ارزیابی آشوبناکی سیگنال الکتروانسفالوگرام در سطوح مختلف بیهوشی

محمدی, احسان; کرمانی, سعید; گلپرور, محمد

doi:10.22122/jims.v36i482.9954

ارزیابی آشوبناکی سیگنال الکتروانسفالوگرام در سطوح مختلف بیهوشی

نوع مقاله : مقاله های پژوهشی

نویسندگان

¹ دانشجوی دکتری، گروه مهندسی پزشکی (بیوالکتریک) و کمیته‌ی تحقیقات دانشجویی، دانشکده‌ی فن‌آوری‌های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

² دانشیار، گروه مهندسی پزشکی (بیوالکتریک)، دانشکده‌ی فن‌آوری‌های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

³ استاد، گروه بیهوشی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

10.22122/jims.v36i482.9954

چکیده

مقدمه: امروزه، دستیابی به نمایشگرها و ابزارهایی که به‌ طور دقیق قادر به تعیین خودکار عمق بیهوشی از روی سیگنال الکتروانسفالوگرام باشند، بسیار مورد توجه است. هدف از انجام این پژوهش، ارایه‌ی رویکردی جهت ارزیابی دینامیسم آشوب مغز و فعالیت الکتریکی منتج از آن به منظور بهره‌گیری از دستاوردهای این نظریه در علوم شناختی است.روش‌ها: بر اساس نظریه‌ی آشوب، سیگنال الکتروانسفالوگرام در سطوح مختلف بیهوشی تجزیه ‌و تحلیل و ویژگی‌های آشوبناکی سیگنال استخراج گشت و از نظر مسیر، حالت سیستم آشوبناک مورد ارزیابی قرار گرفت. به‌منظور ارزیابی تأثیر عمق بیهوشی بر آشوبناکی سیگنال الکتروانسفالوگرام، مدل‌های مختلفی مبتنی بر طبقه‌بند Random forest (RF) و ماشین بردار پشتیبان (Support vector machine یا SVM) ایجاد شد. همچنین، روشی جهت استخراج شاخص‌های بزرگ‌ترین نمای Lyapunov (Lyapunov exponent) و بعد فرکتال Higuchi (Higuchi's fractal dimension) از روی سیگنال تک کاناله‌ی الکتروانسفالوگرافی مربوط به 20 بیمار تحت عمل جراحی با بیهوشی توسط گاز استنشاقی پیشنهاد گردید و با روش K-fold مورد ارزیابی قرار گرفت.یافته‌ها: ارزیابی مدل‌های مستخرج نشان ‌دهنده‌ی تکرارپذیری و تفکیک‌پذیری بسیار خوب این مدل‌ها با صحت بالای 93 درصد است.نتیجه‌گیری: مغز و فعالیت الکتریکی منتج از آن، دارای دینامیسم آشوب است؛ از این رو، می‌توان از دستاوردهای نظریه‌ی آشوب علاوه بر بهره‌گیری در گسترش نمایشگر‌های سطح بیهوشی در بسیاری از پژوهش‌های علوم شناختی در تجزیه‌ و تحلیل سیگنال الکتروانسفالوگرام نیز بهره برد.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Chaos on Electroencephalogram in Different Depths of Anesthesia

نویسندگان [English]

Ehsan Mohammadi ¹
Saeed Kermani ²
Mohammad Golparvar ³

¹ PhD Student, Department of Bioelectrics and Biomedical Engineering AND Student Research Committee, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran

² Associate Professor, Department of Bioelectrics and Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran

³ Professor, Department of Anesthesiology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran

چکیده [English]

Background: Today having monitors and instruments which are able to automatically and precisely determine the depth of anesthesia from the electroencephalogram (EEG) signal is important. The purpose of this was is to provide an approach to assess the dynamics of brain chaos and its electrical activity in order to take advantage of the achievements of this theory in cognitive science.Methods: According to the chaos theorem, the chaotic features of the electroencephalogram signal in different anesthesia levels have been extracted and evaluated as a chaotic system trajectories. In order to evaluate the effect of anesthesia level on the chaotic behavior of electroencephalogram signal, different models created based on the random forest, and the support vector machine modeling. We proposed a procedure to extract largest Lyapunov exponential and Higuchi’s fractal dimension as chaotic features from one channel electroencephalogram in 20 patients under the different depths of anesthesia with sevoflurane; the evaluation was done using K-fold procedure.Findings: Evaluation of extracted models indicated that mentioned models had repeatability and separability with the accuracy of more than 93%.Conclusion: Results show that the brain and its electrical activities have chaotic dynamism. Therefore, we can take advantage of chaos theorem in developing of anesthesia monitoring, as well as in many other researches related to the cognitive sciences by analyzing the electroencephalogram signal based on the chaos theorem.

کلیدواژه‌ها [English]

Anesthesia
Chaos theory
Electroencephalogram
Fractals

مراجع

Liu SS. Effects of Bispectral Index monitoring on ambulatory anesthesia: A meta-analysis of randomized controlled trials and a cost analysis. Anesthesiology 2004; 101(2): 311-5.
Jameson LC, Sloan TB. Using EEG to monitor anesthesia drug effects during surgery. J Clin Monit Comput 2006; 20(6): 445-72.
Nguyen-Ky T, Wen P, Li Y, Malan M. Measuring the hypnotic depth of anaesthesia based on the EEG signal using combined wavelet transform, eigenvector and normalisation techniques. Comput Biol Med 2012; 42(6): 680-91.
Boeing G. Chaos Theory and the Logistic Map [Online]. [cited 2016]; Available from: URL: http://geoffboeing.com/2015/03/chaos-theory-logistic-map/
Shabanian-Boroujeni T, Kermani S, Barekatain M, Kashefpoor M. Proposing an approach for diagnosis of mild cognitive impairment based on approximate entropy. J Isfahan Med Sch 2017; 34(407): 1356-61. [In Persian].
Abbasi MR, Kermani S, Talebi A. A novel and more efficient approach for automatic diagnosis of acute lymphoblastic leukemic cells based on combining geometrical and statistical features of blood cells. J Isfahan Med Sch 2017; 35(433): 643-7. [In Persian].
Etehad Tavakol M, Lucas C, Sadri S, Ng EYK. Analysis of breast thermography using fractal dimension to establish possible difference between malignant and benign patterns. J Healthc Eng 2010; 1(1): 27-43.
McKay ID, Voss LJ, Sleigh JW, Barnard JP, Johannsen EK. Pharmacokinetic-pharmacodynamic modeling the hypnotic effect of sevoflurane using the spectral entropy of the electroencephalogram. Anesth Analg 2006; 102(1): 91-7.
Li D, Li X, Liang Z, Voss LJ, Sleigh JW. Multiscale permutation entropy analysis of EEG recordings during sevoflurane anesthesia. J Neural Eng 2010; 7(4): 046010.
Musizza B, Ribaric S. Monitoring the depth of anaesthesia. Sensors (Basel) 2010; 10(12): 10896-935.
Voss L, Sleigh J. Monitoring consciousness: the current status of EEG-based depth of anaesthesia monitors. Best Pract Res Clin Anaesthesiol 2007; 21(3): 313-25.
Takens F. Detecting strange attractors in turbulence. Berlin, Heidelberg: Springer Berlin Heidelberg; 1981 p. 366-81.
Kuhlmann L, Manton JH, Heyse B, Vereecke EM, Lipping T, Struys MMRF, et al. Tracking electroencephalographic changes using distributions of linear models: application to propofol-based depth of anesthesia monitoring. IEEE Trans Biomed Eng 2017; 64(4): 870-81.
Scarpa F, Rubega M, Zanon M, Finotello F, Sejling AS, Sparacino G. Hypoglycemia-induced EEG complexity changes in Type 1 diabetes assessed by fractal analysis algorithm. Biomed Signal Process Control 2017; 38: 168-73.
Cukic M, Pokrajac D, Stokic M, Simic S, Radivojevic V, Ljubisavljevic M. EEG machine learning with Higuchi fractal dimension and Sample Entropy as features for successful detection of depression [Online]. [cited 15 Mar 2018] ; Available from: URL: https://arxiv.org/abs/1803.05985
Rosenstein MT, Collins JJ, De Luca CJ. A practical method for calculating largest Lyapunov exponents from small data sets. Physica D: Nonlinear Phenomena 1993; 65(1): 117-34.
Chemali J, Ching S, Purdon PL, Solt K, Brown EN. Burst suppression probability algorithms: state-space methods for tracking EEG burst suppression. J Neural Eng 2013; 10(5): 056017.
Sen B, Peker M, Cavusoglu A, Celebi FV. A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms. J Med Syst 2014; 38(3): 18.
Ho KT. Random decision forests. Proceedings of 3rd International Conference on Document Analysis and Recognition; 1995 Aug 14-16; Montreal, Canada. p. 278-82.