Для цитирования:
Bogatenko T. R., Sergeev K. S., Strelkova G. I. Application of machine learning and statistics to anaesthesia detection from EEG data [Богатенко Т. Р., Сергеев К. С., Стрелкова Г. И. Применение методов машинного обучения и статистических методов для выявления стадии анестезии по данным ЭЭГ] // Известия Саратовского университета. Новая серия. Серия: Физика. 2024. Т. 24, вып. 3. С. 209-215. DOI: 10.18500/1817-3020-2024-24-3-209-215, EDN: HKYBMM
Application of machine learning and statistics to anaesthesia detection from EEG data
[Применение методов машинного обучения и статистических методов для выявления стадии анестезии по данным ЭЭГ]
Объект исследования, цель: Целью исследования является установление возможности неинвазивного определения степени анестезии, которой подвергается лабораторное животное. Для достижения этой цели предлагается использование таких методов анализа сигналов электроэнцефалограммы (ЭЭГ), как быстрое преобразование Фурье, метод машинного обучения K-Means и расчёт статистических характеристик. Модель и методы: Данные ЭЭГ были получены в результате эксперимента, в котором две группы лабораторных крыс получали два различных вида анестетика. Данные ЭЭГ были нормированы, после чего при помощи метода БПФ были вычислены спектры мощности сигналов. Далее для классификации данных и определения стадии анестезии применялся метод машинного обучения K-Means. Также были рассчитаны статистические характеристики для выявления характерных особенностей сигналов на каждой стадии анестезии. Результаты: Показано, что предложенные методы анализа данных позволяют различить нормальное состояние, анестезирование и летальный исход при повышении дозировки анестезии у лабораторных животных.
- Keech B. M., Lazerta R. Anaesthesia secrets. 6th ed. Elsevier, 2020. ISBN: 9780323640152
- Weller R. O., Galea I., Carare R. O., Minagar A. Pathophysiology of the lymphatic drainage of the central nervous system: Implications for pathogenesis and therapy of multiple sclerosis. Pathophysiology, 2010, vol. 17, pp. 295–306. https://doi.org/10.1016/j.pathophys.2009.10.007
- Ahn J. H., Cho H., Kim J.-H., Kim S. H., Ham J.-S., Park I., Suh S. H., Hong S. P., Song J.-H., Hong Y.-K., Jeong Y., Park S.-H., Koh G. Y. Meningeal lymphatic vessels at the skull base drain cerebrospinal fluid. Nature, 2019, vol. 572, pp. 62–66. https://doi.org/10.1038/s41586-019-1419-5
- Chen J., Wang L., Xu H., Xing L., Zhuang Z., Zheng Y., Li X., Wang C., Chen S., Guo Z., Liang Q., Wang Y. Meningeal lymphatics clear erythrocytes that arise from subarachnoid hemorrhage. Nat. Commun., 2020, vol. 11, article no. 3159. https://doi.org/10.1038/s41467-020-16851-z
- Semyachkina-Glushkovskaya O., Penzel T., Blokhina I., Khorovodov A., Fedosov I., Yu T., Karandin G., Evsukova A., Elovenko D., Adushkina V., Shirokov A., Dubrovskii A., Terskov A., Navolokin N., Tzoy M., Ageev V., Agranovich I., Telnova V., Tsven A., Kurths J. Night Photostimulation of Clearance of Beta-Amyloid from Mouse Brain: New Strategies in Preventing Alzheimer’s Disease. Cells, 2021, vol. 10, iss. 12, article no. 3289. https://doi.org/10.3390/cells10123289
- Musizza B., Ribaric S. Monitoring the Depth of Anaesthesia. Sensors, 2010, vol. 10, iss. 12, pp. 10896–10935. https://doi.org/10.3390/s101210896
- Buhre W., Rossaint R. Perioperative management and monitoring in anaesthesia. Lancet, 2003, vol. 362, iss. 9398, pp. 1893–1846. https://doi.org/10.1016/S0140-6736(03)14905-7
- Malik P., Pathania M., Rathaur V. K. Overview of artificial intelligence in medicine. J. Family. Med. Prim. Care, 2019, vol. 8, iss. 7, pp. 2328–2331. https://doi.org/10.4103/jfmpc.jfmpc_440_19
- Semyachkina-Glushkovskaya O. V., Karavaev A. S., Prokhorov M. D., Runnova A. E., Borovkova E. I., Ishbulatov Yu. M., Hramkov A. N., Kulminskiy D. D., Semenova N. I., Sergeev K. S., Slepnev A. V., Sitnikova E. Yu., Zhuravlev M. O., Fedosov I. V., Shirokov A. A., Blokhina I. A., Dubrovski A. I., Terskov A. V., Khorovodov A. P., Ageev V. B., Elovenko D. A., Evsukova A. S., Adushkina V. V., Telnova V. V., Postnov D. E., Penzel T. U., Kurths J. G. EEG biomarkers of activation of the lymphatic drainage system of the brain during sleep and opening of the blood-brain barrier. Computational and Structural Biotechnology Journal, 2023, vol. 21, pp. 758–768. https://doi.org/10.1016/j.csbj.2022.12.019
- Sergeev K., Runnova A., Zhuravlev M., Sitnikova E., Rutskova E., Smirnov K., Slepnev A., Semenova N. Simple method for detecting sleep episodes in rats ECoG using machine learning. Chaos, Solitons & Fractals, 2023, vol. 173, article no. 113608. https://doi.org/10.1016/j.chaos.2023.113608
- Descriptive statistics (GNU Octave (version 9.1.0)). Available at: https://docs.octave.org/v9.1.0/Descriptive-Statistics.html (accessed March 17, 2024).
- GNU Octave: libinterp/corefcn/fft.cc File Reference. Available at: https://docs.octave.org/doxygen/3.8/d6/d67/fft_8cc.html (accessed March 17, 2024).
- Baumeister J., Barthel T., Geiss K. R., Weiss M. Influence of phosphatidylserine on cognitive performance and cortical activity after induced stress. Nutritional Neuroscience, 2008, vol. 11, iss. 3, pp. 103–110. https://doi.org/10.1179/147683008X301478
- De Gennaro L., Ferrara M., Bertini M. The spontaneous K-complex during stage 2 sleep: Is it the ’forerunner’ of delta waves? Neuroscience Letters, 2000, vol. 291, iss. 1, pp. 41–43. https://doi.org/10.1016/S0304-3940(00)01366-5
- Jensen O., Mazaheri A. Shaping functional architecture by oscillatory alpha activity: Gating by inhibition. Front. Hum. Neurosci., 2010, vol. 4, article no. 186. https://doi.org/10.3389/fnhum.2010.00186
- Lomas T., Ivtzan I., Cynthia H. Y. Fu. A systematic review of the neurophysiology of mindfulness on EEG oscillations. Neuroscience & Biobehavioral Reviews, 2015, vol. 57, pp. 401–410. https://doi.org/10.1016/j.neubiorev.2015.09.018
- Lega B. C., Jacobs J. Human hippocampal theta oscillations and the formation of episodic memories. Hippocampus, 2012, vol. 22, iss. 4, pp. 748–761. https://doi.org/10.1002/hipo.20937
- Tesche C. D., Karhu J. Theta oscillations index human hippocampal activation during a working memory task. Proc. Natl. Acad. Sci. USA, 2000, vol. 97, iss. 2, pp. 919–924. https://doi.org/10.1073/pnas.97.2.919
- Llinás R., Ribary U. Coherent 40-Hz oscillation characterizes dream state in humans. Proc. Natl. Acad. Sci., 1993, vol. 90, iss. 5, pp. 2078–2081. https://doi.org/10.1073/pnas.90.5.2078
- Baldauf D., Desimone R. Neural Mechanisms of Object-Based Attention. Science, 2014, vol. 344, iss. 6182, pp. 424–427. https://doi.org/10.1126/science.1247003
- Borjigin J., Lee U. C., Liu T., Pal D., Huff S., Klarr D., Sloboda J., Hernandez J., Wang M. M., Mashourc G. A. Surge of neurophysiological coherence and connectivity in the dying brain. Proc Natl Acad Sci., 2013, vol. 110, iss. 35, pp. 14432–14437. https://doi.org/10.1073/pnas.1308285110
- Li D., Mabrouk O. S., Liu T., Tian F., Xu G., Rengifo S., Choi S. J., Mathur A., Crooks C. P., Kennedy R. T., Wang M. M., Ghanbari H., Borjigin J. Asphyxia-activated corticocardiac signaling accelerates onset of cardiac arrest. Proc Natl Acad Sci., 2015, vol. 112, iss. 16, pp. 2073–2082. https://doi.org/10.1073/pnas.1423936112
- 259 просмотров