Метод и система для оценки глубины анестезии тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Аль-Гаили Мохаммед Ахмед Хамуд

• Аль-Гаили Мохаммед Ахмед Хамуд
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Аль-Гаили Мохаммед Ахмед Хамуд

ВВЕДЕНИЕ

ГЛАВА 1. ЭЛЕКТРОЭНЦЕФАЛОГРАММА КАК СПОСОБ НАБЛЮДЕНИЯ ЗА

СОСТОЯНИЕМ ПАЦИЕНТА ВО ВРЕМЯ ОПЕРАЦИЙ

1.1 Проблема определения глубины анестезии по электроэнцефалограмме

1.2. Проблема регистрации ЭЭГ сигнала в условиях операционной среды

1.3. Проблема подавления шумов, присутствующих в ЭЭГ во время анестезии

1.4. Анестезирующие средства и мониторинг общей анестезии

1.5. Алгоритмы обработки ЭЭГ при анестезии

1.5.1. Биспектральный индекс (BIS)

1.5.2. Индекс Narcotrend (NCT)

1.5.3. Алгоритм мониторинга Entropy

1.6. Ограничения существующих мониторов глубины анестезии

1.7. Постановка цели и задач исследования

ГЛАВА 2. ИССЛЕДОВАНИЕ АЛГОРИТМОВ ВЫЧИСЛЕНИЯ ПОКАЗАТЕЛЕЙ ЭЭГ ДЛЯ ОЦЕНКИ ГЛУБИНЫ АНЕСТЕЗИИ

2.1. Алгоритм вычисления и анализа спектральной энтропии

2.2. Алгоритм вычисления параметра Burst Suppression Ratio (BSR)

2.3 Алгоритм вычисления параметра Relative beta ratio (RBR)

2.4. Алгоритм вычисления параметра спектральная краевая частота SEF95

2.5. Оптимизация алгоритмов расчёта параметров ЭЭГ

2.5.1. Описание материалов и методов исследования

2.5.2. Оптимизация алгоритма расчёта спектральной энтропии

2.5.3. Оптимизация алгоритма расчёта RBR

2.6. Проверка распределений параметров на близость к нормальному

2.7. Анализ разделяющей способности параметров по разным диапазонам BIS

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМА ОЦЕНКИ ГЛУБИНЫАНЕСТЕЗИИ НА ОСНОВЕ ЛИНЕЙНОГОДИСКРИМИНАНТНОГО АНАЛИЗА

3.1. Оценка глубины анестезии на основе линейного дискриминантного анализа по двум параметрам ЭЭГ

3.2. Оценка глубины анестезии на основе линейного дискриминантного анализа по трём параметрам ЭЭГ

3.3. Оценка глубины анестезии на основе линейного дискриминантного анализа по четырём параметрам ЭЭГ

3.4. Оценка глубины анестезии на основе линейного дискриминантного анализа по пяти параметрам ЭЭГ

3.5. Оценка глубины анестезии на основе линейного дискриминантного анализа по шести параметрам ЭЭГ

3.6. Влияния длины сигнала ЭЭГ на точность классификации уровней анестезии при использовании линейного дискриминантного анализа

3.7. Выводы:

ГЛАВА 4. РАЗРАБОТКА АЛГОРИТМА ОЦЕНКИ ГЛУБИНЫ АНЕСТЕЗИИ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

4.1. Классификация уровней анестезии по ЭЭГ с помощью искусственных

нейронных сетей

4.1.1. Выбор структур и параметров ИНС для классификации

4.1.2 Исследование влияния длины сигнала ЭЭГ на точность классификации уровней анестезии при использовании искусственных нейронных сетей

4.2. Построение регрессионной модели для определения уровней анестезии по ЭЭГ на основе метода главных компонент

4.3. Построение регрессионной модели для определения уровней анестезии

по ЭЭГ на основе ИНС

4.2.1 Выбор структур и параметров ИНС для регрессии

4.4. Выводы

5.1. Описание алгоритмов вычисления параметров ЭЭГ

5.2. Описание алгоритма работы системы автоматического контроля глубины анестезии по ЭЭГ

5.3. Выводы

ЗАКЛЮЧЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Метод и система для оценки глубины анестезии»

ВВЕДЕНИЕ

В настоящее время разработка современной, более совершенной медицинской аппаратуры для определения глубины анестезии является актуальной задачей. Недостаточно глубокая анестезия, а также передозировка анестетика, представляют собой угрозу для пациента. Наиболее опасной ситуацией является внезапный переход пациента в процессе операции в состояние сознания, что известно под термином «интраоперационная осведомленность» (intraoperative awareness), Аппаратура оценки глубины анестезии должна обеспечить надёжный контроль анестезии в ходе хирургических операций.

Важнейшей задачей анестезиолога является обеспечение оптимальных дозировок, предотвращающих интраоперационное сознание, которое может явиться причиной опасных психологических воздействий на пациентов [1]. Поэтому специалист анестезиолог должен иметь возможность точно контролировать глубину анестезии и обеспечивать её адекватный уровень. Следовательно, разработка методов и алгоритмов для точной оценки глубины анестезии во время хирургических операций является важной задачей [39 ].

Мониторинг глубины наркоза необходим как для обеспечения адекватного уровня анестезии, так и для предотвращения ситуаций, опасных для жизни и здоровья пациентов. Мониторинг глубины наркоза можно осуществить с помощью анализа ЭЭГ пациента во время операции [1].

Сведения о частоте интраоперационного пробуждения во время общей анестезии весьма противоречивы. По данным зарубежных авторов частота их в целом колеблется от 0,1% до 4% даже при "хорошо проведенных анестезиях". При этом во время проведения общехирургических операций, частота пробуждений составляет от 0,2% до 1,3%, в акушерстве - 2%, в кардиохирургии - 1,5%-4%, в травматологии - 11%-43% [2]. Поэтому проблема контроля адекватности анестезии и степени угнетения ЦНС у обсуждаемой категории больных до сих пор остается актуальной.

Мониторинг глубины анестезии при проведении хирургических операций является сложной задачей. Для оценки глубины анестезии могут использоваться такие клинические показатели, как кровяное давление, сердечный ритм, потоотделение или движения конечностей. Однако эти традиционные методы не всегда позволяют получить достоверную оценку глубины наркоза, а также могут варьироваться от пациента к пациенту и в зависимости от типа операции. Кроме того, использование одновременно с анестетиками других препаратов, таких как миорелаксанты и сосудорасширяющие средства, также делает анализ этих признаков затруднительным и ненадежным [3].

В течение последних нескольких десятилетий исследователи сосредоточились на поиске надежных неинвазивных способов мониторинга глубины анестезии. При этом наибольшее внимание уделяется анализу активности головного мозга, так как центральная нервная система является главным объектом воздействия анестезирующего средства. 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 [4].

В настоящее время известны несколько методов количественной оценки

уровня сознания во время общей анестезии на основе анализа ЭЭГ, в частности,

такие как 95% спектральная краевая частота (spectral edge frequency, SEF95),

центральная частота спектра и биспектральный индекс [4]. Биспектральный

индекс (BIS-индекс) является сложным частотно -временным параметром,

состоящим из нескольких подпараметров, которые меняют свое значение в

зависимости от глубины наркоза пациента. Многие исследования показали, что

для оценки глубины анестезии по ЭЭГ может быть применен нелинейный анализ

[5]. Такой подход позволяет анализировать информацию, которая не может быть

получена с использованием традиционных методов спектрального анализа ЭЭГ.

В связи с этим для оценки глубины анестезии находят применение методы

теории нелинейной динамики и теории информации, такие как энтропия [1].

Существуют различные способы вычисления энтропии сигнала. Во временной

6

области можно рассматривать, например, аппроксимированную энтропию или энтропию Шеннона. В частотной области может быть вычислена спектральная энтропия (spectral entropy, SE).

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. Эти изменения также проявляются и в виде снижения хаотичности сигнала ЭЭГ[4]. Также в состоянии глубокой анестезии в сигнале ЭЭГ наблюдаются выраженные высокоамплитудные, но медленные, колебания. Сказанное означает, что анестезирующие средства вызывают целый комплекс нейрофизиологических изменений, который невозможно правильно оценить только одним показателем. Поэтому для адекватного описания сложных процессов в период перехода от бодрствования к глубокой анестезии необходим метод оценки глубины анестезии, использующий комплексный набор параметров, отражающих эти изменения в сигнале ЭЭГ [6].

Целью исследования является разработка метода и системы оценки глубины анестезии на основе совместного анализа частотных и временных параметров ЭЭГ.

Объект данного научного исследования - система контроля уровня анестезии в процессе проведения хирургических операций.

Предмет данного научного исследования - методы и алгоритмы оценки глубины анестезии по ЭЭГ на основе линейного дискриминантного анализа (ЛДА) и искусственных нейронных сетей (ИНС).

Задачи исследования

1. Анализ факторов, влияющих на свойства сигнала ЭЭГ при анестезии;

2. Формирование комплекса показателей ЭЭГ для оценки ГА.

3. Формирование набора обучающих и тестовых записей ЭЭГ при анестезии.

4. Разработка и исследование алгоритма анализа параметров ЭЭГ на основе методов линейного дискриминантного анализа.

5. Выбор и обоснование конфигурации искусственной нейронной сети для классификации уровней ГА с помощью предложенных параметров.

6. Выбор и обоснование конфигурации искусственной нейронной сети для построения регрессионной модели определения уровней ГА с использованием предложенных параметров ЭЭГ.

7. Тестирование выбранной конфигурации ИНС для оценки ГА.

8. Разработка структурной схемы системы контроля глубины наркоза.

Методы исследования: В работе использованы методы цифровой обработки

сигналов, математической статистики, распознавания образов и машинного обучения. Экспериментальные исследования выполнены в среде программирования МайаЬ.

Научные результаты

1. Предложено и исследовано совместное использование нескольких параметров ЭЭГ для оценки глубины анестезии, в частности, спектральной энтропии, логарифма отношения мощностей спектра, отношения вспышки/подавление и спектральной краевой частоты, что позволило повысить точность алгоритма по сравнению с вариантом раздельного использования данных признаков.

2. Показано, что алгоритм оценки уровней глубины анестезии на основе нейронных сетей обеспечивает более высокие показатели качества, чем алгоритм на основе методов линейного дискриминантного анализа.

3. Разработан метод для оценки показателя глубины анестезии, основанный на применении искусственных нейронных сетей, входными параметрами которых являются временные и частотные показатели ЭЭГ.

Практическая значимость

2. Предложенная методика оценки качества алгоритмов анализа глубины анестезии с использованием набора реальных записей ЭЭГ.

3. Разработанный алгоритм и метод оценки глубины анестезии по ЭЭГ, основанный на искусственной нейронной сети.

4. Результаты экспериментальных исследований алгоритмов и методов анализа глубины анестезии по ЭЭГ.

Основные научные положения:

1. При оценке глубины анестезии использование комбинации временных и частотных параметров ЭЭГ позволяет достичь более высокой точности, чем использование этих параметров по отдельности.

2. Длина фрагмента сигнала ЭЭГ влияет на различимость состояний анестезии с помощью методов ЛДА при использовании каждого параметра по отдельности. Минимальная необходимая длина фрагмента составляет 15 секунд.

3. Различимость уровней анестезии при использовании линейного дискриминантного анализа возрастает с увеличением числа используемых параметров ЭЭГ.

4. Достигаемая точность алгоритма оценки глубины анестезии на основе ИНС выше, чем у алгоритма оценки ГА на основе ЛДА.

Апробация работы: Материалы диссертационной работы докладывались и обсуждались на:

- XII международной научной конференции «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ), г. Суздаль, 2015г.;

- 70-ой Всероссийской научно-технической конференции СПбНТОРЭС, посвященной Дню радио, г. Санкт-Петербург, 2016г.;

- XIII международной научной конференции «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ), г. Суздаль, 2018г.;

Публикации: По материалам диссертации опубликованы 6 работ, из которых 5 статьи в рецензируемых журналах и изданиях из перечня ВАК РФ.

Структура и объём диссертации: Диссертация состоит из введения, пяти глав, заключения, библиографического списка, включающего 73 наименования, списка сокращений. Объём диссертации составляет 120 страниц машинописного текста, диссертация содержит 65 рисунков и 17 таблиц.

ГЛАВА 1. ЭЛЕКТРОЭНЦЕФАЛОГРАММА КАК СПОСОБ НАБЛЮДЕНИЯ ЗА СОСТОЯНИЕМ ПАЦИЕНТА ВО ВРЕМЯ

ОПЕРАЦИЙ

1.1 Проблема определения глубины анестезии по электроэнцефалограмме

Электроэнцефалография - это нейрофизиологическое измерение электрической активности головного мозга. Обычно сигнал электроэнцефалограммы (ЭЭГ) является функцией времени и описывается в терминах амплитуды, частоты и фазы. Нейроны взаимодействуют через электрические импульсы и генерируют био-электромагнитное поле, которое распространяется через ткани мозга, череп и кожу головы.

Сигнал ЭЭГ традиционно делится на спектральные полосы частот, связанные с различными генераторами ЭЭГ:

1. Дельта-ритм(б) -это волны, генерируемые из таламуса с диапазоном частот сигнала от 0 до 4 Гц и с амплитудами от 20 мкВ до 200 мкВ. Эти волны часто ассоциируется с молодыми пациентами, некоторыми энцефалопатиями и с рядом поражений мозга. Этот ритм проявляется на глубокой стадии сна.

2. Тета-ритм(б) генерируется из гиппокампа и неокортекса с частотами от 4 Гц до 7 Гц и амплитудами от 20 мкВ до 100 мкВ. Эта полоса связана со сном, детством, подростковым возрастом и молодой взрослой жизнью.

3. Альфа-ритм(а) генерируется таламусом с частотами от 8 Гц до 12 Гц и амплитудами от 20 мкВ до 60 мкВ. Он характерен для расслабленного, бдительного состояния сознания. Альфа-ритм наблюдается при закрытых глазах в затылочной области. Он ослабляется при появлении сонливости или при открывании глаз.

4. Бета-ритм (в) генерируется из коры мозга с частотой от 13 Гц до 30 Гц. Этот сигнал имеет характерно малую амплитуду (от 2 мкВ до 20 мкВ). Множественные и различные частоты часто связаны с активным, напряженным

или тревожным мышлением и активной концентрацией. Ритмические бета-волны с доминирующим набором частот связаны с различными патологиями и лекарственными эффектами.

5. Гамма-ритм(у): имеет частоты от 30 Гц до 70 Гц и очень низкие амплитуды (от 3 мкВ до 5 мкВ). Некоторые исследователи классифицируют эту полосу как бета-волны, потому что они обладают схожими свойствами [7,8].

Датчики сигнала ЭЭГ помещаются на скальп для снятия сигналов из разных мест; эти сигналы описывают деятельность мозга. Для сбора данных используются многие другие методы, такие как функциональная магнитно -резонансная томография и позитронно-эмиссионная томография, но ЭЭГ является наиболее популярным методом оценки активности мозга из-за простоты регистрации, высокого временного разрешения и низкой стоимости [9 -10]. Задачи анализа регистрируемых с поверхности скальпа ЭЭГ сводятся к частотному и корреляционному анализу, оценке фазовых свойств, обнаружению и количественной оценке существующих нелинейностей, классификации сигнала, а также к устранению шума из сигнала.

Анестезия является необходимым и важным процессом многих операций. Анестезиологи контролируют глубину анестезии (ГА) пациентов на основе наблюдений за изменениями основных физиологических симптомов, таких как артериальное давление, сердцебиение, частота дыхания, движение глаз и их физические реакции на воздействие хирургической процедуры [11].

Точная оценка глубины анестезии во время хирургических операций

является чрезвычайно важной задачей. Текущий контроль уровней наркоза

предотвращает случаи интраоперационного сознания, вызванные неадекватной

глубиной анестезии, которые могут явиться причиной опасных психологических

воздействий на пациентов. Глубина общей анестезии традиционно оценивалась с

помощью гемодинамических признаков, таких, как тахикардия и гипертония, а

также при помощи вегетативных признаков, в частности: моторной реакции,

слезотечения, размера зрачка, изменения частоты дыхания, которые плохо

варьироваться от пациента к пациенту, что не позволяет получить достоверную оценку глубины наркоза. Кроме того, использование одновременно с анестетиками других препаратов, например миорелаксантов и сосудорасширяющих средств, также делает анализ этих признаков затруднительным и ненадежным [3].

Известно, что статистические свойства сигнала электроэнцефалограммы (ЭЭГ) зависят от глубины анестезии. Сигналы 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. В течение последних нескольких десятилетий исследователи разработали несколько методов количественной оценки уровня сознания во время общей анестезии на основе анализа ЭЭГ [4].

Характеристики сигнала ЭЭГ варьируются в зависимости от уровня анестезии. Это изменение используется для контроля глубины анестезии. Адекватная анестезия - это динамический баланс между потерей сознания и интенсивностью хирургической стимуляции. Бессознательное состояние характеризуется отсутствием движения, осознания и вспоминания хирургического вмешательства, и невосприимчивостью к болевым стимулам, тогда как интенсивность хирургической стимуляции зависит от типа и продолжительности операции [13]. Неадекватная общая анестезия, вызванная недостаточной дозировкой, вызывает интраоперационное осознание с вспоминанием, тогда как длительная анестезия увеличивает риск послеоперационных осложнений из-за передозировки. Важнейшим фактором, способствующим неадекватной общей анестезии, является ограниченная способность определять уровень осведомленности [14].

В 1847 году Джон Сноу описал пять уровней анестезии, которые Гуэдел

позже уточнил на четырех этапах, основанных на толерантности мышц к

сенсорную блокаду, моторную блокаду, блокаду вегетативных рефлексов и потерю сознания [16]. В 1991 году Ван де Вельде и Cluitmans оценили характерные частоты в ЭЭГ у кошки. Они попытались оценить уровни анестезии, вычислив ЭЭГ-спектры. Они обнаружили, что краевая частота спектра SEF является многообещающим параметром ЭЭГ для оценки глубины анестезии [17]. В 1994 году Watt и др. рассматривали сигналы ЭЭГ как нелинейную динамическую систему и классифицировали сигналы ЭЭГ по следующим трём уровням анестезии: легкая, номинальная и глубокая анестезия. Эти исследователи обнаружили, что достаточные дозы анестетика уменьшают размерность сигнала ЭЭГ с увеличением глубины анестезии. Это свойство полезно для классификации активности головного мозга при анестезии [18].

Gugino и др. идентифицировали изменения индукции анестезии с использованием комбинации севофлурана, пропофола и ремифентанила. Результаты показали, что легкая седация сопровождается уменьшением задних альфа-волн и увеличением интенсивности фронтальных / центральных бета-волн [19]. Нечеткий классификатор обучается определять состояния анестезии: бодрствующий, умеренный, общий наркоз и изоэлектрический. Результаты классификации были лучше, чем результаты других методов с использованием отдельных признаков и систем, которые позволяли лишь различать сознание и общее состояние анестезии [20].

Исследователям удалось снизить размерность сигнала ЭЭГ за счет

использования специальных алгоритмов. Один из этих методов (Isomap),

основан на оценке фазы с использованием характеристик данных, вычисленных

из последовательностей ЭЭГ во время глубокой анестезии. Используя значения

одномерной функции, этот метод оценивает нейрофизиологические изменения

во время анестезии и дает возможность разрабатывать более совершенные

системы для определения глубины анестезии [21]. Наконец, чтобы свести к

минимуму время, требуемое для интерпретации сигналов ЭЭГ, многие

анестезии пациента, рассчитываемую с использованием нормализованного биспектрального отношения [22]. Этот подход основан на различии между биспектральными значениями сигналов ЭЭГ в сознательных и бессознательных состояниях у людей. Результаты показали высокую способность различать уровни сознания с использованием простого численного значения, а не графического представления уровней сознания.

1.2. Проблема регистрации ЭЭГ сигнала в условиях операционной среды

В условиях хирургической операционной существует множество различных источников помех и шумов при регистрации ЭЭГ. Сигнал ЭЭГ на один или два порядка ниже по амплитуде, чем электрокардиограмма (ЭКГ). Частотный спектральный диапазон ЭЭГ перекрывается с другим биологическим сигналом, генерируемым под скальпом, электромиограммой (ЭМГ). В то время как пациент бодрствует или только слегка успокаивается, любое движение лица вызывает сигнал ЭМГ с амплитудой, многократно превышающей сигнал ЭЭГ. Фактически, десинхронизация ЭЭГ, наблюдаемой у пациентов с тревожными состояниями, приводит к ЭЭГ с более широким частотным спектром и уменьшенной амплитудой, ухудшая отношение сигнал/шум ЭЭГ. К счастью, активация ЭМГ обычно вызывает активацию в ЭЭГ, используемую для предсказания неадекватной анестезии. Другие черепные источники биологического артефакта включают электроокулограмму (от движения глаз) и глотания, а также ЭКГ, как проекцию сердечного вектора, проходящую через скальп [4].

Динамический диапазон сигнала ЭЭГ до усиления обычно составляет ± 100 мкВ. При прохождении через разные ткани к этому сигналу добавляется много видов шумов. Характеристики шума влияют на величину и форму сигналов ЭЭГ. Они подразделяются на следующие типы:

I. Собственный шум: электронное оборудование генерирует шум, который перекрывается с записанным сигналом ЭЭГ. Этот шум можно устранить с помощью высококачественных электронных компонентов прибора ЭЭГ.

II. Окружающий шум: излучение электромагнитных устройств является основным источником этого шума. Окружающий шум имеет большую амплитуду, чем сигнал ЭЭГ. Этот тип шума может быть устранён за счёт экранирования помещения.

III. Артефакты движения: когда эти артефакты перекрываются с сигналом ЭЭГ, информационный сигнал искажен и нерегулярен. Артефакты движения имеют много источников: а) интерфейс электрода; b) электродный кабель; с) окулярные артефакты; d) глотание; e) потоотделение; и f) дыхание. Артефакты движения можно уменьшить, правильно спроектировав электронную схему и используя интеллектуальную программу, которая отделяет и удаляет эти артефакты из сигнала ЭЭГ.

IV. Собственная неустойчивость входного сигнала: амплитуда сигнала ЭЭГ естественно случайна. Артефакты ЭКГ влияют на сигнал ЭЭГ, особенно амплитуда изменения сигнала ЭКГ на разных стадиях анестезии. Артефакты ЭКГ происходят из-за сердечного электрического поля, которое влияет на поверхностный потенциал вблизи скальпа [23, 24].

Сигналы напряжения, такие как ЭЭГ, всегда измеряются как разность потенциалов между двумя точками, поэтому биоэлектрический усилитель имеет два входных сигнала, плюс и минус. Поскольку электрическая активность коры топографически гетерогенна, обычно выгодно измерять эту активность в нескольких местах на голове. В диагностической неврологии развилось несколько систем размещения электродов. В настоящее время наиболее часто используется система International 10-20% [25].

Условия хирургической операционной требуют минимального времени,

затрачиваемого на установку электродов на скальпе. Также на затраты времени

факторы, требующие снижения времени между операциями. Неисследовательский, интраоперационный мониторинг ЭЭГ для лекарственной анестезии сейчас выполняется исключительно с предварительно подготовленными полосками электродов, позволяющими регистрировать один или два канала. Многие из этих полос обеспечивают самоподготовку кожи, устраняя отнимающую много времени отдельную процедуру местной очистки кожи.

Среда операционной отличается от среды неврологической клиники, где диагностические ЭЭГ редко регистрируются с менее чем 16 каналами, с целью локализовать патологическую активность. Во время операции сонной артерии часто рекомендуется использовать 8 или 16 каналов, так как существует нехватка данных, необходимых для обеспечения требуемой чувствительности к обнаружению церебральной ишемии по сравнению с двух- или четырехканальными компьютеризованными системами, более доступными для персонала анестезии. Хотя во время анестезии происходят локальные изменения в ЭЭГ [26, 27], мало что свидетельствует о том, что эти топографические признаки являются полезными маркерами клинически значимых изменений уровня анестезии или седации [28], и большинство мониторов эффекта анестезирующего препарата используют только один лобный канал.

Обработка сигналов ЭЭГ выполняется для улучшения качества регистрации ЭЭГ и распознавания информации, которая коррелирует с важными физиологическими и фармакологическими факторами. Метафорически цель состоит в том, чтобы отделить эту «иголку» от электрического стога сена. Проблема оценки состояния анестезии по ЭЭГ заключается в том, что характеристики этой «иголки» неизвестны, и поскольку наши фундаментальные знания о центральной нервной системе (ЦНС) остаются относительно ограниченными, наши модели этих «иголок» в обозримом будущем будут основываться на эмпирических наблюдениях [1].

получить некоторый количественный параметр. Мотивация для определения количественного показателя имеет три аспекта: уменьшить нагрузку врача при анализе интраоперационных ЭЭГ, уменьшить уровень специализированного обучения, необходимого для использования ЭЭГ, и, наконец, разработать параметр, который в будущем может быть использован в автоматизированном титровании обезболивающих или седативных препаратов в замкнутом цикле [1].

Несмотря на то, что аналоговые устройства способны выполнять различные типы обработки сигнала, скорость, гибкость и экономичность цифровых схем привели к революционным изменениям в области анализа сигналов. Однако для использования цифровых схем необходимо преобразовать аналоговый сигнал в его цифровой аналог [4].

Аналоговые сигналы являются непрерывными и плавными. Они могут

быть измерены или отображены с любой степенью точности в любой момент

времени. ЭЭГ представляет собой аналоговый сигнал: напряжение со скальпа

изменяется плавно с течением времени. Цифровые сигналы принципиально

отличаются друг от друга тем, что они представляют собой дискретные точки во

времени, а их значения количественно определяются с фиксированным

разрешением, а не непрерывно. Бинарный мир компьютеров и цифровых

сигнальных процессоров работает с двоичными числами, которые являются

наборами бит. Более полезные двоичные числа создаются путем объединения

бит в слова длиной от 8 до 800 бит. Точность или разрешение двоичных чисел

определяется количеством бит, которое они содержат: 8-битовое двоичное число

может представлять одно из 256 возможных состояний в любой момент времени;

16-разрядное число - 65536 возможных состояний. Если использовать 8-битное

число для представления аналогового сигнала, двоичное число в лучшем случае

имело бы разрешение около 0,4% (1/256) по диапазону измерений. Предполагая,

например, что преобразователь был предназначен для измерения напряжений в

диапазоне от -1,0 до + 1,0 В, размер шага 8-разрядного преобразователя был бы

около 7,8 мВ и для 16-разрядного преобразователя - около 30 мкВ.

Коммерческие системы мониторинга ЭЭГ используют разрешение от 12 до 16

18

бит. Большое количество битов также создает более широкий динамический диапазон с возможностью защиты от большего количества артефактов; однако большее количество битов значительно увеличивает затраты [4,10].

Цифровые сигналы также квантуются во времени, в отличие от аналоговых сигналов, которые плавно меняются с течением времени. Когда происходит преобразование сигнала от аналогового к цифровому, это происходит в определенные интервалы времени, а значение цифрового сигнала во все другие моменты времени является неопределенным. Перевод с аналогового на цифровой мир известен как дискретизация или цифровое кодирование, и в большинстве приложений осуществляется через равные промежутки времени. Величина обратная интервалу выборки известна как частота дискретизации и выражается в герцах. Цифровой сигнал обычно записывается в виде функции от номера отсчёта вместо аналогового времени t. Аналоговый сигнал напряжения, записанный как v(t), будет передаваться после преобразования в виде v(i). Набор последовательных оцифрованных отсчётов, представляющих конечный блок времени, в совокупности называются эпоха [23].

Список литературы диссертационного исследования кандидат наук Аль-Гаили Мохаммед Ахмед Хамуд, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Sanei S, Chambers JA. EEG Signal Processing.Wiley-Interscience; 2007.

2. Брагина Т.А., Сафронов Б.Г., Виноградова Е. А., Александров Е.А. Мониторинг глубины наркоза в практике врача анестезиолога. М.: ДЕТСКАЯ ХИРУРГИЯ . 2013.

3. 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. Journal of Neuroscience Methods. 2013; 218(1):17—24.

4. Tong S, Thakor NV. Quantitative EEG Analysis Methods and Clinical Applications. Norwood: Artech House, 2009. 421 p.

5. Viertö-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;48:154-161.

6. Al-kadi MI, Reaz MB, Ali MA. Evolution of electroencephalogram signal analysis techniques during anesthesia. Sensors (Basel). 2013;13(5):6605-35.

7. Adeli H., Zhou Z., Dadmehr N. Analysis of EEG records in an epileptic patient using wavelet transform. J. Neurosci. Methods. 2003;123:69-87.

8. Musizza B., Ribaric S. Monitoring the depth of anaesthesia. Sensors. 2010;10:10896-10935.

9. Hinterberger T, Weiskopf N, Veit R, Wilhelm B, Betta E, Birbaumer N. An EEG-driven brain-computer interface combined with functional magnetic resonance imaging (fMRI). IEEE Trans Biomed Eng. 2004 Jun; 51(6):971-4.

10.Kamei S, Morita A, Serizawa K, Mizutani T, Hirayanagi K. Quantitative EEG analysis of executive dysfunction in Parkinson disease. J Clin Neurophysiol. 2010 Jun; 27(3):193-7.

11.Whyte S.D., Booker P.D. Monitoring depth of anaesthesia by EEG. BJA CEPD Rev. 2003;3:106-110.

12.Sebel PS, Bowdle TA, Ghoneim MM, Rampil IJ, Padilla RE, Gan TJ, Domino KB. The incidence of awareness during anesthesia: a multicenter United States study. Anesth Analg. 2004 Sep; 99(3):833-9.

13.Davidson AJ, Huang GH, Czarnecki C, Gibson MA, Stewart SA, Jamsen K, Stargatt R. Awareness during anesthesia in children: a prospective cohort study. Anesth Analg. 2005 Mar; 100(3):653-61

14.Franks NP. General anaesthesia: from molecular targets to neuronal pathways of sleep and arousal. Nat Rev Neurosci. 2008 May; 9(5):370-86.

15.Kaul H.L., Bharti N. Monitoring depth of anesthesia. Indian J. Anaesth. 2002;46:323-332.

16.Grover VK, Bharti N. Measuring Depth of Anaesthesia - An Overview on the Currently Available Monitoring Systems. Indian Anaesthetists' Forum. 2008;9:1-32.

17.Van de Velde M., Cluitmans P.J.M. EEG Analysis for Monitoring of Anesthetic Depth. Eindhoven University of Technology; Eindhoven, The Netherland: 1991. Eindhoven University of Technology Research Reports.

18.Watt R.C., Springfield C.L., Maslma E.S., Kanemoto A., Mylrea K. Human EEG Dimensionality and Depth of Anesthesia. Proceedings of Proceedings of the 16th Annual International Conference of the IEEE; Baltimore, MD, USA. 36 November 1994; pp. 223-224.

19.Gugino L.D., Chabot R.J., Prichep L.S., John E.R., Formanek V., Aglio L.S. Quantitative EEG changes associated with loss and return of consciousness in healthy adult volunteers anaesthetized with propofol or sevoflurane. Bri. J. Anaesth. 2001;87:421-428.

20.Baig M.M., GholamHosseini H., Kouzani A., Harrison M.J. Anaesthesia monitoring using fuzzy logic. J. Clin. Monit. Comput. 2011;25:339-347.

21. Kortelainen J., Vayrynen E., Seppanen T. Isomap approach to EEG-based assessment of neurophysiological changes during anesthesia. IEEE Trans. Neural Syst. Rehabil. Eng. 2011;19:113-120.

22.Horton C.N. Anesthesia Crash Course. Oxford University Press; New York, NY, USA: 2009.

23.Ma J., Bayram S., Tao P., Svetnik V. High-throughput ocular artifact reduction in multichannel electroencephalography (EEG) using component subspace projection. J. Neurosci. Methods. 2011;196:131-140.

24.Tang A.C., Sutherland M.T., McKinney C.J. Validation of SOBI components from high-density EEG. NeuroImage. 2005;25:539-553.

25.Tang A.C., Liu J.Y., Sutherland M.T. Recovery of correlated neuronal sources from EEG: The good and bad ways of using SOBI. Neuroimage. 2005;28:507-519.

26. Fitzgibbon S.P., Powers D.M.W., Pope K.J., Clark C.R. Removal of EEG noise and artifact using blind source separation. J. Clin. Neurophysiol. 2007;24:1-11.

27. Naraharisetti K. Removal of ocular artifacts from EEG signal using Joint Approximate Diagonalization of Eigen Matrices (JADE) and wavelet transform. Can. J. Biomed. Eng. Technol. 2010;1:56-60.

28.Cardoso J. High-order contrasts for independent component analysis. Neural Comput. 1999;11:157-192.

29.Nora F.S. Total intravenous anesthesia as a target-controlled infusion. Evol. Anal. Rev. Bras. Anestesiol. 2008;58:179-192.

30. Langsjö J.W., Maksimow A., Salmi E., Kaisti K., Aalto S., Oikonen V., Hinkka S., Aantaa R., Sipilä H., Viljanen T., et al. S-ketamine anesthesia increases cerebral blood flow in excess of the metabolic needs in humans. Anesthesiology. 2005;103:258-268.

31.Nora F.S., Pimentel M., Zimerman L.I., Saad E.B. Total intravenous anesthesia with target-controlled infusion of remifentanil and propofol for ablation of atrial fibrillation. Rev. Bras. Anestesiol. 2009;59:735-740.

32.Murphy M., Bruno M., Riedner B.A., Boveroux P., Noirhomme Q., Landsness E.C., Brichant J., Phillips C., Massimini M., Laureys S., et al. Propofol Anesthesia and Sleep: A High-Density EEG Study. SLEEP. 2011;34:283-291.

33.Vakkuri A. Ph.D. Thesis. University of Helsinki; Helsinki, Finland: 2000. Effects of Sevoflurane Anesthesia on EEG Patterns and Hemodynamics; pp. 2329.

34.Campagna J.A., Miller K.W., Forman S.A. Mechanisms of actions of inhaled anesthetics. N. Engl. J. Med. 2003;348:2110-2124.

35.Röpcke H., Rehberg B., Koenen-Bergmann M., Bouillon T., Bruhn J., Hoeft A. Surgical stimulation shifts EEG concentration-response relationship of desflurane. Anesthesiology. 2001;94:390-399.

36.Revuelta M., Paniagua P., Campos J.M., Fernández J.A., Martínez A., Jospin M., Litvan H. Validation of the index of consciousness during sevoflurane and remifentanil anaesthesia: A comparison with the bispectral index and the cerebral state index. Bri. J. Anaesth. 2008;101:653-658.

37.Sleigh J.W., Leslie K., Voss L. The effect of skin incision on the electroencephalogram during general anesthesia maintained with propofol or desflurane. J. Clin. Monit. Comput. 2010;24:307-318.

38.Gibbs F.A., Davis H., Lennox W.G. The electroencephalogram in epilepsy and in conditions of impaired consciousness. Arch. Neural Psychiatry. 1935;34:1133-1148.

39.Rampil IJ. A primer for EEG signal processing in anesthesia. Anesthesiology. 1998;89:980-1002.

40.Thornton C, Jones JG. Evaluating depth of anesthesia: review of methods. Int Anesthesiol Clin 1993;31:67-88.

41.Domino KB, Posner KL, Caplan RA, Cheney FW. Awareness during anesthesia: a closed claims analysis. Anesthesiology 1999;90:1053-1061.

42.B. Lee, D. Won, K. Seo, H. J. Kim and S. Lee, "Classification of wakefulness and anesthetic sedation using combination feature of EEG and ECG," 2017 5th International Winter Conference on Brain-Computer Interface (BCI), Sabuk, 2017, pp.88-90.doi: 10.1109/IWW-BCI.2017.7858168

43.Rampil I.J. A primer for EEG signal processing in

anesthesia. Anesthesiology. 1998;89:980-1002.

116

44.Vakkuri A. EEG Monitoring in Anaesthesia. Proceedings of Euroanesthesia 2006; Madrid, Spain. 3-6 June 2006; pp. 41-44.

45.Bruhn J., Myles P.S., Sneyd R., Strays M.M.R.F. Depth of anaesthesia monitoring: What's available, what's validated and what's next? Brit. J.Anaesth. 2006;97:85-94.

46.Vereecke H.E.M., Vanluchene A.L., Mortier E.P., Everaert K., Struys M.M.R.F. The effects of Ketamine and Rocuronium on the A-Line Auditory Evoked Potential Index, Bispectral Index, and Spectral Entropy Monitor during steady state Propofol and Remifentanil Anesthesia. Anesthesiology. 2006;105:1122-1134.

47.Mathew J.P., Weathersax K.J., East C.J., White W.D., Reves J.G. Bispectral analysis during cardiopulmonary bypass: The effect of hypothermia on the hypnotic state. J. Clin. Anesth. 2001;13:301-305.

48.Nguyen-Ky T., Wen P., Li Y. Theoretical basis for identification of different anesthetic states based on routinely recorded EEG during operation. Comput. Biol. Med. 2009;39:40-45.

49.Loomis A.L., Harvey E.N., Hobart C.A. Cerebral states during sleep as studied by human brain potentials. J. Exp. Psychol. 1937;21:127-144.

50.Kreuer S., Biedler A., Larsen R., Schoth S., Altmann S., Wilhelm W. The Narcotrend—A new EEG monitor designed to measure the depth of anaesthesia. A comparison with bispectral index monitoring during propofol remifentanil-anaesthesia. Anaesthetist. 2001;50:921-925.

51. Weber F., Hollnberger H., Gruber M., Frank B., Taeger K. The correlation of the Narcotrend Index with end-tidal sevoflurane concentrations and hemodynamic parameters in children. Pediatr. Anesth. 2005;15:727-732.

52.Weber F., Pohl F., Hollnberger H., Taeger K. Impact of the Narcotrend Index on propofol consumption and emergence times during total intravenous anaesthesia with propofol and remifentanil in children: A clinical utility study. Eur. J. Anaesthesiol. 2005;22:741-747.

53.Russell I.F. The Narcotrend 'depth of anaesthesia' monitor cannot reliably detect consciousness during general anaesthesia: An investigation using the isolated forearm technique. Brit. J. Anaesth. 2006;96:346-52.

54.Arnold G., Kluger M., Voss L., Sleigh J. BIS and Entropy in the elderly. Anaesthesia. 2007;62:907-912.

55.Johansen, J. W. Update on bispectral index monitoring. Best Practice & Research Clinical Anaesthesiology, 2006, 81-99.

56.Musizza, B., & Ribaric, S. Monitoring the depth of anaesthesia. Sensors, 2010, 10896-10935.

57.Kortelainen, J., Vayrynen, E., & Seppanen, T. Isomap approach to EEGbased assessment of neurophysiological changes during anesthesia. Neural Systems and Rehabilitation Engineering, IEEE Transactions on, 2011, 113-120.

58.Johansen, J. W., Sebel, P. S., & Sigl, J. C. Clinical impact of hypnotic-titration guidelines based on EEG bispectral index (BIS) monitoring during routine anesthetic

care. Journal of clinical anesthesia,2000, 433-443.

59.Hall, J., & Lockwood, G. Bispectral index: comparison of two montages. British journal of anaesthesia,1998, 342-344.

60.Аль-Гаили М.; Оценка стадий глубокой анестезии по электроэнцефалограмме на основе спектрального анализа. // Известия СПБГЭТУ "ЛЭТИ" 2017. № 2. С 75-79.

61.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. - Volume 25 / 2015 No 4. - p. 632-641.

62.Duda, R. O.; Hart, P. E.; Stork, D. H.: Pattern Classification (2nd ed.). Wiley Interscience. 654 p. (2001).

63.Sleigh, J. W., & Donovan, J. (1999). Comparison of bispectral index, 95% spectral edge frequency and approximate entropy of the EEG, with changes in

heart rate variability during induction of general anaesthesia. British Journal of Anaesthesia, 82(5), 666-671.

64.E. Olofsen, J.W. Sleigh, and A. Dahan. 2002. The influence of remifentanil on the dynamic relationship between sevoflurane and surrogate anesthetic efiect measures derived from the EEG. Anesthesiology 96, no. 3, pages 555-564.

65.W.J. Levy. 1984. Intraoperative EEG patterns: Implications for EEG monitoring. Anesthesiology 60, no. 5, pages 430{434.

66.C.E. Thomsen and P.F. Prior. 1996. Quantitative EEG in assessment of anaesthetic depth: comparative study of methodology. British Journal of Anaesthesia 77, no. 2, pages 172-178.

67.J. Bruhn, H. R~ opcke, B. Rehberg, T. Bouillon, and A. Hoeft. 2000. Electroencephalogram approximate entropy correctly classifies the occurrence of burst suppression pattern an increasing anesthetic drug efiect. Anesthesiology 93,

no. 4, pages 981-985.

68.K. Kuizenga, J.M.K.H. Wierda, and C.J. Kalkman. 2001. Biphasic EEG changes in relation to loss of consciousness during induction with thiopental, propofol, etomidate, midazolam or sevoflurane. British Journal of Anaesthesia 86, no. 3, pages 354-360.

69.M. Koskinen, S. Mustola, and T. Sepp~ anen. 2005. Relation of EEG spectrum progression to loss of responsiveness during induction of anesthesia with propofol. Clinical Neurophysiology 116, no. 9, pages 2069-2076.

70.J.W. Sleigh, D.A. Steyn-Ross, M.L. Steyn-Ross, M.L. Williams, and P. Smith. 2001. Comparison of changes in electroencephalographic measures during induction of general anaesthesia: influence of the gamma frequency band and electromyogram signal. British Journal of Anaesthesia 86, no. 1, pages 50-58.

71.Немирко, Манило, Калиниченко: Математический анализ биомедицинских сигналов и данных., 2017 Физматлит.

72.A.P. Bradley, The use of the area under the ROC curve in the evaluation of machine learning algorithms, Pattern Recognit. 30 (7) (1997) 1145-1159.

73.Hossein R, Alireza M D and Mehrab G. Estimation the Depth of Anesthesia by the Use of Artificial Neural Network. In Artificial Neural Networks. Methodological Advances and Biomedical Applications. Kenji Suzuki, InTech. 2011. pp. 283-302.