gms | German Medical Science

Zur Bestimmung der Narkosetiefe, insbesondere zur Erkennung von interoperativer Wachheit, wird in der Regel eine Vielzahl von Elektroenzephalogramm (EEG) basierten Parametern betrachtet. Es hat sich gezeigt, dass EEG-Parameter zwar einen guten Indikator für die Narkose bis hin zur tiefen Narkose bilden, jedoch zur Detektion von Wachheit weniger geeignet sind [Ref. 1]. Da die akustisch evozierten Potentiale (AEP) eine bessere Erkennung der Wachheit versprechen [Ref. 2], können sie die EEG-Parameter sinnvoll ergänzen.

In der vorliegenden Arbeit werden Kombinationen von EEG- und AEP-basierten Parametern betrachtet und ihre Eignung für die Erkennung unterschiedlicher Narkosetiefen untersucht, wobei die einzelnen Parameter durch Support Vektor Maschinen (SVM) [Ref. 3] miteinander kombiniert und bezüglich der betrachteten Narkosetiefen klassifiziert werden. Ziel ist es zu prüfen, ob eine sinnvolle Kombination aus EEG- und AEP-Parametern gegenüber Parameterkombinationen aus nur einem Signaltyp (EEG, AEP) bezüglich der Klassifikationsfähigkeit durch SVM überlegen ist.

In einer von der Ethikkommission genehmigten Freiwilligen-Studie mit 10 Probanden wurden in zwei Sitzungen jeweils EEG-Signale der drei Narkosetiefen Wachheit (wach), Verlust des Bewusstseins (LOC) und Burst Suppression (BSUPP) als Zeichen tiefer Narkose erfasst. Zu jedem Probanden wurden in den drei betrachteten Narkosetiefen jeweils 2x2 EEG- und 2x2 AEP-Signale ausgewählt und daraus die Parameter zur weiteren Untersuchung bestimmt. Die berechneten Parameter lassen sich prinzipiell in folgende drei Kategorien unterteilen:

• EEG: EEG-Parameter bestehend aus ApEn (Approximate Entropy mit Tiefpassfilterung bei 30Hz) [Ref. 4] und WSMF (Weighted Spectral Median Frequency, berechnet hier den Schwerpunkt des Amplitudenspektrums zwischen 8Hz und 30Hz)
• AEPSig: Signalparameter basierend auf dem AEP-Signalabschnitt ab 24 ms bestehend aus Deriv1StdDev (Standardabweichung der ersten Ableitung des AEP-Signals), Deriv1MeanAbsAmp (Durchschnitt der absoluten Amplitudenwerte der ersten Ableitung) und SumAbsGlobExtr (Summe der globalen Extrema)
• WKs: Wavelet-Koeffizienten der Detail-Level 3 und 4 der mit dem Daubechies 3 Wavelet transformierten AEP-Signale

Zur Beurteilung der Einzelparameter wurde eine Modifikation der Vorhersagewahrscheinlichkeit (pkr-Wert) bezüglich der Klassifikationsfähigkeit [Ref. 5], die auf einem in der Anästhesie gebräuchlichen statistischen Test basiert, bestimmt. Ein p_kr-Wert von 1 garantiert eine vollständig korrekte Trennung der drei betrachteten Narkosetiefen durch ein Klassifikationssystem, während für einen Parameter mit p_kr=0 eine zufällige Klassifikation resultiert.

Zur Kombination der Parameter aus den drei Kategorien und anschließender Klassifikation bezüglich der Narkosetiefe wird ein probabilistisches SVM überwacht trainiert. Das SVM ist ein lernfähiges Klassifikationsmodell, das sich von der statistischen Lerntheorie ableiten lässt. Als Grundlage für die Entscheidung eines SVM dient eine Hyperebene, die die Merkmalsvektoren zweier Klassen eines binären Problems linear trennt. Da im Raum der Merkmalsvektoren in der Regel keine lineare Trennung der zwei Klassen möglich ist, werden durch nichtlineare Abbildungen die Merkmalsvektoren in einen höherdimensionalen Raum projiziert, in dem das Problem mittels Hyperebene wieder linear separierbar ist. Das Training eines SVM besteht in der Bestimmung einer optimalen Hyperebene bezüglich einer größtmöglichen Trennung der Klassen, wobei die Hyperebene durch die so genannten Support Vektoren charakterisiert wird. Diese Bestimmung kann auf ein konvexes quadratisches Optimierungsproblem mit linearen Nebenbedingungen zurückgeführt werden. Die geschickte Formulierung des Problems ermöglicht es, die Lösung der Optimierung durch die Einführung von mit den Abbildungsfunktionen korrespondierenden Kernfunktionen auch im niederdimensionalen Raum der Merkmalsvektoren durchzuführen. Die konkreten nichtlinearen Abbildungsfunktionen und der damit erzeugte hochdimensionale Raum müssen also für das Training nicht bekannt sein. Zur Lösung eines Mehrklassenproblems wird dieses in mehrere gleichwertige binäre Probleme transformiert, deren Einzelentscheidungen bei der Klassifikation zu einer Gesamtentscheidung verknüpft werden. Ein probabilistisches SVM berücksichtigt und berechnet zusätzlich zu den eigentlichen Entscheidungen noch Wahrscheinlichkeiten.

Verschiedene Parameterkombinationen wurden einem SVM mit radialer Kernfunktion zum Training präsentiert und anschließend sowohl die Gesamtklassifikationsrate als auch die spezifischen Klassifikationsraten für die einzelnen Narkosetiefen ermittelt. Der Trainings- und Klassifikationsprozess wurde mit einer dreifachen Kreuzvalidierung durchgeführt. Analog zum p_kr,E-Wert der Einzelparameter bewertet der p_kr,K-Wert die Güte der betrachteten Parameterkombination, wobei der p_kr,K-Wert aus der Mittelung der p_kr-Werte der jeweiligen Testmengen der Kreuzvalidierung berechnet wird.

Durch die Kombination von EEG- und AEP-Parametern mittels SVM lässt sich die Gesamtklassifikationsrate der Gruppen von Parametern einer Kategorie deutlich steigern (Tab. 1 [Tab. 1]). Die Wachheit kann das mit einer optimierten Kombination aus EEG- und AEP-Parametern (Best9) trainierte SVM mit 97,22% erkennen gegenüber einem rein auf EEG-Parameter basierenden SVM mit 79,86%. Die beste Parameterkombination liefert einen p_kr,K-Wert von 0,9295 und stellt im Vergleich zu den Ergebnissen der besten Einzelparameter (vgl. Tab. 2 [Tab. 2]) eine deutliche Verbesserung dar.

Es konnte gezeigt werden, dass eine geeignete Kombination aus EEG- und AEP-Parametern mittels SVM die betrachteten Narkosetiefen deutlich besser erkennen kann als die Einzelparameter. Die Ergebnisse bestätigen, dass die EEG-Parameter die tiefe Narkose LOC (71,53%) und BSUPP (95,83%) besser repräsentieren, während AEP-Parameter speziell die Wachheit detektieren (91,67%). Die vorgestellte Untersuchung zeigt, dass die Parameterkombination mittels SVMs eine sinnvolle Unterstützung des Narkosetiefenmonitorings ermöglicht.