘才發出警報，將失去最佳干預時機。團隊需將解碼延遲從傳統的分鐘級壓縮至毫秒級，確保在患者剛出現入睡傾向時就能實時捕捉，為臨床干預爭取時間。

　　再者是“解碼方法泛化難”。不同人的腦電信號差異顯著，且正常人與全麻術後患者的腦電信號特徵存在本質區別。團隊在學校採集的大量健康學生腦電數據，與術後患者樣本不匹配，而術後患者的樣本獲取又受醫療場景限制，數量有限。如何通過小樣本學習，實現從健康人群到術後患者的跨域適配，成為技術落地的關鍵瓶頸。

　　“這些難題都是我們與醫院醫生持續對接中發現的，通過一次次實驗優化，最終逐一突破。”范存航表示，在攻堅的過程中，由呂釗教授牽頭統籌，核心成員帶著學生紮根實驗室與臨床一線，歷經三年打磨才形成成熟的技術方案。

　　未來將賦能更多領域

　　術後意識檢測只是技術應用的起點。隨著技術與設備的不斷成熟，該系統的應用場景正逐步拓展至更多領域。

　　在助聽領域，技術可賦能聽力障礙群體。“多人交談或嘈雜環境中，聽力障礙者難以捕獲目標聲音。”范存航解釋，將該技術集成到助聽器或人工耳蝸中，可根據用戶的聽覺注意力，精准保留目標聲音，屏蔽噪聲、無關對話等干擾聲源，幫助他們更好地與人溝通交流；如此一來，無論是日常相處還是公共場合，通過精準的聽覺注意力檢測與聲音篩選，他們都能更清晰地捕捉關鍵信息，有效減少溝通障礙。

　　目前，團隊正推進成果轉化工作，計劃依託相關政策支持與合作企業，將原型系統升級為標準化産品，實現規模化推廣。“下一步我們將重點推進産品化落地，讓技術在更多領域發揮價值。”范存航分享，未來隨著技術迭代，團隊還將探索更多聽覺注意力檢測的創新應用場景，讓腦機介面技術更好地服務更多人的生活。（記者 莊文倩 圖 受訪者）