ИССЛЕДОВАНИЕ ВЛИЯНИЯ ДЛИНЫ СИГНАЛА ЭЭГ НА ТОЧНОСТЬ КЛАССИФИКАЦИИ УРОВНЕЙ АНЕСТЕЗИИ

Одной из важнейших задач при проведении хирургических операций является оценка глубины анестезии пациента. Глубина общей анестезии традиционно оценивалась с помощью гемодинамических признаков, которые плохо коррелируют с уровнем сознания пациента. Сигналы электроэнцефалограммы (ЭЭГ) содержат ценную информацию о процессах в мозге пациента, поэтому анализ ЭЭГ рассматривается как один из наиболее полезных методов в исследовании и оценке глубины анестезии в клинических применениях. Нелинейный анализ для оценки глубины анестезии позволяет получить информацию, которая не может быть получена с использованием методов спектрального анализа ЭЭГ. Формирование комплекса диагностически значимых показателей ЭЭГ во время анестезии дает возможность адекватно описать эти сложные процессы и изменения с помощью совместного использования четырех параметров ЭЭГ: SE, BSR, SEF95, RBR.
Целью работы является исследование влияния длительности анализируемого фрагмента сигнала ЭЭГ на точность оценки уровней анестезии с помощью алгоритма линейного дискриминантного анализа и определение длины сигнала ЭЭГ, при которой получается приемлемая точность разделения уровней наркоза с помощью этих параметров.
Предложен новый метод классификации уровней анестезии по ЭЭГ. Показана возможность классификации уровней анестезии с помощью совместного использования рассматриваемых параметров ЭЭГ (SE, BSR, SEF95, RBR). Метод может быть использован в мониторах анестезии, служащих для контроля глубины наркоза в целях выбора подходящей дозы анестезирующих препаратов во время операций, что позволит избежать как случаев интраоперационного пробуждения, так и излишне глубокого наркоза.

1. 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.

2. Thornton C., Jones J. G. Evaluating Depth of Anesthesia: Review of Methods // International Anesthesiology Clinics. 1993. Vol. 31, iss.4. P. 67–88.

3. Awareness During Anesthesia: a Closed Claims Analysis / K. B. Domino, K. L. Posner, R. A. Caplan, F. W. Cheney // Anesthesiology. 1999. Vol. 90. P. 1053–1061.

4. Monitoring 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.

5. 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.2017.7858168

6. Tong S., Thakor N. V. Quantitative EEG Analysis Methods and Clinical Applications. Norwood: Artech House, 2009. 421 p.

7. 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.2016.7514635

8. Description 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. TolvanenLaakso, M. Paloheimo, A. Vakkuri, A. Yli-Hankala, P. Meriläinen // Acta Anaesthesiologica Scandinavica. 2004. Vol 48, iss. 2. P. 154–161.

9. Monitoring the Depth of Anesthesia from Rat EEG Using Modified Shannon Entropy Analysis / Y. Yoon, T. Kim, D. Jeong, S. Park // 2011 Annual Intern. Conf. of the IEEE Engineering in Medicine and Biology Society. Boston, MA, USA, 30 Aug.–3 Sept. 2011, Piscataway: IEEE, 2011. P. 4386–4389. doi: 10.1109/IEMBS.2011.6091088.

10. A 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.2015.7276738

11. Аль-Гаили М. А., Калиниченко А. Н. Оценка глубины анестезии на основе совместного анализа частотных и временных параметров ЭЭГ // Изв. СПбГЭТУ “ЛЭТИ”. 2018. № 3. С 80–85.

12. Аль-Гаили М. А. Оценка стадий глубокой анестезии по электроэнцефалограмме на основе спектрального анализа // Изв. СПбГЭТУ “ЛЭТИ”. 2017. № 2. С 75–79.

13. Kalinichenko A. N., Manilo L. A., Nemirko A. P. Analysis of Anesthesia Stages Based on the EEG Entropy Estimation // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications. 2015. Vol. 25, № 4. P. 632–641.

14. Duda R. O., Hart P. E., Stork D. H. Pattern Classification: 2nd ed. NY: Wiley Interscience, 2001. 654 p.