ABSTRACT
RESUMEN Introducción: La Anestesiología es la especialidad médica dedicada a la atención específica de los pacientes durante procedimientos quirúrgicos y en cuidados intensivos. Esta especialidad basada en los avances científicos y tecnológicos, ha incorporado el uso del monitoreo electroencefalográfico, facilitando el control continuo de estados de sedación anestésica durante las cirugías, con una adecuada concentración de fármacos. Objetivo: Proponer una estrategia de clasificación para el reconocimiento automático de tres estados de sedación anestésica en señales electroencefalográficas. Método: Se utilizaron con consentimiento informado escrito los registros electroencefalográficos de 27 pacientes sometidos a cirugía abdominal, excluyendo aquellos con antecedentes de epilepsia, enfermedades cerebrovasculares y otras afecciones neurológicas. Se aplicaron en total 12 fármacos anestésicos y dos relajantes musculares con montaje de 19 electrodos según el Sistema Internacional 10-20. Se eliminaron artefactos en los registros y se aplicaron técnicas de Inteligencia artificial para realizar el reconocimiento automático de los estados de sedación. Resultados: Se propuso una estrategia basada en el uso de máquinas de soporte vectorial con algoritmo multiclase Uno-Contra-Resto y la métrica Similitud Coseno, para realizar el reconocimiento automático de tres estados de sedación: profundo, moderado y ligero, en señales registradas por el canal frontal F4 y los occipitales O1 y O2. Se realizó una comparación de la propuesta con otros métodos de clasificación. Conclusiones: Se computa una exactitud balanceada del 92,67 % en el reconocimiento de los tres estados de sedación en las señales registradas por el canal electroencefalográfico F4, lo cual favorece el desarrollo de la monitorización anestésica.
ABSTRACT Introduction: Anesthesiology is the medical specialty concerned with the specific care of patients during surgical and intensive care procedures. This specialty, based on scientific and technological advances, has incorporated the use of electroencephalographic monitoring, facilitating the continuous control in the use of anesthesia for patient´s sedation states during surgeries, with an adequate concentration of drugs. Objective: Proposal for a classification strategy for automatic recognition of three sedation states in electroencephalographic signals. Methods: We used, with written informed consent, the electroencephalographic records of 27 patients undergoing abdominal surgery, excluding those with a history of epilepsy, cerebrovascular disease and other neurological conditions. A total of 12 drugs to produce anesthesia and two muscle relaxants with 19 electrodes, mounted according to the International System 10 -20, were applied. Artifacts in the records were eliminated and artificial intelligence techniques were applied to perform automatic recognition of sedation states. Results: A strategy based on the use of support vector machines with a multiclass algorithm One-against-Rest and the Cosine Similarity metric was proposed to perform the automatic recognition of three sedation states: deep, moderate and light, in signals recorded by the frontal channel F4 and the occipital channels O1 and O2. A comparison was carried out between the proposal showed and other classification methods. Conclusions: A balanced accuracy of 92.67% is computed about the recognition of the three states of sedation in the signals recorded by the electroencephalographic channel F4, which helps in a better anesthetic monitoring process.
RESUMO Introdução: A Anestesiologia é a especialidade médica dedicada ao atendimento específico de pacientes durante procedimentos cirúrgicos e em terapia intensiva. Essa especialidade, baseada nos avanços científicos e tecnológicos, incorporou o uso da monitorização eletroencefalográfica, facilitando o controle contínuo dos estados de sedação anestésica durante as cirurgias, com concentração adequada de fármacos. Objetivo: Propor uma estratégia de classificação para o reconhecimento automático de três estados de sedação anestésica em sinais eletroencefalográficos. Método: Foram utilizados registros eletroencefalográficos de 27 pacientes submetidos à cirurgia abdominal com consentimento informado por escrito, excluindo aqueles com histórico de epilepsia, doenças cerebrovasculares e outras condições neurológicas. Um total de 12 drogas anestésicas e dois relaxantes musculares foram aplicados com um conjunto de 19 eletrodos de acordo com o Sistema Internacional 10-20. Artefatos nos prontuários foram removidos e técnicas de inteligência artificial foram aplicadas para realizar o reconhecimento automático dos estados de sedação. Resultados: Foi proposta uma estratégia baseada no uso de máquinas de vetores de suporte com algoritmo One-Against-Rest multiclasse e a métrica Cosine Similarity para realizar o reconhecimento automático de três estados de sedação: profundo, moderado e leve, em sinais registrados pelo canal frontal F4 e os canais occipitais O1 e O2. Foi feita uma comparação da proposta com outros métodos de classificação. Conclusões: Uma acurácia equilibrada de 92,67% é computada no reconhecimento dos três estados de sedação nos sinais registrados pelo canal eletroencefalográfico F4, o que favorece o desenvolvimento da monitorização anestésica.
ABSTRACT
Lorenz plot (LP) method which gives a global view of long-time electrocardiogram signals, is an efficient simple visualization tool to analyze cardiac arrhythmias, and the morphologies and positions of the extracted attractors may reveal the underlying mechanisms of the onset and termination of arrhythmias. But automatic diagnosis is still impossible because it is lack of the method of extracting attractors by now. We presented here a methodology of attractor extraction and recognition based upon homogeneously statistical properties of the location parameters of scatter points in three dimensional LP (3DLP), which was constructed by three successive RR intervals as , and axis in Cartesian coordinate system. Validation experiments were tested in a group of RR-interval time series and tags data with frequent unifocal premature complexes exported from a 24-hour Holter system. The results showed that this method had excellent effective not only on extraction of attractors, but also on automatic recognition of attractors by the location parameters such as the azimuth of the points peak frequency ( ) of eccentric attractors once stereographic projection of 3DLP along the space diagonal. Besides, was still a powerful index of differential diagnosis of atrial and ventricular extrasystole. Additional experiments proved that this method was also available on several other arrhythmias. Moreover, there were extremely relevant relationships between 3DLP and two dimensional LPs which indicate any conventional achievement of LPs could be implanted into 3DLP. It would have a broad application prospect to integrate this method into conventional long-time electrocardiogram monitoring and analysis system.