gms | German Medical Science

50. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)
12. Jahrestagung der Deutschen Arbeitsgemeinschaft für Epidemiologie (dae)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie
Deutsche Arbeitsgemeinschaft für Epidemiologie

12. bis 15.09.2005, Freiburg im Breisgau

Optimierung der EEG-Analyse zur Erkennung von Wachheit durch Elimination von Augenartefakten

Meeting Abstract

  • Andreas Hock - Technische Universität München, München
  • Denis Jordan - Technische Universität München, München
  • Gudrun Stockmanns - Universität Duisburg-Essen, Campus Duisburg, Duisburg
  • Eberhard F. Kochs - Technische Universität München, München
  • Gerhard Schneider - Technische Universität München, München

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. Deutsche Arbeitsgemeinschaft für Epidemiologie. 50. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 12. Jahrestagung der Deutschen Arbeitsgemeinschaft für Epidemiologie. Freiburg im Breisgau, 12.-15.09.2005. Düsseldorf, Köln: German Medical Science; 2005. Doc05gmds515

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2005/05gmds379.shtml

Published: September 8, 2005

© 2005 Hock et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung und Fragestellung

Zur Abschätzung der Narkosetiefe wurde bereits eine Vielzahl von EEG-Parametern vorgestellt, mit denen sich aus dem EEG-Signal mehr oder weniger zuverlässig Wachheit von Bewusstlosigkeit unterscheiden lässt. Vorliegende Untersuchung zeigt, dass eine sicherere Trennung beider Zustände möglich ist, obwohl im Signal überlagerte Artfakte vor allem die Erkennung von Wachheit erschweren. Zu diesen Artefakten gehört insbesondere das Augenzwinkern (Eyeblinks), welches sich durch ein ähnliches tieffrequentes Spektrum kennzeichnet, wie das während der Narkose aufgezeichnete EEG-Signal.

Für das Narkosetiefemonitoring kommen unterschiedliche Signalanalyseverfahren zum Einsatz, wobei die klassische Spektralanalyse mit Hilfe der Fouriertransformation nach wie vor eine bedeutende Stellung einnimmt [1]. In dieser Untersuchung wurden zwei Spektralparameter betrachtet, deren Berechnung sowohl auf unbehandelten als auch auf bereinigten Signalabschnitten durchgeführt wurde. Die Erkennung der Eyeblinks erfolgte durch eine manuelle Markierung. Mit Hilfe eines Datensatzes basierend auf perioperativ abgeleiteten EEG-Signalen, für die eine Zuordnung der Patientenzustände „wach“ und „bewusstlos“ vorliegt, wurde der Einfluss und die Eignung des Verfahrens aufgezeigt.

Material und Methoden

Als EEG-Parameter wurden die Spektralparameter SEF95 [2] und WSMF (Weighted Spectral Median Frequency) verwendet. Letzterer ist durch

Equation 1

definiert. Es ist A das Amplitudenspektrum des verwendeten EEG-Signalintervalls, r das Teilungsverhältnis und F eine Gewichtung des Spektrums, wobei für die vorliegenden Untersuchungen f low = 2Hz, f high = 30Hz, r = 0.8 und F = id gewählt wurden. Während die Berechnung von SEF95 mit dem gesamten Leistungsspektrum bis 30Hz erfolgte, wird also für WSMF das Amplitudenspektrum verwendet. Mit der oberen Frequenzgrenze von 30Hz wurde für die Analyse ausschließlich das klassische EEG-Spektrum berücksichtigt, wodurch Signalanteile, die durch Muskelaktivität erzeugt werden, weitgehend ausgeschlossen sind.

Die Parameterberechnung erfolgte auf der Basis eines Datensatzes A bestehend aus 306 EEG-Signalintervallen von 8s Länge, die aus Messungen an 40 nicht prämedizierten Patienten unter Allgemeinanästhesie ausgewählt wurden. Die Studie wurde von der Ethikkommission bewilligt, und das Studienprotokoll berücksichtigte eine Signalaufzeichnung mit einer beabsichtigten Wachphase nach Narkoseeinleitung, noch vor der Operation. Für die Analyse wurden die Signalintervalle zeitlich unmittelbar vor und nach den Übergängen von Wachheit zu Bewusstlosigkeit und umgekehrt ausgewählt. 150 der 306 Intervalle sind aus Wachphasen entnommen. Von diesen 150 Intervallen, die den Wachzustand repräsentieren, sind 65 mit Eyeblinks überlagert. Die übrigen 156 Intervalle sind aus Narkosephasen ausgewählt und repräsentieren den Zustand „bewusstlos“.

Um die Wirkung der Eyeblinks auf die beiden Parameter zu beurteilen, wurde ein zweiter Datensatz B durch Ausschneiden der manuell markierten Eyeblinks aus A gewonnen. Die Anzahl der Intervalle blieb dadurch unverändert, jedoch wurden durch das Ausschneiden der Eyeblinks die entsprechenden Intervalle verkürzt. Um eine geeignete Auflösung bei der FFT zu gewährleisten, wurde ein minimales Zeitfenster von 5s eingehalten. Die verbleibenden artefaktfreien Abschnitte des Intervalls wurden so miteinander verklebt, dass die Stetigkeit des Signals an den Klebestellen erhalten blieb und die dadurch bewirkte Veränderung des Signals eine möglichst kleine Auswirkung auf das Spektrum hatte.

Die Berechnung von SEF95 und WSMF erfolgte anschließend auf beiden Datensätzen A und B.

Die Vorhersagewahrscheinlichkeit [3] ist ein in der Anästhesie gebräuchlicher statistischer Test und wurde in dieser Untersuchung verwendet, um zu beurteilen, wie gut ein Parameter die beiden Patientenzustände „wach“ und „bewusstlos“ trennt: Es seien x 1,…,x 306 die aus den 306 Intervallen gewonnenen Werte eines Parameters mit den zugehörigen Zuständen z 1,…,z 306, die entweder den Wert 1 für „wach“ oder 0 für „bewusstlos“ annehmen. Dann unterscheidet der Test drei Wahrscheinlichkeiten. (a) p c, dass ein zufällig gewähltes Paar (x i ,x k ) mit i k paarweise monoton zu (z i ,z k ) ist, (b) p d, dass (x i ,x k ) antimonoton zu (z i ,z k ) ist und (c) p t, dass ein Paar mit gleichen Parameterwerten x i = x k einem Paar ungleicher Zustände z i z k zugeordnet ist. Dann wird durch

Equation 2

der p k-Wert definiert, wobei p k = 1 eine sichere und p k = 0.5 eine zufällige Unterscheidung der Zustände „wach“ und „bewusstlos“ angeben.

Der optimale Schwellwert zwischen „wach“ und „bewusstlos“ wurde durch Maximierung der Sensitivität und Spezifität gewonnen [4].

Ergebnisse

Die Vorhersagewahrscheinlichkeiten für beide Parameter sind in Tabelle 1 [Tab. 1] als p k-Werte dargestellt, wobei diese sowohl auf dem Datensatz A als auch auf dem Datensatz B bestimmt wurden.

Auf der Basis der 65 mit Eyeblinks behafteten Intervalle aus A (Datensatz A Eyeblink) und den zugehörigen bereinigten Intervallen aus B (Datensatz B bereinigt) wurde für beide Parameter die Anzahl richtiger Zuordnungen bestimmt. Im Fall von SEF95 konnte diese Anzahl von 36 auf 42 erhöht werden, bei WSMF von 51 auf 58. Die relativen Anteile sind in Tabelle 2 [Tab. 2] dargestellt.

Diskussion

Die Elimination der Eyeblinks bewirkte für beide Parameter eine Verbesserung der Trennung von Wachheit und Bewusstlosigkeit. Dafür war die sicherere Erkennung von Wachheit durch die Elimination der Eyeblinks verantwortlich.

Der Parameter WSMF lieferte im Vergleich zum bekannten Spektralparameter SEF95 insgesamt bessere Ergebnisse, welche sich vor allem durch die Anpassung des Frequenzbereiches und durch die Verwendung des Amplitudenspektrums begründen lässt. Letzteres bewirkt eine größere Gewichtung kleiner spektraler Amplituden.


Literatur

1.
Thakor NV, Tong S. Advances in Quantitative Electroencephalogram Analysis Methods. Annual Reviews in Biomedical Engineering 2004; 6: 453-495
2.
Fell J, Mann K, Schäffner C. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures. Electroencephalography and clinical Neurophysiology 1996; 98: 401-410
3.
Smith WD, Smith N. Measuring the Performance of Anesthetic Depth Indicators. Anaesthesiology 1996; 84: 38-51
4.
Metz CE. Basic Principles of ROC Analysis. Seminars in Nuclear Medicine 1978; 4: 283-298