从propofol与propofol与etomidate麻醉相结合的定量脑电图特征的无意识分类,使用一维卷积神经网络来进行一维卷积神经网络

科学领域:

• 麻醉学和重症监护
• 神经科学和神经病学 神经科学和神经病学
• 生物医学工程 生物医学工程

背景情况:

• 监测意识水平对于安全的麻醉药物管理至关重要.
• 脑电图 (EEG) 信号为麻醉期间的大脑活动提供了一个窗口.
• 开发精确的EEG信号识别模型对于临床实践至关重要.

研究的目的:

• 建立一个卷积神经网络 (CNN) 模型,用于识别特有的原始EEG信号.
• 评估EEG特征和预测模型在监测麻醉引起的无意识时的有效性.
• 为了比较不同机器学习模型的性能,包括1D CNN,SVM,GNB和ANN.

主要方法:

• 一项涉及40名手术患者的临床试验,比较了propofol (P组) 与propofol-etomidate (EP组) 麻醉.
• 使用SVM,GNB,ANN和1D CNN模型提取六个与意识相关的EEG特征并进行分析.
• 基于准确性,精度,回忆和F1分数的性能评估.

主要成果:

• 功率光谱密度 (94%) 和α/β比率 (72%) 是高度准确的意识指标.
• 1D CNN模型在分类麻醉引起的无意识时达到97%的准确性,超过SVM (83%),GNB (81%) 和ANN (83%) (p <0.05).
• 在EP和P组之间观察到三角形,和总功率光谱密度的显著差异.

结论:

• 大量的慢波振荡,功率光谱密度和α/β比率有效地表明在propofol-etomidate麻醉期间的意识变化.
• 这些EEG指标有助于麻醉师评估麻醉深度和优化药物剂量.
• 1D CNN模型显示了对麻醉深度的实时评估的重大前景.