Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии.




Скачать 123.82 Kb.
НазваниеЗадача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии.
Дата21.09.2012
Размер123.82 Kb.
ТипЗадача
Энтропийные методы оценки уровня анестезии по ЭЭГ-сигналу1

Немирко А.П., Манило Л.А., Калиниченко А.Н., Волкова С.С.

Санкт-Петербургский государственный электротехнический университет

Рассмотрены возможности применения энтропийных характеристик ЭЭГ- сигнала, вычисляемых во временной области, в задаче автоматического распознавания стадий анестезии. Обсуждаются методики вычисления условной и аппроксимированной энтропии, вопросы выбора информативных параметров, а также результаты их анализа для нескольких состояний, связанных с применением анестезирующих средств и отличающихся уровнями активности головного мозга.

Введение

Задача автоматического анализа глубины наркоза по ЭЭГ-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. Как известно, изменение уровня функциональной активности головного мозга вызывает характерные изменения, наблюдаемые в ЭЭГ-сигнале [1]. Высокий уровень активности мозга связан с повышением автономной активности отдельных нейронов. Это, в свою очередь, вызывает выраженную десинхронизацию в их работе и сопровождается шумоподобным ЭЭГ-сигналом. При снижении степени функциональной активности повышается уровень синхронизации нейронов во времени, что отражается на ЭЭГ появлением регулярных низкочастотных колебаний достаточно высокой амплитуды. Это состояние, характерное для стадии глубокого наркоза, соответствует меньшей информационной содержательности процессов суммарной электрической активности головного мозга.

Такое представление об особенностях ЭЭГ-сигнала, связанных с разными уровнями активности головного мозга, позволяет исследовать целый комплекс временных и частотных методов, предназначенных для анализа сложных сигналов, содержащих детерминированные, стохастические и хаотические компоненты. В качестве математической модели ЭЭГ-сигнала в разных стадиях наркоза можно рассматривать временной ряд, заданный последовательностью дискретных отсчетов, в котором степень регулярности находится в прямой зависимости от текущего уровня активности головного мозга. Наиболее адекватными данной модели являются методы анализа биосигнала, основанные на исследовании информационных характеристик, в частности, оценке энтропийных параметров.

Методы вычисления энтропийных характеристик

Энтропия связана с оценкой степени беспорядка (хаотичности) в динамической системе и может быть использована для анализа сложности (непредсказуемости) ЭЭГ-сигнала и распознавания состояний, сопровождающих процесс анестезии: до начала подачи наркоза, глубокий наркоз, выход из наркоза, стадия окончательного пробуждения. В случае полностью регулярного и предсказуемого ЭЭГ- сигнала, характерного для состояния глубокого наркоза, энтропия имеет малое значение. В состоянии же высокой активности головного мозга ЭЭГ-сигнал характеризуется большой сложностью и имеет более высокие значения энтропии.

Существуют различные способы вычисления энтропии сигнала, которые применимы для решения задач автоматического анализа ЭЭГ. Во временной области рассматривают, например, энтропию Шеннона или аппроксимированную энтропию (Approximate entropy) [2, 3, 4]. В частотной области может быть вычислена спектральная энтропия, которая позволяет оценивать вклад в энтропию спектральных составляющих ЭЭГ- сигнала в области выбранного частотного диапазона [5]. В настоящей работе с целью определения глубины наркоза исследуются возможности применения параметров условной энтропии и энтропии Колмогорова, которые могут быть вычислены в процессе автоматического анализа фрагментов ЭЭГ-сигнала.

Первый способ анализа степени регулярности дискретных сигналов во временной области основан на вычислении условной энтропии. Эта характеристика в среднем оценивает потерю информации, связанную с появлением последнего символа в цепочке длины при условии получения всей подцепочки предшествующих символов длиной . Вначале вычислений задаются два параметра: - длина последовательности отчетов, - число интервальных оценок дискретных отсчетов сигнала в диапазоне . Процедура нахождения этого показателя предполагает выполнение следующей последовательности шагов.

  1. Формирование для заданной выборки отсчетов множества - мерных последовательностей:

, ,

где - длина выборки.

  1. Представление их в виде цепочек символов вида

, ,

получаемых посредством операций квантования и кодирования элементами из произвольного алфавита . Величина определяется числом уровней квантования сигнала (обычно ).

  1. Вычисление значения безусловной энтропии:

,

где – вероятность появления конкретной цепочки событий длины (в практических расчетах оценкой вероятности является частота попадания цепочек символов в соответствующую ячейку фазового пространства).

  1. Переход к оценке энтропии для - точечных последовательностей. Повторение шагов 1-3 для выборок отсчетов длины . В результате выполнения этих преобразований формируется множество

, ,

и после представления дискретных последовательностей в виде цепочек символов длины вычисляется соответствующая оценка безусловной энтропии .

  1. Вычисление величины условной энтропии в виде приращения, получаемого безусловной энтропией при переходе от последовательности событий длины к длине :

.

Как показано в работе [6], этот показатель является эффективным индикатором появления последовательностей с хаотическими свойствами, что может быть использовано и при решении задачи анализа ЭЭГ в условиях анестезии. Условная энтропия стремится к нулю с увеличением для процессов с выраженной регулярной составляющей и принимает постоянное положительное значение для чисто случайных процессов.

Второй способ основан на вычислении и анализе приближенной оценки энтропии Колмогорова (K-энтропии), что позволяет исследовать свойства ЭЭГ-сигнала с позиций теории нелинейной динамики. В качестве меры хаотичности дискретного сигнала в работе [3] предложено использовать аппроксимированную энтропию (ApEn). Эта характеристика применима для анализа последовательностей конечной длины, что делает возможным реализацию обработки ЭЭГ-сигнала в режиме непрерывного контроля состояния пациента. Процедура вычисления ApEn, а также исследование ее свойств подробно описаны в работах [7, 8].

Методику вычисления этой характеристики коротко можно представить следующим образом. Задаются значения двух параметров: – длина анализируемых последовательностей отсчетов () и r – величина порога, определяющего размеры ячеек фазового пространства (, где – стандартное отклонение исходной выборки данных.). Для дискретного сигнала , осуществляются следующие преобразования:

  1. Формируются последовательности длины

  2. Определяется расстояние между и в виде

  3. Вычисляется , где количество значений , удовлетворяющих условию .

  4. Находится

  5. Увеличивая значение m на 1, повторяются шаги 1 – 4 и находятся значения .

  6. Находится оценка .

Как следует из пунктов 2, 3 и 4, процедура вычислений реализует адаптивный механизм формирования ячеек фазового пространства. Это свойство аппроксимированной энтропии принципиально отличает ее от условной энтропии. Показано, что аппроксимированная энтропия применима как для распознавания регулярных (детерминированных) и стохастических сигналов, так и для анализа детерминированных хаотических процессов [3]. Показатель отражает степень сложности сигнала: чем выше его регулярность, тем меньше значение этой величины. Более полное представление о свойствах сигнала можно получить при анализе ряда значений [7,8].


Анализ параметров энтропии ЭЭГ- сигнала в разных стадиях анестезии

Рассмотренные выше энтропийные характеристики применялись для анализа свойств ЭЭГ- сигнала в разных стадиях анестезии и оценки возможности распознавания стадии глубокого наркоза.

На рис. 1 приведены четыре фрагмента ЭЭГ-сигнала, зарегистрированного на одном пациенте в разных стадиях проводимой анестезии: до начала анестезии (а), в начальной стадии (б) и при выходе из анестезии (в), в стадии окончательного пробуждения (г). Частота дискретизации ЭЭГ- сигнала составляет 500 Гц, длительность фрагментов - 10 с. Для этих сигналов рассчитаны рассмотренные выше энтропийные показатели, причем длительность анализируемых фрагментов выбрана равной 5 с.

На рис.2 приведен пример расчета условной энтропии при заданном числе уровней квантования отсчетов сигнала в диапазоне равном 6. Рисунок 3 иллюстрирует результат вычисления аппроксимированной энтропии при значении . Как видно из рисунков, в начальной области изменения параметров и кривые имеют явные отличия при разных функциональных состояниях головного мозга.

В качестве параметров оценивания уровня анестезии выбраны и , т.е. значения аппроксимированной и условной энтропии, вычисляемые для коротких последовательностей отсчетов ЭЭГ при увеличении длины анализируемых выборок от 2 до 3 отсчетов.

Этот выбор обусловлен в первую очередь тем, что при анализе выборок большой длины возрастает число одиночных последовательностей и из-за их нулевого вклада в оцениваемые показатели энтропии возникает эффект ложной регулярности сигнала. При выбранных значениях и надежность показателей энтропии значительно выше. Как следует из анализа численных значений энтропийных характеристик, приведенных на рис. 2 и 3, оцениваемые параметры более чем в 2 раза уменьшают свои значения при переходе от активного состояния к стадии глубокого наркоза. Кроме того, выход из наркоза и переход к окончательному пробуждению сопровождается постепенным возрастанием значений и .

Для приведения показателей энтропии к шкале (0…100) предлагается использовать нормировку по величине абсолютной энтропии: и для аппроксимированной энтропии и условной энтропии, соответственно. В этом случае следует ожидать значений энтропии близких к 1 (100) для сигнала ЭЭГ, зарегистрированного до начала анестезии и в стадии полного пробуждения. При глубоком наркозе, очевидно, энропийные показатели будут иметь довольно малые значения.

Ниже на рис.4 приведены результаты вычисления этих показателей для выборки ЭЭГ-сигналов (64 реализации длиной 5 с каждая), зарегистрированных у восьми пациентов в 4-х стадиях анестезии. Они представлены в графическом виде как разброс точек на вертикальных линиях с координатами: 1 – до начала анестезии, 2 – глубокий наркоз, 3 – выход из наркоза, 4 – окончательное пробуждение. Каждая точка – это результат вычисления энтропийной характеристики для одной 5-секундной реализации ЭЭГ, зарегистрированной у пациента во время проведения операции в одной из четырех стадий анестезии. Точечные оценки условной и аппроксимированной энтропии отображены на графике в удобной для восприятия шкале (0…100). Как видно из рисунка, на линиях 1 и 2 образованы непересекающиеся множества объектов для аппроксимированной энтропии и слабопересекающиеся – для условной энтропии. Очевидно, что при пороговом значении величины аппроксимированной энтропии на уровне 0,45, можно для исследуемой выборки данных решить задачу распознавания стадии глубокого наркоза. Стадии 3 и 4 образуют группы точек, занимающие промежуточное между ними положение, что соответствует существующему представлению о процессе выхода из наркоза.

Сравнение эффективности рассмотренных выше способов вычисления показателей энтропии проводилось путем нахождения величины относительного разброса их нормированных значений для двух следующих друг за другом состояний (1→2; 2→3; 3→4). В качестве показателя эффективности выбран критерий J, широко используемый в теории линейного дискриминантного анализа при решении задач распознавания классов объектов. Данный критерий принимает максимальное значение в условиях наилучшей классификации двух состояний и определяется в виде:

; ,

где и – средние значения вычисляемого параметра энтропии для двух смежных состояний анестезии и ; – величина разброса для спроецированных на ось решений выборок ; – полный разброс внутри классов.

Всего в ходе эксперимента были проанализированы электроэнцефалограммы 31 пациента. Сигналы ЭЭГ зарегистрированы во время проведения операций и идентифицированы в соответствии со стадиями проводимой анестезии. Ниже в таблице приведены значения показателя , полученные в результате обработки 124 реализаций ЭЭГ длительностью 10 с каждая.

Таблица

Оценка показателя разброса энтропийных параметров


Метод оценки

Параметры

энтропии

Показатели разброса







Условная энтропия



2,85

0,77

0,54

Аппроксимированная энтропия



3,07

0,78

0,47

Оценка энтропийных параметров проводилась по коротким 5- секундным фрагментам ЭЭГ- сигнала для двух смежных состояний: 1, 2 – до начала анестезии, глубокий наркоз; 2, 3 – глубокий наркоз, выход из анестезии; 3, 4 – выход из анестезии, полное пробуждение

Как следует из анализа данных, приведенных в таблице, метод оценки аппроксимированной энтропии предпочтителен при распознавании двух альтернативных состояний: до начала анестезии (1) и глубокий наркоз (2). Параметр отличается большим по сравнению с значением . В то же время метод оценки условной энтропии имеет небольшое преимущество по показателю .

Заключение

Полученные результаты свидетельствуют о возможности распознавания по вычисляемым во временной области энтропийным характеристикам двух уровней функциональной активности головного мозга: высокая степень активности и глубокий наркоз. Это дает основу для дальнейшего исследования энтропийного подхода в задаче распознавания стадий анестезии. Экспериментальный анализ рассмотренных в работе методов на представительной выборке ЭЭГ- сигналов позволит получить надежные оценки их эффективности, скорректировать оцениваемые показатели энтропии и выработать рекомендации по их использованию в задаче распознавания стадий наркоза в режиме непрерывного контроля состояния пациента.


Список литературы

  1. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). – Таганрог: Изд. ТРТУ. – 1996. – 358 с.

  2. Bruhn J, Lehmann LE, Ropcke H, Bouillon TW, Hoeft A. Shannon entropy applied to the measurement of the electroencephalographic effects of desflurane. Anesthesiology. – 2001. – V. 95. – P. 30—35.

  3. Nonlinear Biomedical Signal Processing / Edited by Metin Akay. Volume 2, Dynamic Analysis and Modelling. New York: IEEE . – 2001. – 341 p.

  4. Bruhn J, Ropcke H, Hoeft A. Approximate entropy as an electroencephalographic measure of anesthetic drug effect during desflurane anesthesia. Anesthesiology. – 2000. – V. 92. – P. 715—726.

  5. Description of the EntropyTM algorithm as applied in the Datex-Ohmeda S/5TM Entropy Module / H. Viertio-Oja, V. Maja, M. Sarkela, P. Talja, N. Tenkanen, H. Tolvanen-Laakso, M. Paloheimo, A. Vakkuri, A. Yli-Hankala, P. Merilainen // Acta Anaesthesiol. Scand. – 2004. – V. 48. – P. 154 – 161.

  6. Manilo L.A. Detection of biocological signals with chaotic properties through assessment of conventional entropy. - 9-th International Conference "Pattern Recognition and Image Analysis: New Information Technologies" (PRIA-9-2008): Conference Proceedings. Vol. 2. - Nizhni Novgorod, 2008. – P. 11-14.

  7. Манило Л.А., Зозуля Е.П. Автоматическое распознавание мерцательной аритмии с использованием оценок аппроксимированной энтропии. – «Информационно-управляющие системы», №1 (20) 2006 – с.21- 27.

  8. Манило Л.А., Немирко А.П. Аппроксимация энтропии Колмогорова при анализе хаотических процессов на конечных выборках. – Математические методы распознавания образов ММРО-14: 14-я Всероссийская конференция. Владимирская обл., г. Суздаль, 21-26 сентября 2009 г.: Сборник докладов. – М.: МАКС Пресс, 2009. – с. 405-407.





Рис.1 Фрагменты ЭЭГ-сигнала при разных стадиях анестезии: а) до начала анестезии, б) глубокий наркоз; в) выход из анестезии; г) окончательное пробуждение




















Рис.3. Кривые аппроксимированной энтропии для сигналов ЭЭГ, соответствующим разным стадиям анестезии: а) до начала анестезии, б) глубокий наркоз, в) выход из наркоза, г) пробуждение






Рис. 4. Отображение энтропийных параметров на направления , соответствующие четырем состояниям анестезии: 1 – до начала анестезии, 2 – глубокий наркоз, 3 – выход из наркоза, 4 – окончательное пробуждение.



1 Работа выполнялась при финансовой поддержке Федерального агентства по науке и инновациям ( госконтракт от 10.03.09г. №02.522.11.2020)»


Похожие:

Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconЗадача для нечетких автоматов
Естественно, что представление подобной информации на традиционном математическом языке приводит к огрублению математической модели....
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconДеятельность властных структур по укреплению морального духа вооруженных сил советского государства (1918
Охватывают период с 1918 по настоящее время. Столь большой временной интервал позволяет наиболее полно проследить развитие историографии...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconЗадача автоматического анализа результатов исследования слуха человека может рассматриваться как задача классификации объектов, заданных дискретными признаками.
...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconСовременные подходы к изучению нейрофизиологических механизмов сознания
В основу такого подхода были положены представления, рассматривающие мозг как системную организацию, состояние сознания как продукт...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconЗадача отыскания импульсной характеристики канала осложняется тем, что идентификация системы по известному переданному сигналу и сигналу на выходе (т е.
В работе рассматриваются алгоритмы адаптивной коррекции сигналов во временной и частотной областях с применением методов обратного...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconРаспознавание типа решаемой в уме задачи по нескольким секундам ээг с помощью обучаемого классификатора
Ээг, основанная на оценке пространственно-частотного распределения ритмов мозга. Распознавание осуществлялось с помощью простой двухслойной...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconСистемы matlab и гамма для разработки систем автоматического управления
В настоящее время система matlab [1] занимает лидирующее положение как средство разработки и исследования различных методов теории...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconЗначение одновременного использования автоматизированной кардиотокографии и ультразвуковой допплерометрии для оценки состояния плода во время беременности
...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconЗадача статьи создание теории
Задача статьи создание теории multiple-case study. Задача исследования на основе сравнительного анализа случаев трудовых конфликтов...
Задача автоматического анализа глубины наркоза по ээг-сигналу в настоящее время безусловно актуальна, так как способствует более точной оценке текущего физиологического состояния пациента и дает возможность адекватно управлять процессом анестезии. iconСравнительный анализ применения различных оценок энтропии ээг-сигнала для распознавания стадий наркоза
Сравнительный анализ применения различных оценок энтропии ээг-сигнала для распознавания стадий наркоза1
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница