ОЦЕНКА ГЛУБИНЫ АНЕСТЕЗИИ ПО ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

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.

1. Rampil IJ. A primer for EEG signal processing in anesthesia // Anesthesiology. 1998. Vol. 89. P. 980–1002.

2. Welling P. G. Pharmacokinetics: processes, mathematics and applications. 2nd ed. Washington DC: American Chemical Society. 1997. 393 p.

3. 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.

4. 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: 10.1097/00000539-199508000-00027

5. Behavior 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.0000264790.07231.2d

6. Spectral 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/77.2.179

7. Tong S., Thakor N. V. Quantitative EEG analysis methods and clinical applications. Norwood: Artech House, 2009. 421 p.

8. 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: 10.5772/15139

9. 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. 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.x

10. Аль-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.

11. 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.

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.2017.7858168

13. 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.

14. 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

15. 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