Анализ ээг (часть 3). Анализ глубины наркоза.
Мониторы анализа глубины анестезии:
Отражает ЭЭГ реального времени и значение биспетрального индекса BIS.
|
|
BIS-ИНДЕКС И ГЛУБИНААНЕСТЕЗИИ
Биспектральный индекс (BIS) – это технология, позволяющая проводить оценку сознания непрерывно и «количественно». С технической точки зрения биспектральный индекс представляет собой сложный логарифмический алгоритм, позволяющий компьютеру анализировать данные электроэнцефалограммы пациента и сводить всю полученную информацию в одну единственную цифру – BIS–Index, которая позволяет сделать вывод о степени сознания. Необработанная «сырая» ЭЭГ требует записи значительного объема информации, специализированного обучения и достаточно глубоких знаний в области ЭЭГ, поэтому нативная ЭЭГ никогда не предназначалась для интраоперационного мониторинга, то есть для скрининговой оценки состояния пациента. Точные детали алгоритма, используемого для создания BIS-индекса, не разглашаются компанией, которая разработала его.
Значение BIS:
80-100 – бодрствование, сохранение памяти;
60-80 – седация (введение пациента в состояние полудремы);
40-60 – соответствует состоянию общей анестезии;
При проведении анестезии без опиоидов и энергетиков рекоммендуется поддерживать на уровне 25-35.
Динамика BIS-индекса в ходе операции:
Изменения ЭКГ в ходе анестезии:
Частотный состав смещается в область нижних частот
Исчезновение миографических составляющих
Снижение хаотичности сигнала
Появление медленных высокоамплитудных колебаний
Эффект «вспышки-подавление» при глубокой анестезии
Низкая амплитуда, высокочастотные волны
Бодрствование
Умеренная седация
Общая анестезия Большая амплитуда, низкочастотные волны
Глубокая анестезия
Изоэлектрическая ЭЭГ |
|
ЭЭГ на разных стадиях наркоза:
Изменение спектра ЭЭГ:
Глубокая анестезия
Сразу после пробуждения
ПОКАЗАТЕЛЬ «SEF95»
«SEF95» – краевая частота спектра (частота, в пределах которой сосредоточено 95% мощности спектра ЭЭГ). Чем глубже анестезия, тем меньше значение этого показателя.
ЭФФЕКТ BURST-SUPPRESSION
В состоянии очень глубокой анестезии (BIS=15…25) часто наблюдается эффект чередования участков очень низкой амплитуды (подавление, Suppression) и вспышек (Burst).
Показатель «BSR»
Отношение вспышки/подавление (Burst/Suppression Ratio, BSR):
– суммарное
время сегментов «подавления»;
– общее
время.
Сегмент сигнала рассматривается как «подавление» в случае, если на протяжении не менее чем 0,5 с модуль амплитуды ЭЭГ не превышает 5 мкВ.
КОМБИНАЦИЯ ПОКАЗАТЕЛЕЙ «SEF» И «BSR»
Параметр «SEF95», компенсированный показателем «вспышки-подавления»
BIS-индекс
BIS-индекс – комбинация параметров временной области, частотной области и статистик высокого порядка.
Свое
название получил, благодаря использованию
биспектра. Биспектр вычисляется по трем
ДПФ от «триплета» частот
,
и
:
Смысл биспектра:
Если для каждой частоты триплета наблюдается высокая амплитуда и фазовые сдвиги выровнены, то в биспектре появляется пик;
Биспектр вычисляется только для четверти комбинаций частот, так как он симметричен
АЛГОРИТМ РАСЧЕТА BIS-ИНДЕКСА
Фильтрация ЭЭГ для устранения ВЧ и НЧ помех
Разбиение на эпохи по 2 с
Подавление артефактов:
удаление ЭКГ путем оценки корреляции между ЭЭГ и ЭКГ
распознавание окулографических помех (от моргания) с использованием согласования с образцом; сегменты, содержащие помеху от моргания, отбрасываются
оставшиеся эпохи анализируются на наличие низкочастотных помех от электродов; если эти помехи обнаруживаются, выполняется дополнительная фильтрация очень низких частот
оценка дисперсии для эпохи; если дисперсия существенно отличается средней для последних нескольких эпох, то эпоха отбрасывается, но значение дисперсии участвует в дальнейшем усреднении
Для оставшихся эпох показатель «вспышки-подавление рассчитывается двумя алгоритмами:
- BSR
- QUAZI (расчет BSR с учетом возможного наличия медленных волн)
Расчет усредненных за последнюю минуту оценок спектра и биспектра. Для каждой эпохи используется сглаживающее окно
По спектру рассчитывается показатель BetaRatio, как логарифм отношения мощностей в двух эмпирически определенных диапазонах частот:
По биспектру рассчитывается показатель SyncFastSlow:
На основе комбинации показателей BSR, QUASY, BetaRatio и SYncFastSlow рассчитывается BIS-индекс с использованием алгоритма, являющегося know-how авторов метода
Каждый из показателей ассоциируется с определенной стадией анестезии:
BetaRatio – легкая седация
SyncFastSlow – хирургическая анастезия
BSR, QUASY– очень глубокий наркоз
Искусственные нейронные сети (ИНС):
Основные понятия машинного обучения.
Машинное обучение (machine learning) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение модели в процессе применения решений множества сходных задач.
Для реализации таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Модель – это подробное описание математической (или вероятностной) связи, которая существует между различными величинами.
Типы задач машинного обучения.
1) Регрессия – прогноз на основе выборки объектов с различными признаками. На выходе – вещественное число.
2) Классификация – получение категориального ответа на основе набора признаков. Имеет конечное количество ответов.
3) Кластеризация – распределение данных на группы по некоторому критерию сходства. Отличие от классификации: перечень групп заранее не задан, а определяется в процессе кластеризации.
4) Уменьшение размерности – сведение большого числа признаков к меньшему (обычно 2–3) для удобства их последующей визуализации (например, сжатие данных).
5) Выявление аномалий – отделение аномалий от стандартных случаев. Отличие от классификации: аномалии – явление редкое, и обучающих примеров, либо исчезающе мало, либо просто нет.
Обучение без учителя, с частичным привлечением учителя, с подкреплением, оценка плотности, снижение размерности, кластеризация, классификация, регрессия, обучение ранжированию. (для поиска)
Обучение с учителем (контролируемое обучение)
Классификация: Поданный на вход объект определяется в один из (обычно конечного числа) классов.
Регрессия: Предсказание значения некоей функции, у которой обычно может быть бесконечно много разных значений.
Ранжирование: Расстановка имеющихся объектов в порядке убывания целевой функции.
Обучение без учителя (неконтролируемое обучение)
Кластеризация: Разбиение данных на заранее неизвестные классы по некоторой мере похожести.
Снижение размерности: На основе входных данные имеющих большую размерность построение представления данных меньшей размерности, которое будет достаточно полно отражать исходные данные. Частный случай общей задачи выделения признаков.
Оценка плотности: По известным точкам данных оценка распределения, из которого они получились.
Обучение с частичным привлечением учителя (полуконтролируемое обучение)
Это нечто среднее между обучением с учителем и обучением без учителя. Обычно используется тогда, когда неразмеченные примеры найти очень легко, а размеченные получить сложно.
Обучение с подкреплением
Агент, находясь в некоей среде, производит те или иные действия и получает за это награды. Цель агента – получить как можно большую награду с течением времени. Обучение играм.
Нейроны мозга.
Строение нейрона
Искусственный нейрон. Структура, веса, функции активации.
Математическая модель искусственного нейрона
Функция активации (активационная функция, функция возбуждения) – функция, вычисляющая выходной сигнал искусственного нейрона. В качестве аргумента принимает сигнал, получаемый на выходе входного сумматора.
Функция Хэвисайда. Функции активации пороговые и сигмоидные.
Линейная, полулинейная, линейная с насыщением, полулинейная с насыщением, треугольная и радиальная функции активации.
Классификация ИНС:
По функциям активации: Однородные и неоднородные
По типу входного сигнала: бинарный, целый и действительный.
Искусственные нейронные сети (ИНС). Основные структуры.
Нейронные сети прямого действия. Рекуррентные нейронные сети (с обратными связями). Однослойные перцептроны. Многослойные перцептроны. Сети РБФ. Соревновательные сети. Сети Кохонена. Сети Хопфилда. Модели АРТ.
РБФ – Радиальные Базисные Функции. АРТ – модель на основе Теории Адаптивного Резонанса
Однослойный и многослойный персептрон. Возможности разделения классов объектов.
Алгоритм обучения однослойного персептрона.