在全身麻醉下对EEG信号的基于波形变换的模式分解
Shoko Yamochi1, Tomomi Yamada1, Yurie Obata2
1Department of Anesthesiology, Kyoto Prefectural University of Medicine, Kyoto, Japan.
PeerJ
|November 19, 2024
概括
波形模式分解 (WMD) 有效地提取了在sevoflurane麻醉期间微妙的电脑电图 (EEG) 频率变化. 这种方法提供了与实证波形变换 (EWT) 和变化模式分解 (VMD) 相比,改善了监测麻醉深度的参数.
科学领域:
- 信号处理和生物医学工程.
- 分析用于麻醉监测的电脑电图 (EEG) 信号.
背景情况:
- 模式分解方法对于从复杂的时间序列数据中提取内在模式函数 (IMF) 是至关重要的.
- 脑电图 (EEG) 信号被分析以了解在全身麻醉期间的大脑活动.
研究的目的:
- 为了比较经验波波变换 (EWT) 和波波模式分解 (WMD) 与变化模式分解 (VMD) 的有效性,用于分析在sevoflurane麻醉期间的EEG信号.
- 确定最合适的模式分解方法,以跟踪麻醉后出现的双光谱指数 (BIS) 变化.
主要方法:
- 使用连接到双光谱指数 (BIS) 监控器的EEG分析软件获取原始EEG数据.
- 为实证模式分解 (EMD),VMD,EWT和WMD开发定制软件.
- 使用EWT和WMD分析了EEG信号,并将结果与VMD进行比较.
主要成果:
- 经验波形变换 (EWT) 在高频带 (≥10 Hz) 中显示出广泛的分散.
- 波形模式分解 (WMD) 提供了狭带分离,患者之间的差异最小,优于VMD和EWT.
- 多重线性回归证实,大规模杀伤性武器衍生的IMF与麻醉出现期间的BIS变化最好相关.
结论:
- 波形模式分解 (WMD) 有效地捕捉了总麻醉引起的微妙EEG频率变化.
- 大规模杀伤器提供了一种有希望的方法,用于开发增强的参数来评估麻醉深度.
