DOI: https://doi.org/10.20535/2523-4455.2018.23.3.125236

Техніка та методи аналізу біосигналів для моніторингу глибини анестезії

Maksym M. Fedorchuk, Anton Oleksandrovych Popov

Анотація


У роботі представлено основні існуючі методи та засоби визначення глибини анестезії. Серед розглянутих методів виділено такі групи: аналіз електроенцефалограм, аналіз електрокардіограм (ЕКГ) та комплексний аналіз біосигналів. Систематизовано отримані у попередніх роботах результати та визначені перспективні напрямки подальших досліджень, зокрема використання засобів машинного навчання для аналізу електрокардіограм та їх характеристик та глибоке навчання нейронних мереж.

З метою вивчення можливостей нейронних мереж як систем класифікації біосигналів було побудовано глибоку згорткову нейронну мережу для класифікації сигналів ЕКГ з наявністю або відсутністю аритмій. Вхідними даними для такої мережі були 30-секундні сигнали ЕКГ без попередньої обробки, і точність класифікації склала 68,3%. Результати роботи такої системи класифікації свідчать про доцільність застосування глибокого навчання для визначення аритмій та про необхідність використання попередньої обробки ЕКГ та попередньо виділених характерних ознак, серед яких можуть бути величина енергії сигналу у різних частотних діапазонах, параметри сигналу після видалення тренду та параметри сигналу у часовому домені.

Бібл. 54, табл. 1.


Ключові слова


аналіз біосигналів; глибина анестезії; електроенцефалограма; варіабельність серцевого ритму; характерні ознаки електрокардіограм; нейронні мережі

Повний текст:

PDF

Посилання


T. G. Short, K. Leslie, M. T. Chan, D. Campbell, C. Frampton, and P. Myles, "Rationale and design of the balanced anesthesia study: a prospective randomized clinical trial of two levels of anesthetic depth on patient outcome after major surgery"Anesthesia & Analgesia, vol. 121, pp. 357-365, 2015. DOI: 10.1213/ANE.0000000000000797

M. D. Kertai, P. Nirvik, B. J. A. Palanca, L. Nan, S. A. Searleman, Z. Lini, et al., "Association of Perioperative Risk Factors and Cumulative Duration of Low Bispectral Index with Intermediate-term Mortality after Cardiac Surgery in the B-Unaware Trial"Anesthesiology, vol. 112, pp. 1116-1127, 2010. DOI: 10.1097/ALN.0b013e3181d5e0a3

M. D. Kertai, B. J. A. Palanca, P. Nirvik, B. A. Burnside, Z. Lini, S. Furqaan, et al., "Bispectral index monitoring, duration of bispectral index below 45, patient risk factors, and intermediate-term mortality after noncardiac surgery in the B-Unaware Trial"Anesthesiology, vol. 114, pp. 545-556, 2011. DOI: 10.1097/ALN.0b013e31820c2b57

M. Lindholm, S. Traff, F, S. Greenwald, A. Ekbom, C. Lennmarken, and R. Sandin, "Mortality within 2 years after surgery in relation to low intraoperative bispectral index values and preexisting malignant disease"Anesthesia & Analgesia, vol. 108, pp. 508-512, 2009. DOI: 10.1213/ane.0b013e31818f603c

T. G. Monk, B. C. Saini VWeldon, and J. C. Sigl, "Anesthetic management and one-year mortality after noncardiac surgery"Anesthesia & Analgesia, vol. 100, pp. 4-10, 2005. DOI:10.1213/01.ANE.0000147519.82841.5E

K. Leslie and M. P. Chan, "Posttraumatic stress disorder in aware patients from the B-aware trial"Anesthesia & Analgesia, vol. 110 pp. 823-828, 2010. DOI: 10.1213/ANE.0b013e3181b8b6ca

P. S. Sebel, B. T Andrew, M. M. Ghoneim, I. J. Rampil, R. E. Padilla, G. T. Joo, et al., "The incidence of awareness during anesthesia: a multicenter United States study"Anesthesia & Analgesia, vol. 99, pp. 833-839, 2004. DOI: 10.1213/01.ANE.0000130261.90896.6C

H. C. H. Jr, M. H. Akabas, P. A. Goldstein, J. R. Trudell, B. A. Orser, and N. L. Harrison, "Emerging molecular mechanisms of general anesthetic action"Trends in Pharmacological Sciences, vol. 26, pp. 503-510, 2005. DOI: 10.1016/j.tips.2005.08.006

C. P-L, "New insights into the molecular mechanisms of general anaesthetics"British Journal of Pharmacology, vol. 161, pp, 288-307, 2010. DOI: 10.1111/j.1476-5381.2010.00891.x

P. Gifani, H. R. Rabiee, M. H. Hashemi, P. Taslimi, and M. Ghanbari, "Optimal fractal-scaling analysis of human EEG dynamic for depth of anesthesia quantification"Journal of the Franklin Institute, vol. 344, pp. 212–229, 2007. DOI: 10.1016/j.jfranklin.2006.08.004

M. Mäenpää, T. Laitio, T. Kuusela, J. Penttilä, K. Kaisti, S. Aalto, S. Hinkka-YIi-Salomäki, and H. Scheinin, "Delta Entropy of Heart Rate Variability Along with Deepening Anesthesia" Anesthesia and Analgesia, Vol. 112,No. 3,2011,pp. 587-592. DOI: 10.1213/ANE.0b013e318208074d

B. R Lee, “Classification of wakefulness and anesthetic sedation using combination feature of EEG and ECG” Lee, B. R., Won, D. O., Seo, K. S., Kim, H. J. & Lee, Feb 16 5th International Winter Conference on Brain-Computer Interface, BCI, 2017. DOI: 10.1109/IWW-BCI.2017.7858168

I. J. Rampil, "A primer for EEG signal processing in anesthesia"Anesthesiology, vol. 89, pp. 18-23, 1998. URL: http://anesthesiology.pubs.asahq.org/article.aspx?articleid=2027637

H. Viertiö-Oja, V. Maja, M. Särkelä, P. Talja, N. Tenkanen, H. Tolvanen-Laakso, et al., "Description of the Entropy algorithm as applied in the Datex-Ohmeda S/5 Entropy Module"Acta Anaesthesiologica Scandinavica, vol. 48, pp. 154-161, 2004.DOI: 10.1111/j.0001-5172.2004.00322.x

D. Drover and H. R. Ortega, "Patient state index"Best Practice & Research Clinical Anaesthesiology, vol. 20, pp. 121-128, 2006. DOI: 10.1016/j.bpa.2005.07.008

S. Kreuer and W. Wilhelm, "The narcotrend monitor"Best Practice & Research Clinical Anaesthesiology, vol. 20, pp. 111-119, 2006. DOI: 10.1016/j.bpa.2005.08.010

Прайор П. Ф. Мониторный контроль функций мозга / П. Ф. Прайор// – М.: Медицина, 1982. – 327 с. URL: http://repository.kaznmu.kz/id/eprint/9942

G. Barr, J. G. Jakobsson, A. Owall, and R. E. Anderson, "Nitrous oxide does not alter bispectral index: study with nitrous oxide as sole agent and as an adjunct to i.v. anaesthesia"British Journal of Anaesthesia, vol. 82, pp. 827-830, 1999. DOI: 10.1093/bja/82.6.827

J. W. Johansen and P. S. Sebel, "Development and clinical application of electroencephalographic bispectrum monitoring"Anesthesiology, vol. 93, pp. 1336-1344, 2000. DOI: 10.1097/00000542-200011000-00029

M. Messner, U. Beese, J. Romstöck, M. Dinkel, and K. Tschaikowsky, "The bispectral index declines during neuromuscular block in fully awake persons"Anesthesia & Analgesia, vol. 97, pp. 488-491, 2003. DOI: 10.1213/01.ANE.0000072741.78244.C0

Руководство по анестезиологии: учебное пособие / Ф. С. Глумчер [и др.]; ред.: Ф. С. Глумчер, А. И. Трещинский. - 2-е изд. - К. : Медицина, 2010. - 608 с. ISBN: 978-617-505-020-0.

S. Pilge, R. Zanner, G. Schneider, J. Blum, M. Kreuzer, and E. F. Kochs, "Time delay of index calculation: analysis of cerebral state, bispectral, and narcotrend indices"Anesthesiology, vol. 104, pp. 488-494, 2006. DOI: 10.1093/bja/aep198

Bandt C. Permutation entropy – A natural complexity measure for time series / C. Bandt, B. Pompe // Phys. Rev. Lett. 2002. v.88.P. 174102-174102. DOI: 10.1103/PhysRevLett.88.174102

Rosso O. A., Plastino A. Entropy and statistical complexity in brain activity / O.A. Rosso, A.Plastino // Eur. News. 2005. v. 36. P. 224-228. DOI: 10.1051/epn:2005614

J. Kortelainen, E. Väyrynen, and T. Seppänen, “Depth of anesthesia during multidrug infusion: separating the effects of propofol and remifentanil using the spectral features of EEG,” IEEE Trans. Biomed. Eng., 58(5), pp. 1216–1223, 2011. DOI: 10.1109/TBME.2010.2103560

T. Nguyen-Ky, P. Wen, Y. Li and R. Gray, “Measuring and Reflecting Depth of Anesthesia Using Wavelet and Power Spectral Density” IEEE Trans. Inf. Technol. Biomed., 15(4), pp. 630-639, 2011. DOI: 10.1109/TITB.2011.2155081

Quan L. Quasi-Periodicities Detection Using Phase-Rectified Signal Averaging in EEG Signals as a Depth of Anesthesia Monitor. IEEE Transactions on Neural Systems and Rehabilitation Engineering. Vol. 25, Issue: 10, Oct. 2017. DOI: 10.1109/TNSRE.2017.2690449

Shalbaf, A., Saffar, M., Sleigh, J.W., Shalbaf, R. Monitoring the depth of anesthesia using a new adaptive neuro-fuzzy system. IEEE J Biomed Health Inform. 2017; pp. 1–17. DOI: 10.1109/JBHI.2017.2709841

Soo-young Y., Do-un J., Comparison of PSD of HRV and DFA of EEG during general anesthesia. Computer Sciences and Convergence Information Technology (ICCIT), 2010 5th International Conference on Dec. 2010. DOI: 10.1109/ICCIT.2010.5711118

Yong R., Chengzhang W., System of Multi-parameter for Anesthesia Depth Monitor. Bioelectronics and Bioinformatics (ISBB), 2011 International Symposium on Nov. 2011 DOI: 10.1109/ISBB.2011.6107641

Shiogai Y., Dhamala M., Oshima K., Hasler M., Cortico-Cardio-Respiratory Network Interactions during Anesthesia. 2012. DOI: 10.1371/journal.pone.0044634

Soo-young Y., Do-un J., Relation between heart rate variability and pulse transit time according to anesthetic concentration. Proceedings of the 9th WSEAS international conference on Signal processing Seong-Wan Baik at Pusan National University. Dec. 2010. DOI: 10.1109/ICCIT.2010.5711119

Muammar S., Shou-Zen F., Maysam F. A., Kuo-Kuang J., and Jiann-S. S., “Computational Depth of Anesthesia via Multiple Vital Signs Based on Artificial Neural Networks,” BioMed Research International, vol. 2015, Article ID 536863, 13 pages, 2015. DOI:10.1155/2015/536863

Nagaraj, S.B., McClain, L.M., Zhou, D.W., Biswal, S., Rosenthal, E.S., Purdon, P.L. and Westover, M.B., Automatic Classification of sedation levels in ICU patients using heart rate variability. Critical care medicine. 2016. pp.782-789. DOI: 10.1097/CCM.0000000000001708

Nagaraj S., Biswal S., Patient-Specifc Classifcation of ICU Sedation Levels From Heart Rate Variability., Crit. Care Med. p683 — p690 Jul. 2017. DOI: 10.1097/ CCM.0000000000002364

DL Hudson, ME Cohen, “Neural Networks and Artificial Intelligence for Biomedical Engineering”, Wiley-IEEE Press, 2000.

M. E. Cohen, D. L. Hudson, "Neural Network Models for Biosignal Analysis", Proceedings of the 28th IEEE EMBS Annual International Conference, pp. 3537-3540, August 30-September 3, 2006. DOI: 10.1109/IEMBS.2006.260393

Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220. URL: http://circ.ahajournals.org/content/101/23/e215.full

M. Fedorchuk and B. Lamiroy. Statistic Metrics for Evaluation of Binary Classifiers without Ground-Truth. In IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON) , Kiev, Ukraine, May 2017. IEEE. DOI: 10.1109/UKRCON.2017.8100414

M. Fedorchuk and B. Lamiroy. Binary Classifier Evaluation Without Ground Truth. ICAPR 2017, Kolkata, India. December 2017. IEEE. - у друці.

R. Meir and G. Rätsch. An introduction to boosting and leveraging. In S. Mendelson and A. Smola, editors, Advanced Lectures on Machine Learning, LNCS, pages 119-184. Springer, 2003. DOI: 10.1007/3-540-36434-X_4

H. Schwenk. Using boosting to improve a hybrid hmm/neural network speech recognizer. In Proc. IEEE Int. Conf. on Acoustics, Speech and Signal processing, pages 1009-1012, 1999. DOI: 10.1109/ICASSP.1999.759874

Deep learning in bioinformatics / Seonwoo Min, Byunghan Lee, Sungroh Yoon. Briefings in Bioinformatics, Volume 18, Issue 5, 1 September 2017, Pages 851–869. URL: https://arxiv.org/abs/1603.06430v5

Stober S, Cameron DJ, Grahn JA. Classifying EEG recordings of rhythm perception. In: 15th International Society for Music Information Retrieval Conference (ISMIR’14). 2014. p. 649-54. DOI: 10.6084/m9.figshare.1213903.v2

Stober S, Cameron DJ, Grahn JA. Using Convolutional Neural Networks to Recognize Rhythm. In: Advances in neural information processing systems. 2014. p. 1449-57. DOI: http://dblp.org/rec/conf/nips/StoberCG14

Cecotti H, Graeser A. Convolutional neural network with embedded Fourier transform for EEG classification. In: Pattern Recognition, 2008. ICPR 2008. 19th International Conference on. 2008. p. 1-4. IEEE. DOI: 10.1109/ICPR.2008.4761638

Cecotti H, Gräser A. Convolutional neural networks for P300 detection with application to braincomputer interfaces. Pattern Analysis and Machine Intelligence, IEEE Transactions on 2011;33(3):433- 45. DOI: 10.1109/TPAMI.2010.125

Soleymani M, Asghari-Esfeden S, Pantic M et al. Continuous emotion detection using EEG signals and facial expressions. In: Multimedia and Expo (ICME), 2014 IEEE International Conference on. 2014. p. 1-6. IEEE. DOI: 10.1109/ICME.2014.6890301

Freudenburg ZV, Ramsey NF, Wronkeiwicz M et al. Real-time naive learning of neural correlates in ECoG Electrophysiology. Int. Journal of Machine Learning and Computing 2011. DOI: 10.7763/IJMLC.2011.V1.40

An X, Kuang D, Guo X et al. A Deep Learning Method for Classification of EEG Data Based on Motor Imagery. Intelligent Computing in Bioinformatics. Springer, 2014, 203-10. DOI: 10.1007/978-3-319-09330-7_25

Li K, Li X, Zhang Y et al. Affective state recognition from EEG with deep beliefnetworks. In: Bioinformatics and Biomedicine (BIBM), 2013 IEEE International Conference on. 2013. p. 305-10. IEEE. DOI: 10.1109/BIBM.2013.6732507

Jia X, Li K, Li X et al. A Novel Semi-Supervised Deep Learning Framework for Affective State Recognition on EEG Signals. In: Bioinformatics and Bioengineering (BIBE), 2014 IEEE International Conference on. 2014. p. 30-7. IEEE. DOI: 10.1109/BIBE.2014.26

Zheng W-L, Guo H-T, Lu B-L. Revealing critical channels and frequency bands for emotion recognition from EEG with deep belief network. In: Neural Engineering (NER), 2015 7th International IEEE/EMBS Conference on. 2015. p. 154-7. IEEE. DOI: 10.1109/NER.2015.7146583

Jirayucharoensak S, Pan-Ngum S, Israsena P. EEG-based emotion recognition using deep learning network with principal component based covariate shift adaptation. The Scientific World Journal 2014. DOI: 10.1155/2014/627892


Перелік посилань за IEEE 2006






Copyright (c) 2018 Федорчук М. М., Попов А. О.

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.

ISSN: 2523-4447
e-ISSN: 2523-4455