用多通道EEG功率光谱对低剂量氧化的使用进行支向量分类
Xavier C E Vrijdag1, Luke E Hallum2, Emma I Tonks2
1Department of Anaesthesiology, School of Medicine, University of Auckland, Private Bag 92019, Auckland, 1142, New Zealand. x.vrijdag@auckland.ac.nz.
Journal of clinical monitoring and computing
|July 13, 2023
概括
支持矢量机 (SVM) 通过分析EEG功率光谱,在麻醉期间准确地确定了氧化水平. 这种方法有望提高在手术过程中对患者的监测.
科学领域:
- 神经科学是一个神经科学.
- 麻醉学 麻醉学
- 机器学习 机器学习
背景情况:
- 氧化通常用于麻醉.
- 监测患者对麻醉剂的反应对于安全至关重要.
- 电脑电图 (EEG) 反映了大脑活动,并且可以受到麻醉剂的影响.
研究的目的:
- 调查使用支矢量机器 (SVM) 在氧化麻醉期间对EEG模式进行分类.
- 为了确定EEG变化在不同参与者的概括性.
- 为了识别暗示氧化剂量的关键EEG特征.
主要方法:
- 这是一项单盲交叉研究,涉及12名健康参与者.
- 在暴露于0%,20%,30%和40%的尾潮氧化时,获得了32通道EEG记录.
- 训练和测试了两个SVM:二进制 (0%vs. 40%) 和多类 (0%,20%,30%,40%),使用三角形,三角形,α和β频段功率特征.
主要成果:
- 二元 SVM 实现了 92% 的准确性,多类 SVM 实现了 52% 的准确性,这两者都远远优于偶然.
- 特性重要性分析显示,前部区域的三角形功率下降是氧化影响的最显著指标.
- 这些发现在所有参与者中都是一致的.
结论:
- 脑电图数据的SVM分类是在麻醉期间检测氧化水平的可行方法.
- 该研究强调了前脑电图中的三角带活动对于监测氧化的影响的重要性.
- 这种方法有可能改善临床麻醉环境中的患者安全和监测.
