radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2019-22-3-106-112radioelectronics-329Research ArticleПРИБОРЫ МЕДИЦИНСКОГО НАЗНАЧЕНИЯ, КОНТРОЛЯ СРЕДЫ, ВЕЩЕСТВ, МАТЕРИАЛОВ И ИЗДЕЛИЙMEDICAL DEVICES, ENVIRONMENT, SUBSTANCES, MATERIAL AND PRODUCTОЦЕНКА ГЛУБИНЫ АНЕСТЕЗИИ ПО ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙESTIMATION OF THE DEPTH OF ANESTHESIA BY ELECTROENCEPHALOGRAM USING NEURAL NETWORKSАль-ГаилиМ. А.Al-GhailiMokhammed A.

Аль-Гаили Мохаммед Ахмед Хамуд – магистр по направлению "Биотехнические системы и технологии" (2013), аспирант кафедры биотехнических систем Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина). Автор шести научных публикаций. Сфера научных интересов – цифровая обработка биомедицинских сигналов, машинное обучение, распознавание образов.

ул. Профессора Попова, д. 5, Санкт-Петербург, 197376

Mokhammed A. Al-Ghaili – Master (2013) in Biotechnical Systems and Technologies, postgraduate student of the Department of Bioengineering Systems of Saint Petersburg Electrotechnical University "LETI". The author of 6 scientific publications. Area of expertise: digital processing of biomedical signals; machine learning; pattern recognition.

5, Professor Popov Str., 197376, St. Petersburg

alghily@mail.ruhttps://orcid.org/0000-0001-8946-2831КалиниченкоА. Н.KalinichenkoAlexander N.

Калиниченко Александр Николаевич – доктор технических наук (2009), старший научный сотрудник (1998), профессор кафедры биотехнических систем Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина). Автор более 160 научных работ. Сфера научных интересов – компьютерный анализ биомедицинских сигналов, машинное обучение, распознавание образов.

ул. Профессора Попова, д. 5, Санкт-Петербург, 197376

Alexander N. Kalinichenko – Dr. of Sci. (Engineering) (2009), Professor of the Department of Bioengineering Systems of Saint Petersburg Electrotechnical University "LETI". The author of more than 160 scientific publications. Area of expertise: computer analysis of biomedical signals; machine learning; pattern recognition.

5, Professor Popov Str., 197376, St. Petersburg

ank-bs@yandex.ruСанкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)РоссияSaint Petersburg Electrotechnical University "LETI"Russian Federation201902072019223106112Copyright © Аль-Гаили М.А., Калиниченко А.Н., 20192019Аль-Гаили М.А., Калиниченко А.Н.Al-Ghaili M.A., Kalinichenko A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://re.eltech.ru/jour/article/view/329

Введение. Мониторинг глубины анестезии при проведении хирургических операций является сложной задачей. Поскольку сигналы электроэнцефалограммы (ЭЭГ) содержат ценную информацию о процессах в головном мозге, анализ ЭЭГ рассматривается как один из наиболее полезных методов в исследовании и оценке глубины анестезии в клинических применениях. Анестезирующие средства влияют на частотный состав ЭЭГ. ЭЭГ бодрствующих субъектов, как правило, содержит смешанные альфа- и бета-ритмы. Изменения в ЭЭГ, вызванные переходом от состояния бодрствования к состоянию глубокой анестезии, проявляются в виде смещения спектральных составляющих сигнала к нижней части диапазона частот. Однако анестезирующие средства вызывают целый комплекс нейрофизиологических изменений, который невозможно правильно оценить только одним показателем. Цель работы. Для адекватного описания сложных процессов в период перехода от бодрствования к глубокой анестезии необходим метод оценки глубины анестезии, использующий комплексный набор параметров, отражающих изменения в сигнале ЭЭГ. В настоящей статье представлены результаты исследования возможности построения регрессионной модели на основе искусственных нейронных сетей (ИНС) для определения уровней анестезии с использованием набора рассчитываемых по ЭЭГ параметров. Материалы и методы. Предложен метод оценки уровня анестезии, основанный на применении ИНС, входными параметрами которых являются временны́е и частотные показатели ЭЭГ, а именно: спектральная энтропия; отношение "вспышки/подавление"; спектральная краевая частота и логарифм отношения мощностей спектра для трех пар частотных диапазонов. Результаты. Были определены оптимальные параметры ИНС, при которых достигается наивысший уровень регрессии между рассчитанными и верифицированными значениями показателя глубины анестезии. Заключение. Для создания практического варианта алгоритма необходимо дополнительно исследовать помехоустойчивость рассматриваемого метода и разработать комплекс алгоритмических решений, обеспечивающих надежную работу алгоритма при наличии шумов.

Introduction. Monitoring of the depth of anesthesia during surgery is a complex task. Since electroencephalogram (EEG) signals contain valuable information about processes in the brain, EEG analysis is considered to be one of the most useful methods for study and assessment of the depth of anesthesia in clinical applications. Anesthetics affect the frequency composition of the EEG. EEG of awake persons, as a rule, contains mixed alpha and beta rhythms. Changes in the EEG, caused by the transition from the waking state to the state of deep anesthesia, manifest as a shift of the spectral components of the signal to the lower part of the frequency range. Anesthetics cause a whole range of neurophysiological changes, which cannot be correctly assessed with just one indicator. Objective. In order to describe complex processes during the transition from the waking state to the state of deep anesthesia adequately, it is required to propose a method for assessing the depth of anesthesia, using a comprehensive set of parameters reflecting changes in the EEG signal. The article presents the results of study the possibility of building a regression model based on artificial neural networks (ANN) to determine levels of anesthesia using a set of parameters calculated by EEG. Materials and methods. The authors of the article propose the method for assessing the level of anesthesia, based on the use of neural networks, which input parameters are time and frequency EEG parameters, namely: spectral entropy (SE); burst-suppression ratio (BSR); spectral edge frequency (SEF95) and log power ratio of the spectrum (RBR) for three pairs of frequency ranges. Results. The optimal parameters of ANN were determined, at which the highest level of regression is achieved between the calculated and the verified values of the anesthesia depth indices. Conclusion. In order to create a practical version of the algorithm, it is necessary to investigate further the noise stability of the proposed method and develop a set of algorithmic solutions, which ensure a reliable operation of the algorithm in the presence of noise.

ЭЭГоценка глубины анестезииискусственные нейронные сетиспектральная энтропияBIS-индексEEGAnesthesia depth estimationArtificial neural networksSpectral entropyBIS-indexReferencesRampil IJ. A primer for EEG signal processing in anesthesia // Anesthesiology. 1998. Vol. 89. P. 980–1002.Rampil IJ. A primer for EEG signal processing in anesthesia. Anesthesiology. 1998, vol. 89, pp. 980–1002.Welling P. G. Pharmacokinetics: processes, mathematics and applications. 2nd ed. Washington DC: American Chemical Society. 1997. 393 p.Welling P. G. Pharmacokinetics: Processes, Mathematics, and Applications. 2nd ed. Washington DC: American Chemical Society. 1997, 393 p.Bispectral analysis measures sedation and memory effects of propofol, midazolam, isoflurane and Alfentanil In normal volunteers / P. S. Glass, M. Bloom, L. Kearse, C. Rosow, P. Sebel, P. Manberg // Anesthesiology. 1997. Vol. 86(4). P. 836–847.Glass P. S., Bloom M., Kearse L., Rosow C., Sebel P., Manberg P. Bispectral analysis measures sedation and memory effects of propofol, midazolam, isoflurane, and alfentanil in normal volunteers. Anesthesiology, 1997, vol. 86(4), pp. 836–847.Traast H. S., Kalkman C. J. Electroencephalographic characteristics of emergence from propofol/sufentanil total intervenouse anesthesia // Anesthesia & Analgesia. 1995. Vol. 81(2). P. 366–371. doi: 10.1097/00000539-199508000-00027Traast H. S., Kalkman C. J. Electroencephalographic characteristics of emergence from propofol/sufentanil total intervenouse anesthesia. Anesthesia & Analgesia. 1995, vol. 81(2), pp. 366–371. doi: 10.1097/00000539-199508000-00027Behavior of entropy/complexity measures of the electroencephalogram during propofol-induced sedation / R. Ferenets, A. Vanluchene, T. Lipping, B. Heyse, M. Struys // Anesthesiology. 2007. Vol. 106(4). P. 696–706. doi:10.1097/01.anes.0000264790.07231.2dFerenets R., Vanluchene A., Lipping T., Heyse B., Struys M. Behavior of Entropy/Complexity Measures of the Electroencephalogram during Propofol-induced Sedation. Anesthesiology, 2007, vol. 106(4), pp. 696–706. doi:10.1097/01.anes.0000264790.07231.2dSpectral edge frequency of the electroencephalogram to monitor ‘depth’ of anaesthesia with isoflurane or Propofol / D. Schwender, M. Daunderer, S. Mulzer, S. Klasing, U. Finsterer, K. Peter // Brit. J. of Anaesthesia. 1996. Vol. 77(2). P. 179–184. doi: 10.1093/bja/77.2.179Schwender D., Daunderer M., Mulzer S., Klasing S., Finsterer U., Peter K. Spectral edge frequency of the electroencephalogram to monitor ‘depth’ of anaesthesia with isoflurane or propofol. British Journal of Anaesthesia, 1996, vol. 77(2), pp. 179–184. doi: 10.1093/bja/77.2.179Tong S., Thakor N. V. Quantitative EEG analysis methods and clinical applications. Norwood: Artech House, 2009. 421 p.Tong S., Thakor N. V. Quantitative EEG Analysis Methods and Clinical Applications. Norwood: Artech House, 2009, 421 p.Hossein R., Alireza M. D., Mehrab G. Estimation the depth of anesthesia by the use of artificial neural Network // Artificial Neural Networks. Methodological Advances and Biomed. Appl. / Ed. by K. Suzuki. 2011. P. 283–302. doi: 10.5772/15139Hossein R., Alireza M. D., Mehrab G. Estimation the Depth of Anesthesia by the Use of Artificial Neural Network // Artificial Neural Networks. Methodological Advances and Biomedical Applications. Ed. by Kenji Suzuki. 2011. P. 283–302. doi: 10.5772/15139Description of the entropy algorithm as applied in the datex-ohmeda S/5 entropy module / H. Viertiö-Oja, V. Maja, M. Särkelä, P. Talja, N. Tenkanen, H. Tolvanen-Laakso, M. Paloheimo, A. Vakkuri, A. Yli-Hankala, P. Meriläinen // Acta Anaesthesiol. Scand. 2004. Vol 48(2). P. 154–161. doi: 10.1111/j.0001-5172.2004.00322.xViertiö-Oja H., Maja V., Särkelä M., Talja P., Tenkanen N., Tolvanen-Laakso H., Paloheimo M., Vakkuri A., Yli-Hankala A., Meriläinen P. Description of the Entropy algorithm as applied in the Datex-Ohmeda S/5 Entropy Module. Acta Anaesthesiol. Scand. 2004, vol. 48(2), pp. 154–161. doi: 10.1111/j.0001-5172.2004.00322.xАль-Гаили М. А., Калиниченко А. Н. Оценка глубины анестезии на основе совместного анализа частотных и временных́ параметров ЭЭГ // Изв. СПбГЭТУ "ЛЭТИ". 2018. № 3. С. 80–85.Al-Ghaili M. A., Kalinichenko A. N. Evaluation of Depth of Anesthesia Based on Joint Analysis of EEG Frequency and Time Parameters. Izvestiya SPBGETU “LETI” [Proceedings of Saint Petersburg Electrotechnical University], 2018, no. 3, pp. 80–85. (In Russian)Classification of EEG signals based on pattern recognition approach / H. U. Amin, W. Mumtaz, A. R. Subhani, M. N. M. Saad, A. S. Malik // Frontiers in Computational Neuroscience. 2017. Vol. 11, art.103. P. 1–12.Amin H. U., Mumtaz W., Subhani A. R., Saad M. N. M., Malik A. S. Classification of EEG Signals Based on Pattern Recogni-tion Approach. Frontiers in Computational Neuroscience, 2017, vol. 11, art.103. P. 1–12.Classification of wakefulness and anesthetic sedation using combination feature of EEG and ECG / B. Lee, D. Won, K. Seo, H. J. Kim, S. Lee // Proc. of 2017 5th Intern. Winter Conf. on Brain-Computer Interface (BCI). Sabuk, South Korea, 9–11 Jan. 2017. Piscataway: IEEE, 2017. P. 88–90. doi: 10.1109/IWW-BCI.2017.7858168Lee B., Won D., Seo K., Kim H. J., Lee S. Classification of Wakefulness and Anesthetic Sedation Using Combination Feature of EEG and ECG. Proc. of 2017 5th Intern. Winter Conf. on Brain-Computer Interface (BCI). Sabuk, South Korea, 9–11 Jan. 2017. Piscataway: IEEE, 2017, pp. 88–90. doi: 10.1109/IWW-BCI.2017.7858168Monitoring the depth of anesthesia using entropy features and an artificial neural network / R. Shalbaf, H. Behnam, J. W. Sleigh, A. Steyn-Ross, L. J. Voss // J. of Neuroscience Methods. 2013. Vol. 218, iss. 1. P. 17–24.Shalbaf R., Behnam H., Sleigh J. W., Steyn-Ross A., Voss L. J. Monitoring the Depth of Anesthesia Using Entropy Features and an Artificial Neural Network. J. of Neuroscience Methods, 2013, vol. 218, iss. 1, pp. 17–24.Wavelet entropy based classification of depth of anesthesia / V. K. Benzy, E. A. Jasmin, R. C. Koshy, F. Amal // 2016 Intern. Conf. on Computational Techniques in Information and Communication Technologies (ICCTICT), New Delhi, India, 11–13 March 2016. Piscataway: IEEE, 2016. P. 521–524. doi: 10.1109/ICCTICT.2016.7514635Benzy V. K., Jasmin E. A., Koshy R. C., Amal F. Wavelet Entropy Based Classification of Depth of Anesthesia. 2016 Intern. Conf. on Computational Techniques in Information and Communication Technologies (ICCTICT), New Delhi, India, 11–13 March 2016. Piscataway, IEEE, 2016, pp. 521–524. doi: 10.1109/ICCTICT.2016.7514635A comparison of different classification algorithms for determining the depth of anesthesia level on a new set of attributes / A. Arslan, B. Şen, F. V. Çelebi, M. Peker, A. But // 2015 Intern. Symp. on Innovations in Intelligent Systems and Applications (INISTA), Madrid, Spain, 2–4 Sept. 2015. Piscataway: IEEE, 2015. P. 1–7. doi: 10.1109/INISTA.2015.7276738Arslan A., Şen B., Çelebi F. V., Peker M., But A. A Comparison of Different Classification Algorithms for Determining the Depth of Anesthesia Level on a New Set of Attributes. 2015 Intern. Symp. on Innovations in Intelligent Systems and Applications (INISTA), Madrid, Spain, 2–4 Sept. 2015. Piscataway, IEEE, 2015, pp. 1–7. doi: 10.1109/INISTA.2015.7276738

The authors declare that there are no conflicts of interest present.