总麻醉期间脑电图的变化模式分解分析:使用灰狼优化器来确定超参数
Kosuke Kushimoto1, Yurie Obata2, Tomomi Yamada1
1Department of Anesthesiology, Graduate School of Medical Science, Kyoto Prefectural University of Medicine, Kyoto 602-8566, Japan.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究优化了对麻醉深度的脑电图 (EEG) 分析,使用变量模式分解 (VMD) 和灰狼优化器 (GWO). GWO有效地确定了VMD超参数,增强了在全身麻醉期间大脑波活动的分析.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 对于监测麻醉深度至关重要.
- 变量模式分解 (VMD) 是用于EEG分析的信号处理技术.
- VMD需要仔细选择诸如分解数 (K) 和惩罚因子 (PF) 等超参数.
研究的目的:
- 开发一种优化的VMD方法,用于在全身麻醉期间分析EEG信号.
- 调整灰狼优化器 (GWO) 用于确定VMD超参数 (K和PF).
- 为在麻醉下建立一个强大的EEG频率特征分析模型.
主要方法:
- 使用非干预性EEG数据进行的回顾性观察研究.
- 应用变量模式分解 (VMD) 来分解EEG信号.
- 使用灰狼优化器 (GWO) 来确定VMD的K和PF超参数.
- 使用内在模式函数 (IMFs) 的包裹作为GWO的适应性函数.
主要成果:
- GWO成功优化了用于EEG分析的VMD超参数 (K和PF).
- 适应性值在GWO算法中显示了早期的趋同.
- 确定了2的固定K值,以有效捕捉麻醉维持期间IMF-2中的α波增强.
- 优化的VMD方法在分析EEG频率特征方面表现出强度.
结论:
- GWO优化的VMD提供了一个强大的框架,用于在全身麻醉期间分析EEG信号.
- 这种方法通过检查特定的EEG频段来提高麻醉深度的测量.
- 这项研究强调了适应性超参数优化的潜力,用于先进的神经生理信号分析.
