DE10339713A1 - Method for selecting parameters from an EEG signal for anesthesia monitoring - Google Patents

Abstract

Verfahren zur Auswahl von Parametern für das Narkosemonitoring aus einem Biosignal, insbesondere aus EEG- und EP-Signalen, umfassend die Schritte: DOLLAR A - Extrahieren von Zeitabschnitten (Nr. 1 bis 8) aus dem erfassten Biosignal, DOLLAR A - Bestimmen von Zahlenwerten, die vorbestimmte Parameter (Median, SEF95, ...) in den Zeitabschnitten (Nr. 1 bis 8) jeweils annehmen, DOLLAR A - Einordnen dieser Parameterwerte in vorbestimmte Kategorien (niedrig/mittel/hoch), DOLLAR A - Vergleich der kategorisierten Parameterwerte der Zeitabschnitte (Nr. 1 bis 8), um festzustellen, welche Parameter für eine Unterscheidung eines Zeitabschnitts von den anderen Zeitabschnitten entbehrlich sind, und DOLLAR A - Eliminieren der Parameter, die für eine Unterscheidung der Zeitabschnitte (Nr. 1 bis 8) entbehrlich sind.Method for selecting parameters for anesthetic monitoring from a biosignal, in particular from EEG and EP signals, comprising the steps: DOLLAR A - Extracting time segments (Nos. 1 to 8) from the detected biosignal, DOLLAR A - Determining numerical values, the predetermined parameters (median, SEF95, ...) in the periods (Nos. 1 to 8) respectively, DOLLAR A - classifying these parameter values into predetermined categories (low / medium / high), DOLLAR A - comparing the categorized parameter values of Periods (Nos. 1 to 8) to determine which parameters are unnecessary for distinguishing a period from the other periods, and DOLLAR A - Eliminate the parameters dispensable for distinguishing the periods (Nos. 1 to 8).

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Auswahl von Parametern für das Narkosemonitoring aus einem Biosignal, insbesondere aus EEG-Signalen und evozierten Signalen für das Narkosemonitoring.The The present invention relates to a method for selecting parameters for the Anesthesia monitoring from a biosignal, in particular from EEG signals and evoked signals for the anesthesia monitoring.

Zur Erkennung intraoperativer Wachheit während Allgemeinanästhesie werden als Biosignal zunehmend das EEG und evozierte Potentiale eingesetzt. Für eine automatisierte Narkoseüberwachung ist es notwendig, aus dem EEG-Signal bzw. aus den evozierten Potentialen (EP) geeignete Parameter zu extrahieren, die eine möglichst gute Unterscheidung unterschiedlicher Narkosezustände, z.B. „wach" und „bewusstlos" erlauben. Auf der Grundlage von Einzelparametern gelingt diese Unterscheidung jedoch nur bedingt.to Detection of intraoperative alertness during general anesthesia As a biosignal, the EEG and evoked potentials are increasing used. For is an automated anesthesia monitoring it is necessary, from the EEG signal or from the evoked potentials (EP) to extract appropriate parameters, one as possible good distinction between different conditions of anesthesia, e.g. Allow "awake" and "unconscious". On the However, based on individual parameters, this distinction only succeeds conditionally.

Aufgabe der vorliegenden Erfindung ist es, ein verbessertes Verfahren für das Narkosemonitoring zu ermöglichen. Insbesondere ist es Aufgabe der vorliegenden Erfindung ein Verfahren bereitzustellen, mit welchem mehrere, effizient für die Erfassung von Narkosezuständen zu verwendende Parameter gefunden werden können.task The present invention is an improved method for anesthesia monitoring to enable. In particular, it is an object of the present invention, a method to provide, with which several, efficient for the detection of anesthesia conditions parameters to be used can be found.

Diese Aufgabe wird durch ein Verfahren mit den im Anspruch 1 genannten Merkmalen gelöst. Bei diesem Verfahren werden vorausgewählte Parameter, die in einem Biosignal, insbesondere EEG- und EP-Signale (Signale aus evozierten Potentialen), im Allgemeinen für eine Unterscheidung zwischen unterschiedlichen Narkosezuständen, bspw. „wach" und „bewusstlos", relevant sein können, auf eine kleinere Anzahl von Parametern reduziert. Hierzu werden aus dem erfassten Biosignal sowohl Zeitabschnitte extrahiert, in welchen der eine Narkosezustand, (bspw. „wach") vorliegt, als auch solche, in welchen ein anderer Narkosezustand, (bspw. „bewusstlos") vorliegt. Dann werden für die vorausgewählten Parameter die Parameterwerte der Zeitabschnitte bestimmt und in vorbestimmte Kategorien (z.B. niedrig/mittel/hoch) kategorisiert. Mittels der kategorisierten Parameterwerte der Zeitabschnitte wird festgestellt, ob zwischen den Parametern Abhängigkeiten vorliegen, d.h. ob einzelne Parameter für die Unterscheidung der Zeitabschnitte entbehrlich sind. Um die Anzahl der Parameter zu reduzieren, werden die entbehrlichen Parameter eliminiert.These The object is achieved by a method with the mentioned in claim 1 Characteristics solved. In this procedure, preselected parameters that are in one Biosignal, in particular EEG and EP signals (evoked signals Potentials), in general for a distinction between different states of anesthesia, eg. "awake" and "unconscious", may be relevant reduced a smaller number of parameters. This will be out the extracted biosignal extracts both time segments in which an anesthetic condition (eg, "awake") is present as well as those in which another anesthetic state, (eg, "unconscious") is present be for the preselected ones Parameter determines the parameter values of the time periods and in categorized predetermined categories (e.g., low / medium / high). By means of the categorized parameter values of the time periods, it is determined whether between the parameters dependencies present, i. whether individual parameters are unnecessary for the differentiation of the time periods are. To reduce the number of parameters, the unnecessary Parameter eliminated.

Die Erfindung wird nachfolgend unter Bezugnahme auf die Zeichnung erläutert. Es zeigen:The Invention will be explained below with reference to the drawings. It demonstrate:

1 eine beispielhafte Entscheidungstabelle, in der berechnete und kategorisierte Parameter und der zugehörige Patientenzustand für acht EEG-Zeitabschnitte dargestellt ist, 1 an exemplary decision table, in which calculated and categorized parameters and the associated patient status are represented for eight EEG time segments,

2 die Beispieltabelle von 1 in reduzierter Form, 2 the example table of 1 in a reduced form,

3 eine Tabelle mit Ergebnissen eines praktischen Ausführungsbeispiels des Verfahrens und gemittelten Klassifikationsraten, 3 a table with results of a practical embodiment of the method and averaged classification rates,

4 eine Tabelle, in welcher drei Objekten Zahlenwerte für drei Bedingungsattribute zugeordnet sind, 4 a table in which three objects are assigned numerical values for three condition attributes,

5 ein Schema für die Zuordnung der Werte der Bedingungsattribute aus 4, 5 a schema for mapping the values of the condition attributes 4 .

6 eine Tabelle, in der die Zuordnung der Zahlenwerte der Bedingungsattribute des Schemas von 5 dargestellt ist, 6 a table that maps the numerical values of the condition attributes of the schema to 5 is shown

7 eine Tabelle, in welcher aus einem Objekt aus 4 mehrere Objekte erzeugt sind und welche in der Tabelle aus 6 enthaltene Kombinationen dieses Objekts enthält, 7 a table in which out of an object 4 several objects are generated and which ones in the table 6 contains contained combinations of this object,

8 eine Tabelle, in der für das Objekt aus 4 und 7 eine Gewichtung angegeben ist, 8th a table in which to look for the object 4 and 7 a weight is specified,

9 eine entsprechend abgeleitete Tabelle für ein anderes Objekt aus 4, 9 a correspondingly derived table for another object 4 .

10 eine ebenfalls entsprechend abgeleitete Tabelle für ein weiteres Objekt aus 4 und 10 a similarly derived table for another object 4 and

11 eine Tabelle, in welcher Objekte der in den 8 bis 10 wiedergegebenen Objekte zusammengefasst sind. 11 a table in which objects in the 8th to 10 reproduced objects are summarized.

Bei einem Ausführungsbeispiel, das unter Bezugnahme auf 1 und 2 erläutert wird, werden vor und während einer Allgemeinanästhesie EEG-Signale, bzw. Signale aus evozierten Potentialen (EP), aufgezeichnet, aus welchen zeitliche EEG-Abschnitte extrahiert werden. Es werden Parameter für die Beurteilung des Narkosezustandes bestimmt, die so ausgewählt werden, dass diese im Allgemeinen für die Beurteilung relevante Merkmale aufweisen. Diese Parameter, die komplexe Signalinhalte darstellen, werden durch Rechnung in Zahlenwerte umgesetzt, die die speziellen Eigenschaften des Signals wiedergeben. Um die Anzahl der zu betrachtenden Parameter zu verringern, werden solche Parameter eliminiert, die für die Unterscheidung zwischen den Narkosezuständen „wach" und „bewusstlos" nicht erforderlich bzw. nicht verwendbar sind.In one embodiment, with reference to 1 and 2 is explained before and during a general anesthesia EEG signals, or signals from evoked potentials (EP) recorded, from which temporal EEG sections are extracted. Parameters are determined for the assessment of the state of anesthesia, which are selected so that they generally have characteristics relevant to the assessment. These parameters, which represent complex signal contents, are converted by calculation into numerical values representing the specific characteristics of the signal. In order to reduce the number of parameters to be considered, those parameters are eliminated which are not necessary or useful for the distinction between anesthetic states "awake" and "unconscious".

Nachfolgend wird ein Verfahren beschrieben, mit der Parameter kombiniert, überflüssige Parameter eliminiert und Regeln zur Klassifikation abgeleitet werden können. Dieses Verfahren untersucht, inwieweit Objekte (hier unterschiedliche EEG-Abschnitte) mit Hilfe ihrer bekannten Eigenschaften einer Klasse (hier einer Entscheidung zwischen den Zuständen „wach" und „bewusstlos") zugeordnet werden können. Bei Objekten mit gleichen Eigenschaften, aber unterschiedlichen Entscheidungen kann die Entscheidung nicht eindeutig aus den Eigenschaften abgeleitet werden. Die Entscheidungen können daher nur grob durch die bekannten Eigenschaften beschrieben werden. Die Eigenschaften werden durch Bedingungsattribute dargestellt, die Entscheidungen durch (mindestens) ein Entscheidungsattribut, das hier durch die Zustände „wach" und „bewusstlos" gegeben ist.The following describes a procedure that can be used to combine parameters, eliminate unnecessary parameters and derive rules for classification. This method investigates to what extent objects (here different EEG sections) can be assigned to a class (here a decision between the states "awake" and "unconscious") with the help of their known properties. For objects with the same properties but different choices, the decision can not be clearly deduced from the properties. The decisions can therefore only be roughly described by the known properties. The properties are represented by conditional attributes that are decisions by (at least) one decision attribute, here given by the states "awake" and "unconscious".

Mit Hilfe dieses Verfahrens kann die Zahl der Bedingungsattribute reduziert werden. Hierzu können die Bedingungsattribute in zwei Reduktionsschritten auf die Bedingungsattribute reduziert werden, die notwendig sind für die Unterscheidbarkeit der Objekte ohne Berücksichtigung der Entscheidung (erster Reduktionsschritt), und die Zuordnung von Objekten zu Entscheidungen (zweiter Reduktionsschritt).With Using this procedure can reduce the number of condition attributes become. You can do this the condition attributes in two reduction steps on the condition attributes which are necessary for the distinctiveness of the Objects without consideration the decision (first reduction step), and the assignment of Objects for decisions (second reduction step).

Mit den jeweils verbleibenden Bedingungsattributen werden Klassifikationsregeln für die Zuordnung der Objekte gebildet.With the remaining condition attributes become classification rules for the Assignment of the objects formed.

In 1 sind in einer beispielhaften Entscheidungstabelle aus einem EEG-Signal berechnete und anschliessend kategorisierte Parameter und der empirisch ermittelte zugehörige Patientenzustand für beispielsweise acht EEG-Signalabschnitte dargestellt, welche in 1 Objekte Nr. 1 bis 8 bilden. Als Parameter sind beispielsweise gewählt

• – Median (d.h. der Frequenzwert, der das Leistungsspektrum des EEG-Abschnittes in zwei Teile gleicher Leistung aufteilt),
• – SEF95 (d.h. der Frequenzwert, der das Leistungsspektrum so aufteilt, dass die Summe der Bandleistungen über alle Frequenzen f < SEF95 95% der Gesamtleistung beträgt),
• – Crestf. (Crestfaktor, d.h. die maximale Amplitude/der Effektivwert) und
• – RMS (Effektivwert, d.h. der quadratische Mittelwert über alle Amplituden des EEG-Abschnittes).

In 1 are in an exemplary decision table from an EEG signal calculated and then categorized parameters and the empirically determined associated patient status for example, eight EEG signal sections shown that in 1 Make objects Nos. 1 to 8. As parameters are selected, for example

• - median (ie the frequency value dividing the power spectrum of the EEG section into two parts of equal power),
• - SEF95 (ie the frequency value dividing the power spectrum so that the sum of the band powers over all frequencies f <SEF95 is 95% of the total power),
• - Crestf. (Crest factor, ie the maximum amplitude / RMS value) and
• RMS (rms value, ie the root mean square over all amplitudes of the EEG section).

Diese in Zahlenwerten ausgedrückten Parameter bilden Bedingungsattribute, die in die Werte niedrig" „hoch" und „mittel" kategorisiert sind. Die Zustände „wach" und „bewusstlos" („bew." in 1) stellen das Entscheidungsattribut dar.These parameters expressed in numerical values form conditional attributes categorized into the values "low" and "medium." The states "awake" and "unconscious"("cloudy" in FIG 1 ) represent the decision attribute.

Jedes der Bedingungsattribute unterteilt die Menge der Objekte Nr. 1 bis 8, d.h. die acht EEG-Abschnitte, in Gruppen, sogenannte Äquivalenzklassen, die unter alleiniger Betrachtung dieses Bedingungsattributes nicht unterscheidbar sind. Das Bedingungsattribut Median unterteilt bspw. in der Tabelle von 1 die Objekte in drei Äquivalenzklassen {1, 5, 6}, {2, 3, 4, 7}, {8} entsprechend den drei Medianwerten „niedrig", „hoch" und „mittel", wobei die Aquivalenzklasse {1, 5, 6} dem Medianwert „niedrig", die Aquivalenzklasse {2, 3, 4, 7} dem Medianwert „hoch", und die Äquivalenzklasse {8} dem Medianwert „mittel" zugeordnet ist. Auf die gleiche Weise können Äquivalenzklassen für die anderen Bedingungsattribute, für die gesamte Menge der Bedingungsattribute und für Teilmengen der Bedingungsattribute bestimmt werden. Bei gleichzeitiger Betrachtung aller Bedingungsattribute Median, SEF95, Crestfaktor und RMS in der Tabelle von 1, die alle die Werte „niedrig", „hoch" und „mittel" annehmen können, findet man die Äquivalenzklassen {1, 6}, {2, 4}, {3}, {5}, {7} und {8} bezüglich der gesamten Menge der Bedingungsattribute.Each of the condition attributes divides the set of objects Nos. 1 to 8, ie, the eight EEG sections, into groups, so-called equivalence classes, which are indistinguishable by considering this conditional attribute alone. For example, the condition attribute median divides into the table of 1 the objects in three equivalence classes {1, 5, 6}, {2, 3, 4, 7}, {8} corresponding to the three median values "low", "high" and "medium", where the equivalence class {1, 5, 6} the median value "low", the equivalence class {2, 3, 4, 7} the median value "high", and the equivalence class {8} the median value "middle". In the same way, equivalence classes can be determined for the other conditional attributes, for the entire set of conditional attributes, and for subsets of the conditional attributes. Considering all condition attributes Median, SEF95, Crest Factor and RMS in the table of 1 , which can all assume the values "low", "high" and "medium", one finds the equivalence classes {1, 6}, {2, 4}, {3}, {5}, {7} and {8} in terms of the total set of condition attributes.

Allgemein wird somit eine Äquivalenzklasse durch die Menge der Objekte bzw. EEG-Abschnitte gebildet, die bezüglich der jeweils betrachteten Menge der Bedingungsattribute nicht unterscheidbar sind.Generally becomes an equivalence class the amount of objects or EEG sections formed with respect to the each considered set of conditional attributes are indistinguishable.

Mit Hilfe eines Vergleichs auf der Basis von Äquivalenzklassen wird bei dem Ausführungsbeispiel die Anzahl der Bedingungsattribute in vorzugsweise zwei Reduktionsschritten reduziert.With A comparison based on equivalence classes is used in the Embodiment the Number of condition attributes in preferably two reduction steps reduced.

Erster ReduktionsschrittFirst reduction step

Bei dem ersten Reduktionsschritt wird ohne Berücksichtigung der Entscheidung (wach oder bew.) festgestellt, welche der Bedingungsattribute für die Unterscheidung der Objekte nicht erforderlich sind. Nicht erforderlich wäre z.B. ein Bedingungsattribut, welches für alle Objekte die gleichen Werte annimmt, oder ein Bedingungsattribut, welches einzelne Objekte unterscheidet, diese Unterscheidung aber durch andere Bedingungsattribute bereits eindeutig gegeben ist.at the first reduction step is without consideration of the decision (awake or bew.) Determines which of the condition attributes for the distinction the objects are not required. Not required would be e.g. a conditional attribute that is the same for all objects Takes values, or a conditional attribute, which is individual objects distinguishes this distinction by other conditional attributes already clearly given.

Allgemein ausgedrückt kann der erste Reduktionsschritt beispielsweise dadurch ausgeführt werden, dass von jeder Teilmenge der Bedingungsattribute die Äquivalenzklassen gebildet und mit den Äquivalenzklassen verglichen werden, die bei gleichzeitiger Betrachtung aller Bedingungsattribute gefunden werden. Eine Teilmenge der Bedingungsattribute, welche die gleichen Äquivalenzklassen bildet wie die gesamte Menge der Bedingungsattribute, ist dann eine Teilmenge (nachfolgend auch Redukt), auf die die Menge der Bedingungsattribute bei dem ersten Reduktionsschritt reduziert wird.Generally expressed For example, the first reduction step may be performed by that of each subset of the condition attributes, the equivalence classes formed and with the equivalence classes be compared while considering all conditional attributes being found. A subset of the condition attributes, which the same equivalence classes forms like the entire set of condition attributes, then is a subset (below also Reduces) to which the set of conditional attributes is reduced in the first reduction step.

Die Menge der nach dem ersten Reduktionsschritt verbleibenden Bedingungsattribute heißt Redukt. Allgemein sind Redukte die Teilmengen der Bedingungsattribute, welche die Objekte in dieselben Äquivalenzklassen aufteilen wie die Menge aller Bedingungsattribute. In dem Beispiel aus 1 bilden beispielsweise die Bedingungsattribute Median, SEF95 und RMS ein Redukt und teilen die Objekte in die Äquivalenzklassen {1, 6}, {2, 4}, {3}, {5}, {7} und {8}, die auch bei Betrachtung aller Bedingungsattribute Median, SEF95, Crestfaktor und RMS gefunden werden.The amount of condition attributes remaining after the first reduction step is called Re domestic product. Generally, reductions are the subsets of the conditional attributes that divide the objects into the same equivalence classes as the set of all conditional attributes. In the example off 1 For example, the conditional attributes Median, SEF95, and RMS form a reduct and divide the objects into the equivalence classes {1, 6}, {2, 4}, {3}, {5}, {7}, and {8}, which are also considered all condition attributes Median, SEF95, Crest Factor, and RMS are found.

Bei dem in der Tabelle der 1 dargestellten Beispiel folgt somit aus dem ersten Reduktionsschritt, dass das Bedingungsattribut Crestfaktor weggelassen werden kann, weil das Bedingungsattribut Crestfaktor zwar Objekt Nr. 5 von allen anderen Objekten unterscheidet, dieses Objekt aber durch Median und SEF95 bereits eindeutig gekennzeichnet ist. Das Bedingungsattribut Crestfaktor ist somit zur Unterscheidung der Objekte nicht erforderlich und kann deshalb weggelassen werden.When in the table of 1 Thus, from the first reduction step, the conditional attribute crest factor can be omitted because the conditional attribute crest factor distinguishes object number 5 from all other objects, but this object is already uniquely identified by median and SEF95. The conditional attribute crest factor is thus not necessary for distinguishing the objects and can therefore be omitted.

Für den ersten Schritt können Algorithmen angewandt werden, durch die Teilmengen der Bedingungsattribute gebildet werden und durch die geprüft wird, ob dieselben Äquivalenzklassen gebildet werden.For the first Can step Algorithms are applied by the subsets of the conditional attributes are formed and tested by the, whether the same equivalence classes be formed.

Zweiter ReduktionsschrittSecond reduction step

Bei dem zweiten Reduktionsschritt wird unter Berücksichtigung der Entscheidung, d.h. ob der Zustand als „wach" oder „bewusstlos" klassifiziert wird, festgestellt, welche Bedingungsattribute des Redukts (oder aller Bedingungsattribute) für eine Zuordnung der Objekte zu einem Entscheidungsattribut nicht erforderlich sind. Wenn beispielsweise ein Bedingungsattribut nur solche Objekte voneinander unterscheidet, die denselben Wert für das Entscheidungsattribut aufweisen, so ist dieses Bedingungsattribut für die Zuordnung zu einem Entscheidungsattribut nicht erforderlich.at the second reduction step, taking into account the decision, i.e. whether the condition is classified as "awake" or "unconscious", which condition attributes of the reduct (or all condition attributes) for one Mapping the objects to a decision attribute is not required are. For example, if a condition attribute only contains such objects different from each other, the same value for the decision attribute have, then this conditional attribute is for assignment to a decision attribute not mandatory.

Vorzugsweise wird der zweite Reduktionsschritt dadurch ausgeführt, dass zu allen Teilmengen der Bedingungsattribute die Objekte gezählt werden, die nicht mit Hilfe der Bedingungsattribute eindeutig einem Wert des Entscheidungsattributs (d.h. einer Entscheidung) zugeordnet werden können. Diese Zuordnung ist dann nicht möglich, wenn Objekte einer Äquivalenzklasse unterschiedlichen Entscheidungen zugeordnet sind, und sich somit gegenseitig widersprechen. Eine Teilmenge der Bedingungsattribute, bei der sich die Zahl der Objekte, die nicht einer Entscheidung zugeordnet werden können, nicht erhöht, (nachfolgend relatives Redukt) reicht zur Zuordnung der Objekte zu einer Entscheidung aus.Preferably the second reduction step is carried out by adding to all subsets of Condition attributes are counted the objects that are not using the condition attributes are unique to a value of the decision attribute (i.e., a decision). This assignment is then not possible, if objects of an equivalence class different decisions are assigned, and thus contradict each other. A subset of the condition attributes, when the number of objects that is not a decision can be assigned not increased, (below relative reduction) is sufficient for the assignment of the objects to a decision.

Bei dem in der Tabelle der 1 dargestellten Beispiel zeigt der zweite Reduktionsschritt, dass das Bedingungsattribut RMS weggelassen werden kann. Bei diesem Ausführungsbeispiel widersprechen sich die Objekte Nr. 1 und Nr. 6, die der Äquivalenzklasse {1, 6} zugehören und unterschiedlichen Zuständen wach und bewusstlos zugeordnet sind. Das Redukt Median, SEF95, und RMS (und auch die Menge aller Bedingungsattribute Median, SEF95, Crestfaktor und RMS) bewirkt somit, dass zwei Objekte nicht eindeutig einer Entscheidung wachbewusstlos zugeordnet werden können. Die Teilmenge Median und SEF95 bewirkt nicht, dass weitere Objekte nicht eindeutig einer Entscheidung zugeordnet werden können. Ein Weglassen des Bedingungsattributs RMS bewirkt deshalb keine höhere Anzahl von Objekten, die nicht einer Entscheidung zugeordnet werden können, als das Redukt.When in the table of 1 In the example shown, the second reduction step shows that the condition attribute RMS can be omitted. In this embodiment, objects # 1 and # 6, which belong to the equivalence class {1, 6} and are awake and unconsciously associated with different states, contradict each other. The Reduced median, SEF95, and RMS (and also the set of all conditional attributes median, SEF95, crest factor, and RMS) thus causes two objects to be unaware of being unaware of a decision. The subset median and SEF95 does not mean that further objects can not be clearly assigned to a decision. Omitting the condition attribute RMS therefore does not cause a higher number of objects that can not be assigned to a decision than the reduction.

Mit anderen Worten ist RMS zwar notwendig, um das Objekt Nr. 3 von den Objekten Nr. 2 und 4 zu unterscheiden. Da aber alle drei Objekte zum Zustand „wach" gehören, ist diese Unterscheidung für eine Zuordnung zum Entscheidungsattribut nicht notwendig. Die Menge der nach dem zweiten Reduktionsschritt verbleibenden Bedingungsattribute, das heißt das relative Redukt, ist in dem Beispiel aus 1 also Median und SEF95 (siehe auch 2).In other words, RMS is necessary to distinguish the object No. 3 from the objects No. 2 and 4. However, since all three objects belong to the "awake" state, this differentiation is not necessary for an assignment to the decision attribute The amount of condition attributes remaining after the second reduction step, ie the relative decrease, is in the example 1 so median and SEF95 (see also 2 ).

2 zeigt die Entscheidungstabelle aus 1 in reduzierter Form, die auf das relative Redukt, nämlich die Bedingungsattribute Median und SEF95, reduziert ist und in welcher die Objekte Nr. 2, 3 und 4, und somit die zugehörigen EEG-Abschnitte zusammengefasst sind. 2 shows the decision table 1 in a reduced form, reduced to the relative reductions, namely the conditional attributes median and SEF95, and in which objects Nos. 2, 3 and 4, and thus the associated EEG sections, are combined.

Regel-basierte KlassifizierungRule-based classification

Aus einer auf das Redukt oder auf das relative Redukt reduzierten Entscheidungstabelle lassen sich unmittelbar Regeln zur Zuordnung der Objekte zu einem Narkosezustand und daraus ein Entscheidungssystem ableiten. Die Ableitung der Regeln erfolgt nach dem allgemeinen Schema
„WENN [Parameter 1] = [kategorisierter Wert des Parameters 1 in dem Objekt] UND
[Parameter 2] = [kategorisierter Wert des Parameters 2 in dem Objekt] UND
[Parameter 3] = [kategorisierter Wert des Parameters 3 in dem Objekt] UND
.
.
[Parameter n] = [kategorisierter Wert des Parameters n in dem Objekt] DANN
[Entscheidungsattribut] = [Entscheidung in dem Objekt]"
wobei in die Klammern vor dem Gleichheitszeichen jeweils die verwendeten Parameter (hier bspw. Parameter 1: Median und Parameter 2: SEF95) und in die Klammern nach dem Gleichheitszeichen jeweils die kategorisierten Werte dieser verwendeten Parameter einzusetzen sind.From a decision table reduced to the reduct or the relative reductions, rules for the assignment of the objects to anesthesia state can be derived directly, and from this a decision-making system. The derivation of the rules follows the general scheme
"IF [parameter 1] = [categorized value of parameter 1 in the object] AND
[Parameter 2] = [categorized value of parameter 2 in the object] AND
[Parameter 3] = [categorized value of parameter 3 in the object] AND
,
,
[Parameter n] = [categorized value of the parameter n in the object] THEN
[Decision attribute] = [decision in the object] "
in each case the parameters used in the parentheses before the equals sign (here, for example, parameter 1: median and parameter 2: SEF95) and in the parentheses after the equal sign in each case the categorized values of these parameters are to be used.

So erhält man beispielsweise aus der auf das relative Redukt reduzierten Entscheidungstabelle in 2 für Objekt Nr. 8:
„WENN Median = mittel UND SEF95 = hoch DANN Zustand = bew.".For example, one obtains from the decision table reduced to the relative reduction in 2 for object no. 8:
"IF Median = Medium AND SEF95 = High THEN Condition = Weighted".

Diese Regel kann noch vereinfacht werden, weil bei dem in den 1 und 2 dargestellten Beispiel das Bedingungsattribut Median nur in dem Objekt Nr. 8 den Wert „mittel" annimmt. So ist die Regel
„WENN Median = mittel DANN Zustand = bew."
ebenfalls gültigThis rule can be simplified, because in the in the 1 and 2 As shown in the example, the conditional attribute median only takes the value "medium" in object number 8. This is the rule
"IF Median = Medium THEN Condition = Bew"
also valid

Auf die gleiche Weise können für die Objekte Nr. 2 bis 5 und 7 Regeln abgeleitet werden. Aus den Objekten Nr. 1 und 6 können keine gültigen Regeln abgeleitet werden, da diese hinsichtlich ihrer Bedingungsattribute nicht unterscheidbar, aber verschiedenen Entscheidungen zugeordnet sind. Im Allgemeinen können aus einem Objekt auch mehrere gültige Regeln abgeleitet werden. Mit diesen durch einen Mikroprozessor ausführbaren Regeln ist dann eine Zuordnung der extrahierten EEG-Abschnitte mittels der Parameterwerte zu den Narkosezuständen „wach" und „bewusstlos" möglich.On the same way you can for the Objects no. 2 to 5 and 7 rules are derived. From the objects No. 1 and 6 can no valid ones Rules are derived as they are in terms of their conditional attributes indistinguishable, but assigned to different decisions are. In general, you can from one object also several valid Rules are derived. With these through a microprocessor executable Rules is then an assignment of the extracted EEG sections using the parameter values for anesthetic states "awake" and "unconscious" possible.

3 zeigt in einer Tabelle Ergebnisse einer Untersuchung, bei welcher das vorstehend beschriebene Verfahren auf Daten einer Studie mit 40 Patienten angewandt wurde, die sich einer Operation unter Allgemeinanästhesie unterzogen. Bei diesem praktischen Ausführungsbeispiel werden EEG-Signale sowohl im Wachzustand, als auch unter Narkose kontinuierlich abgeleitet. Aus dem EEG werden als Objekte Segmente von 8 s Länge zu gleichen Teilen aus den Zuständen „wach" und „bewusstlos" ausgewählt und zu jedem Segment 52 Parameter berechnet. Die Parameter werden in fünf Gruppen eingeteilt: 24 Basis-Parameter (z.B. RMS/Effektivwert), 20 Spektral-Parameter (z.B. Leistung in Frequenzbändern), 4 statistische Parameter („Statistik" („Stat." in 3) z.B. Schiefe, Exzess), 5 Komplexitätsmaße („Komplexität" („Kompl." in 3) z.B. Shannon Entropie). Zur Kategorisierung der Parameterwerte wird der Wertebereich jedes Parameters in Intervalle aufgeteilt und jeder Parameterwert einem Intervall zugeordnet. Es werden drei verschiedene Kategorisierungen (4, 6, und 8 Intervalle) untersucht. Bei der Festlegung der Intervallgrenzen wird die Verteilung der Parameterwerte auf die Zustände berücksichtigt. 3 shows in a table results of a study in which the method described above was applied to data from a study with 40 patients who underwent surgery under general anesthesia. In this practical embodiment, EEG signals are continuously dissipated both while awake and under anesthesia. Segments of 8 s in length are selected in equal parts from the states "awake" and "unconscious" as objects and 52 parameters are calculated for each segment. The parameters are divided into five groups: 24 basic parameters (eg RMS / RMS value), 20 spectral parameters (eg power in frequency bands), 4 statistical parameters ("Statistics"("Stat." In 3 ) eg skewness, excess), 5 complexity measures ("complexity"("compl." in 3 ) eg Shannon entropy). To categorize the parameter values, the value range of each parameter is divided into intervals and each parameter value is assigned to an interval. Three different categorizations (4, 6, and 8 intervals) are examined. When defining the interval limits, the distribution of the parameter values to the states is taken into account.

Um die Rechenzeiten für eine gleichzeitige Untersuchung aller 52 Parameter zu verkürzen, werden – getrennt nach Parametergruppen – drei Berechnungen durchgeführt, wobei die Gruppen „Statistik" und „Komplexität" zusammengefasst werden, wie aus der Tabelle in 3 hervorgeht. In einer weiteren Berechnung zur Kombination der Gruppen werden die Bedingungsattribute der relativen Redukte der drei Gruppen verwendet.In order to reduce the computation times for a simultaneous examination of all 52 parameters, three computations are performed - separated by parameter groups - and the groups "Statistics" and "Complexity" are combined, as shown in the table in 3 evident. In another calculation for combining the groups, the condition attributes of the relative reductions of the three groups are used.

Für die Anwendung des Verfahrens werden die vorliegenden Objekte, d.h. die Segmente zu 2/3 in eine Trainings- und zu 1/3 in eine Testmenge aufgeteilt. Mit Hilfe der gefundenen Regeln wird für die Objekte der Testmenge ein Zustand bestimmt und die Klassifikationsrate berechnet. Es werden je drei Berechnungen mit unterschiedlichen Trainings- und Testmengen durchgeführt.For the application of the method, the objects present, i. the segments divided into 2/3 in a training and 1/3 in a test amount. With the help of the found rules becomes for the objects of the test set a state is determined and the classification rate calculated. It will three calculations each with different training and test quantities carried out.

Die Tabelle in 3 zeigt u.a. die Anzahl der Bedingungsattribute in den relativen Redukten, die Gesamtzahl der erzeugten Regeln bei dem praktischen Ausführungsbeispiel und die bei diesem erzielten Klassifikationsraten für die Testmengen, die jeweils über die drei Berechnungen gemittelt sind. Bei der Parametergruppe „Kombination" ist die Anzahl der eingehenden Bedingungsattribute in Klammern angegeben.The table in 3 shows, inter alia, the number of condition attributes in the relative reductions, the total number of rules generated in the practical embodiment and the classification rates achieved thereon for the test sets, averaged over the three calculations. For the "Combination" parameter group, the number of incoming condition attributes is shown in parentheses.

Die Anzahl der berechneten Regeln ist in allen Fällen relativ gross. Häufig beschreibt eine Regel nur ein einziges Objekt der Trainingsmenge („Support" der Regel = 1). Die letzten beiden Spalten der Tabelle in 3 zeigen die Anzahl der Regeln und die Klassifikationsrate nach Weglassen der Regeln mit Support 1.The number of calculated rules is relatively large in all cases. Often a rule describes only a single object of the training set ("support" of rule = 1). The last two columns of the table in 3 show the number of rules and the classification rate after omitting the rules with support 1.

Die Untersuchung zeigt, dass das vorgestellte Verfahren die Anzahl der Parameter erheblich reduziert und die erzeugten Regeln befriedigende Klassifikationsraten erzielen. Das Einschränken der Regeln auf solche mit Support grösser als 1 wirkt sich nur minimal auf die Klassifikationsraten aus. Mit zunehmender Anzahl von Intervallen für die Kategorisierung wird die Anzahl der benötigten Parameter und Regeln kleiner, wahrend sich die Klassifikationsrate kaum ändert.The Investigation shows that the presented method the number of Significantly reduces parameters and satisfies the rules generated Achieve classification rates. Restricting the rules to such with support bigger as 1 only minimally affects the classification rates. With increasing number of intervals for the categorization becomes the Number of required Parameters and rules smaller, while the classification rate hardly changes.

Die grosse Anzahl der Regeln ist vor allem darauf zurückzuführen, dass alle Regeln im Hinblick auf die Trainingsmenge unbedingt gültig sein müssen, so dass kleine Störungen, wie bspw. Rauschen, die Erzeugung von wenigen, einfachen Regeln verhindern. Eine Verbesserung kann die Anwendung eines Modells schaffen, in welchem eine geringe Fehlklassifikation der Objekte zugelassen wird.The large number of rules is mainly due to the fact that all rules regarding the amount of training necessarily be valid have to, so that little disturbances, such as noise, the generation of a few simple rules prevent. An improvement can create the application of a model in which allowed a slight misclassification of the objects becomes.

Für die Anwendung des Verfahrens sind kategorische Bedingungsattribute erforderlich, d.h. solche, die nur eine kleine Zahl verschiedener Attributwerte annehmen können. Reellwertige Bedingungsattribute, wie bspw. Spannungswerte, müssen geeignet kategorisiert werden.For the application categorical condition attributes are required i.e. those that have only a small number of different attribute values can accept. Real-valued condition attributes, such as voltage values, must be appropriate be categorized.

Fuzzykategorisierung der BedingungsattributeFuzzy categorization of condition attributes

Nachfolgend wird anhand eines Beispiels unter Bezugnahme auf die 4 bis 9 eine Variante der Kategorisierung (Fuzzykategorisierung) erläutert, bei der eine gezielt unscharfe Kategorisierung der Bedingungsattribute vor dem ersten Reduktionsschritt vorgenommen wird.The following is an example with reference to the 4 to 9 a variant of the categorization (fuzzy categorization) explained, in which a targeted fuzzy categorization of Condition attributes before the first reduction step is made.

In 4 ist eine Tabelle dargestellt, in welcher drei Objekten Nr. 1 bis 3 (d.h. hier bspw. EEG-Signalabschnitte oder EP-Signalabschnitte) Zahlenwerte für drei Bedingungsattribute B1, B2 und B3 zugeordnet sind. Ein Entscheidungsattribut D, das hier die Werte 0 und 1 annimmt, ist für die Objekte Nr. 1 und Nr. 2 auf 1, und für das Objekt Nr. 3 auf 0 gesetzt.In 4 a table is shown in which three objects Nos. 1 to 3 (ie, here, for example, EEG signal sections or EP signal sections) numerical values for three condition attributes B1, B2 and B3 are assigned. A decision attribute D, which takes the values 0 and 1 here, is set to 1 for the objects No. 1 and No. 2, and to 0 for the object No. 3.

5 zeigt beispielsweise anhand des Objektes 1 ein Schema für die Zuordnung der Werte der Bedingungsattribute B1, B2 und B3 zu den Elementen der Grundmengen 1 bis 6, die bspw. durch eine übliche, scharfe Kategorisierung (wie oben beschrieben) bestimmt werden, und Zugehörigkeitsfunktionen μ für die Elemente der Grundmenge. Jeder reelwertige Parameterwert wird zwei Elementen der Grundmenge (zwei Kategorien) unter Verwendung der Zugehörigkeitsfunktionen μ zugeordnet. Diese Elemente werden wie folgt bestimmt:
Für jedes Element der Grundmenge (Kategorie) jedes Parameters wird eine Zugehörigkeitsfunktion bestimmt. Diese ordnet dem reelwertigen Parameterwert einen Zahlenwert zwischen 0 und 1 zu, der ein Mass dafür darstellt, wie sehr (bzw. in welchem Masse) ein (reeler) Parameterwert dem betrachteten Element der Grundmenge zuzuordnen ist. Die Zugehörigkeitsfunktionen nehmen in der Mitte zwischen den Intervallgrenzen den Funktionswert (bei der hier gewählten Normierung) μ = 1 an. Zu grösser werdenden reelen Werten hin fällt μ linear ab, bis zur Mitte zwischen den Grenzen des nächst grösseren Elementes μ = 0 erreicht wird. Für weiter steigende Werte (bzw. für grössere Werte) bleibt μ = 0. Analoges gilt für kleiner werdende Werte (Dreiecksfunktionen). Nur die Zugehörigkeitsfunktionen benachbarter Elemente überlappen, wie in 5 dargestellt ist, und die Summe ihrer Funktionswerte ihre ergibt immer, d.h. für jeden Parameterwert 1. 5 shows for example on the basis of the object 1 a scheme for the assignment of the values of the conditional attributes B1, B2 and B3 to the elements of the basic sets 1 to 6, which are determined, for example, by a conventional, sharp categorization (as described above), and membership functions μ for the elements of the basic set. Each valued parameter value is assigned to two elements of the base set (two categories) using the membership functions μ. These elements are determined as follows:
For each element of the base set (category) of each parameter, a membership function is determined. This assigns to the real valued parameter value a numerical value between 0 and 1, which represents a measure of how much (or to what extent) a (reeler) parameter value is to be assigned to the considered element of the basic quantity. The membership functions assume the function value (with the standardization selected here) in the middle between the interval limits μ = 1. As the real values increase, μ decreases linearly until the middle between the limits of the next larger element μ = 0 is reached. For further increasing values (or for larger values) μ = 0. The same applies to decreasing values (triangular functions). Only the membership functions of adjacent elements overlap, as in 5 is shown, and the sum of their function values is always their, ie for each parameter value 1.

Die Zuordnung der Bedingungsattribute B1, B2 und B3, in 5 durch Zahlenstrahlen dargestellt, erfolgt über die Zugehörigkeitsfunktionen. Wie in 5 gezeigt ist, kann jeder Bedingungsattributwert (höchstens) zwei Elementen der Grundmenge zugeordnet werden, d.h. nur für zwei Elemente der Grundmenge ist μ ≠ 0.The assignment of condition attributes B1, B2 and B3, in 5 represented by number rays, via the membership functions. As in 5 is shown, each condition attribute value can be assigned (at most) to two elements of the base set, ie, only for two elements of the base set is μ ≠ 0.

Für Objekt 1 erhält man z.B. die in einer Tabelle in 6 dargestellte Zuordnung der Zahlenwerte der Bedingungsattribute B1, B2 und B3 („Attribute") zu den Elementen der Grundmenge mit μ ≠ 0. Das kleinere Element aus der Grundmenge 1 bis 6 wird mit Element x bezeichnet, das grössere Element aus der Grundmenge 1 bis 6 mit Element y. Weiter sind Zugehörigkeitsgrade μ_x und μ_y für die beiden Elemente angegeben.For object 1 you get eg the one in a table in 6 shown assignment of the numerical values of the conditional attributes B1, B2 and B3 ("attributes") to the elements of the basic set with μ ≠ 0. The smaller element from the basic set 1 to 6 is denoted by element x, the larger element from the base set 1 to 6 with element y. Further, degrees of membership μ _x and μ _{y are given} for the two elements.

Der Wert 1.7 für B1 wird mit dem Zugehörigkeitsgrad μ_x = 0.3 dem Element 1 der Grundmenge (Elemente x), und mit dem Zugehörigkeitsgrad μ_y = 0.7 dem Element 2 der Grundmenge (Elemente y) zugeordnet (siehe 4 und strichlierte Linie I in 5).The value 1.7 for B1 is assigned to the element 1 of the basic set (elements x) with the membership degree μ _x = 0.3, and to the element 2 of the basic set (elements y) with the membership degree μ _y = 0.7 (see 4 and dashed line I in 5 ).

Entsprechend wird dem Wert 26 für B2 der Zugehörigkeitsgrad μ_x = 0.4 bezüglich des Elementes 2 der Grundmenge (Elemente x), und der Zugehörigkeitsgrad μ_y = 0.6 bezüglich des Elementes 3 der Grundmenge (Element y) zugeordnet (siehe 4 und strichlierte Linie II in 5).Accordingly, the value 26 for B2 is assigned the degree of affiliation μ _x = 0.4 with respect to the element 2 of the basic set (elements x), and the degree of membership μ _y = 0.6 with respect to the element 3 of the basic set (element y) (see 4 and dashed line II in 5 ).

Auf die gleiche Weise wird dem Wert 320 für B3 der Zugehörigkeitsgrad μ_x = 0.8 bezüglich des Elementes 3 der Grundmenge (Element x) und der Zugehörigkeitsgrad μ_y = 0.2 bezüglich des Elementes 4 (Element y) der Grundmenge 4 zugeordnet (siehe 4 und strichlierte Linie III in 5).In the same way the value is 320 for B3 the degree of membership μ _x = 0.8 with respect to the element 3 of the basic amount (Element x) and the degree of membership μ _y = 0.2 of the element (y member) 4 with respect to the basic amount of 4 assigned (see 4 and dashed line III in 5 ).

Für die anderen Objekte Nr. 2 und 3 können auf die gleiche Weise Tabellen erstellt werden, in welchen jedem Bedingungsattributwert (ein oder) zwei Elemente der Grundmengen zugeordnet werden.For the others Objects no. 2 and 3 can open The same way tables are created in which each condition attribute value (one or) two elements of the base sets are assigned.

In 7 ist eine Tabelle dargestellt, in welcher aus einem Objekt, hier bspw. Nr. 1; mehrere Objekte, hier bspw. Nr. 1.1 bis 1.8, erzeugt sind, die jede der in der Tabelle aus 6 enthaltenen Kombinationen der Kategorien (Elemente der Grundmenge) des Objekts Nr. 1 enthält. Hierzu weist die Tabelle in 7 Spalten für die Zuordnung der Elemente der Grundmengen zu den Bedingungsattributen B1, B2 und B3 und Spalten μ_B1, μ_B2 und μ_B3 für Werte von μ auf, welche den Bedingungsattributen B1, B2 und B3 in den Grundmengen jeweils zugeordnet sind.In 7 a table is shown in which from an object, here, for example, no. 1; Several objects, here, for example, No. 1.1 to 1.8, are generated, each of the in the table 6 containing combinations of the categories (elements of the basic set) of the object no. 1. For this, the table in 7 Columns for the assignment of the elements of the base sets to the conditional attributes B1, B2 and B3 and columns μ _B1 , μ _B2 and μ _B3 for values of μ, which are respectively assigned to the conditional attributes B1, B2 and B3 in the basic quantities.

Die Objekte Nr. 1.1 bis 1.4 beziehen sich auf die Kombinationen aus 6, bei welchen B1 dem Wert 1 der Grundmenge zugeordnet ist (Feld links oben in 6 und linke Spalte, obere Hälfte in 7). Bei diesem ist μ_x = 0.3, wie aus der Tabelle in 6 zu sehen ist. μ_B1 ist deshalb für die Objekte Nr. 1.1 bis 1.4 auf 0.3 gesetzt. Die Objekte Nr. 1.5 bis 1.8 beziehen sich auf die Kombinationen aus 6, bei welchen B1 dem Element 2 der Grundmenge zugeordnet ist (6). Bei diesen ist μ_y = 0.7, wie aus der Tabelle in 6 zu sehen ist. μ_B1 ist deshalb für die Objekte Nr. 1.5 bis 1.8 auf μ_B1 = 0.7 gesetzt.The objects Nos. 1.1 to 1.4 refer to the combinations 6 in which B1 is assigned to the value 1 of the basic quantity (field top left in 6 and left column, upper half in 7 ). In this case, μ _x = 0.3, as shown in the table in 6 you can see. μ _B1 is therefore set to 0.3 for the objects Nos. 1.1 to 1.4. The objects Nos. 1.5 to 1.8 relate to the combinations 6 in which B1 the element 2 is assigned to the basic quantity ( 6 ). In these, μ _y = 0.7, as shown in the table in 6 you can see. μ _B1 is therefore set to μ _B1 = 0.7 for the objects Nos. 1.5 to 1.8.

Wie ferner aus der Tabelle von 6 hervorgeht (zweite Reihe) kann B2 den Elementen 2 oder 3 der Grundmenge zugeordnet sein, wobei die Werte μ_x = 0.4 bzw. μ_y = 0.6 in 6 zugeordnet sind. Dementsprechend ist μ_B2 auf 0.4 für die Zuordnung zu Element 2 der Grundmenge und auf 0.6 für die Zuordnung zu Element 3 der Grundmenge gesetzt (vierte Spalte in 7).As further from the table of 6 (B2) can be assigned to elements 2 or 3 of the basic set, the values μ _x = 0.4 and μ _y = 0.6 in 6 assigned. Accordingly, μ _{B2 is set} to 0.4 for the assignment to element 2 of the basic set and to 0.6 for the assignment to element 3 of the basic set (fourth column in FIG 7 ).

Aus der Tabelle von 6 geht des weiteren hervor (dritte Reihe), dass B3 dem Element 3 der Grundmenge oder dem Element 4 der Grundmenge zugeordnet sein kann, wobei die Werte μ_x = 0.8 bzw. μ_y = 0.2 in 6 zugeordnet sind. Dementsprechend ist μ_B3 auf 0.8 für Element 3 und auf 0.2 für Element 4 gesetzt (sechste Spalte in 7).From the table of 6 further states (third row) that B3 can be assigned to element 3 of the basic set or element 4 of the basic set, the values μ _x = 0.8 and μ _y = 0.2 in 6 assigned. Accordingly, μ _{B3 is set} to 0.8 for element 3 and 0.2 for element 4 (sixth column in FIG 7 ).

Dadurch wird eine Kategorisierung erhalten, die aus dem Objekt Nr. 1 von 4 acht Objekte Nr. 1.1 bis 1.8 liefert.This will result in a categorization that will come from object # 1 of 4 eight objects no. 1.1 to 1.8 delivers.

Für diese Objekte Nr. 1.1 bis 1.8 wird jeweils die Summe der Werte der Zugehörigkeitsgrade μ_B1, μ_B2 und μ_B3 gebildet (Sum μ in der rechten Spalte von 7).For these objects Nos. 1.1 to 1.8, the sum of the values of the degrees of membership μ _B1 , μ _B2 and μ _B3 is respectively formed (Sum μ in the right-hand column of FIG 7 ).

Entsprechende Tabellen können in gleicher Weise für die Objekte Nr. 2 und 3 aus 4 erstellt werden, wobei jeweils eine Kategorisierung erhalten wird, die aus den Objekten 2 und 3 jeweils acht Objekte 2.1 bis 2.8 bzw. 3.1 bis 3.8 erzeugt.Corresponding tables can be made in the same way for the objects Nos. 2 and 3 4 are created, in each case a categorization is obtained, which generates from the objects 2 and 3 each eight objects 2.1 to 2.8 or 3.1 to 3.8.

Die 8 bis 10 zeigen jeweils Tabellen, in welchen die auf diese Weise erhaltenen Objekte mit ihren über die jeweilige Zuordnung zu Elementen der Grundmenge kategorisierten Parameterwerten dargestellt sind, und eine Gewichtung der Objekte angegeben ist.The 8th to 10 each show tables in which the objects thus obtained are represented with their parameter values categorized via the respective assignment to elements of the basic set, and a weighting of the objects is indicated.

8 zeigt die Tabelle für das Objekt Nr. 1, bzw. die daraus erzeugten Objekte Nr. 1.1 bis 1.8. Für die hier erfolgende Gewichtung werden die Summenwerte Sum μ aus 7 durch die Gesamtsumme der Summenwerte für alle Objekte (hier bspw. 12, siehe letzte Reihe der Tabelle von 7) geteilt. Ferner ist in der Tabelle in 8 für jedes dieser Objekte die in der Tabelle von 7 eingetragene Zuordnung zu Elementen der Grundmenge der Parameterwerte für die Parameter B1, B2 und B3, sowie der dem Objekt Nr. 1 in 4 zugeordnete Wert des Entscheidungsattributs D angegeben. 8th shows the table for the object no. 1 or the objects no. 1.1 to 1.8 created from it. For the weighting that takes place here, the sum values Sum μ become 7 by the sum total of the sum values for all objects (here, for example, 12, see last row of the table of 7 ) divided. Further, in the table in 8th for each of those objects in the table of 7 Registered assignment to elements of the basic set of parameter values for the parameters B1, B2 and B3 as well as the object no. 1 in 4 assigned value of the decision attribute D specified.

9 zeigt eine entsprechend abgeleitete Tabelle für das Objekt Nr. 2 aus 4, wobei die aus dem Objekt Nr. 2 abgeleiteten Objekte in 9 mit 2.1 bis 2.8 bezeichnet sind. 9 displays a correspondingly derived table for object # 2 4 , where the objects derived from object no 9 with 2.1 to 2.8 are designated.

In 10 ist eine entsprechende Tabelle für das Objekt Nr. 3 aus 4 erstellt.In 10 is a corresponding table for object no. 3 off 4 created.

11 zeigt eine Tabelle, in der die neu erzeugten Tabellen für die Objekte Nr. 1 bis 3 (8 bis 10) vereinigt sind. 11 shows a table in which the newly created tables for the objects Nos. 1 to 3 ( 8th to 10 ) are united.

Hinsichtlich der Objekte Nr. 1 und Nr. 2, die gleiche Werte des Entscheidungsattributs D = 1 aufweisen, werden alle in mindestens einem Attributwert B1 bis B3 unterschiedlichen Objekte der Tabelle aus 9 in die Tabelle aus 8 eingefügt. Treten ununterscheidbare Objekte auf, so wird nur das Gewicht der Tabelle von 8 erhöht.With regard to the objects Nos. 1 and 2 having the same values of the decision attribute D = 1, all the objects of the table different in at least one attribute value B1 to B3 become 9 in the table 8th inserted. If indistinguishable objects occur, then only the weight of the table of 8th elevated.

Bei dem hier beschriebenen Beispiel sind die Objekte 1.5 und 2.4 in 8 bzw. 9 nicht unterscheidbar, weil sie beide die Werte 2, 2, 3, 1 aufweisen. Deshalb wird Objekt 2.4 nicht neu in die Tabelle von 11 eingefügt, sondern das Gewicht von 5' (ursprünglich 1.5) um das Gewicht von 2.4 erhöht. Alle anderen Objekte der Tabelle von 9 werden der Tabelle von 8 hinzugefügt.In the example described here, objects 1.5 and 2.4 are in 8th respectively. 9 indistinguishable because they both have the values 2, 2, 3, 1. Therefore, object 2.4 will not be new to the table from 11 but added the weight of 5 '(originally 1.5) by the weight of 2.4. All other objects of the table of 9 become the table of 8th added.

Hinsichtlich des Objektes Nr. 3, welches einen anderen Wert des Entscheidungsattributes D = 0 aufweist, werden in die letzten acht Reihen in 11 die Reihen der Tabelle aus 10 eingesetzt. Da Objekt 3 einen anderen Wert des Entscheidungsattributes (D = 0) hat, als die Objekte Nr. 1 und 2 aus 4 (D = 1), liefert Objekt Nr. 3 acht weitere neue Objekte. Genauer hat zwar das Objekt 3.2 dieselben Werte für die Attribute B1, B2 und B3 wie Objekt 1.3. Da aber der Wert des Entscheidungsattributes D für das Objekt Nr. 3 sich von den Werten des Entscheidungsattributs D der Objekte Nr. 1 und Nr. 2 unterscheidet, werden die Objekte 3.2 und 1.3 nicht zusammengefasst.With regard to the object No. 3, which has another value of the decision attribute D = 0, the last eight rows in 11 the rows of the table 10 used. Since object 3 has a different value of the decision attribute (D = 0) than objects no. 1 and 2 are off 4 (D = 1), object # 3 returns eight more new objects. More precisely, object 3.2 has the same values for attributes B1, B2 and B3 as object 1.3. However, since the value of the decision attribute D for the object No. 3 differs from the values of the decision attribute D of the objects No. 1 and No. 2, the objects 3.2 and 1.3 are not summarized.

In der endgültigen Tabelle ergibt die Summe der Gewichte die Anzahl der ursprünglichen Objekte.In the final Table gives the sum of the weights the number of original ones Objects.

Die so erhaltene Tabelle kann mit einem Programm weiterverarbeitet werden, welches eine Eingangstabelle verarbeitet, die ein Attribut mit der Anzahl der von einer Zeile beschriebenen Objekte enthält und diese Anzahl bei der Berechnung berücksichtigt. (In der oben beschriebenen Tabelle beschreibt das Gewicht ebenfalls die Anzahl der Objekte, allerdings in Form eines nicht-ganzahligen Wertes).The this table can be further processed with a program, which processes an input table that has an attribute with the Contains number of objects described by a row and these Number taken into account in the calculation. (In the table above, the weight also describes the number of objects, but in the form of a non-integer value).

Anstelle der in Zusammenhang mit 5 beschriebenen und dort gezeigten Dreiecksfunktionen können andere Zugehörigkeitsfunktionen μ verwendet werden. Beispielsweise können trapezförmige Funktionen verwendet werden, in welchen ein mittlerer Abschnitt konstant (bspw. = 1) ist und nur seitliche abfallende Bereiche überlappen. Ebenso kann, anders als in dem in 5 dargestellten Beispiel, eine nicht äquidistante Unterteilung in Elemente der Grundmenge erfolgen. Ausserdem können auch unsymmetrische Zugehörigkeitsfunktionen verwendet werden. Derartige Varianten können verwendet werden, um die Kategorisierung an die jeweils zu kategorisierenden Parameter bzw. Parameterwerte anzupassen.Instead of in connection with 5 described and shown there triangular functions other membership functions μ can be used. For example, trapezoidal functions may be used in which a central portion is constant (eg, = 1) and only lateral sloping portions overlap. Likewise, unlike the one in 5 illustrated example, a non-equidistant subdivision into elements of the basic set done. In addition, unbalanced membership functions can also be used. Such variants can be used to adapt the categorization to the respective parameters or parameter values to be categorized.

Die Grundmenge und die Zugehörigkeitsfunktionen werden im Allgemeinen für jeden Parameter eigens festgelegt. Deshalb kann, anders als bei dem oben beschriebenen Beispiel, die Anzahl der in der Grundmenge enthaltenen Elemente für verschiedene Parameter unterschiedlich sein. Zum Beispiel kann für B1 die Grundmenge nur vier Elemente enthalten und für B3 acht Elemente.The base set and membership functions are generally specified for each parameter. Therefore, unlike the example described above, the number of times in the base set elements for different parameters be different. For example, for B1 the base set can contain only four elements and for B3 eight elements.

Zusammenfassend wird mit diesem Kategorisierungserfahren eine Kategorisierung der Paramterwerte erhalten werden, welche durch die Überschneidung der Grundmengen berücksichtigt, wie nahe ein Parameterwert an der Intervallgrenze einer Grundmenge liegt, weil die bei der Zuordnung eines Parameterwertes jeweils erhaltenen Werte der Zugehörigkeitsfunktionen μ_x und μ_y in einen Gewichtungsfaktor eingehen.In summary, with this categorization method, a categorization of the parameter values is obtained, which, due to the overlapping of the basic quantities, takes into account how close a parameter value lies to the interval boundary of a basic quantity, because the values of the membership functions μ _x and μ _y respectively obtained in the assignment of a parameter value are Weighting factor.

Dieser Gewichtungsfaktor kann dann bei der Anwendung von Regeln, die aus dem jeweiligen Objekt, (bzw. im Ausführungsbeispiel Zeitabschnitt abgeleitet wurden) berücksichtigt werden.This Weighting factor can then be applied when applying rules the respective object, (or in the embodiment time period derived) become.

Abwandlungenmodifications

Bei dem oben beschriebenen Ausführungsbeispiel wird der zweite Reduktionsschritt angewandt, in welchem Bedingungsattribute bestimmt werden, die nicht zur Unterscheidung zwischen den Zuständen „wach" und „bewusstlos" herangezogen werden können, um diese Bedingungsattribute aus der Entscheidungstabelle herauszunehmen. Dieser zweite Reduktionsschritt kann auch weggelassen werden, mit der Folge, dass u. U. redundante Regeln abgeleitet werden.at the embodiment described above the second reduction step is applied, in which condition attributes which are not used to distinguish between the states "awake" and "unconscious" can, to remove these condition attributes from the decision table. This second reduction step can also be omitted with the consequence that u. U. redundant rules are derived.

Ebenso kann die regel-basierte Klassifizierung, die bei den oben beschriebenen Ausführumgsbeispielen angewandt wird, weggelassen werden, und anstelle davon eine andere An der Klassifizierung vorgenommen werden.As well can be the rule-based classification used in the above Ausführumgsbeispielen is omitted, and instead of another To be made to the classification.

Es kann auch der erste Reduktionsschritt weggelassen werden.It The first reduction step can also be omitted.

Im übrigen ist das beschriebene Verfahren auch dafür geeignet, mehr als zwei Zustände zu behandeln. Das Verfahren kann deshalb auch zur Unterscheidung mehrerer Narkosestadien genutzt werden und ist nicht auf die Unterscheidung der Zustände „wach" und „bewusstlos" beschränkt.Otherwise it is the method described is also suitable for treating more than two states. The method can therefore also be used to distinguish between several anesthetic stages and is not limited to distinguishing the states "awake" and "unconscious".

Bei dem in den 1 und 2 dargestellten Ausführungsbeispiel können aus den Objekten Nr. 1 und 6 keine gültigen Regeln erzeugt werden, da diese hinsichtlich ihrer Bedingungsattribute nicht unterscheidbar, aber verschiedenen Entscheidungen zugeordnet sind. Für diese werden keine Regeln erzeugt.In the in the 1 and 2 In the embodiment shown, no valid rules can be generated from the objects Nos. 1 and 6, since these are not distinguishable with regard to their condition attributes but are assigned to different decisions. No rules are generated for these.

In dem Ausführungsbeispiel werden für das Narkosemonitoring EEG-Signale verwendet. Das Verfahren ist hierauf nicht beschränkt, sondern kann entsprechend auch mit anderen Biosignalen, wie beispielsweise Blutdruckwerten ausgeführt werden.In the embodiment be for the anesthesia monitoring uses EEG signals. The method is on it not limited but can also be used with other biosignals, such as Blood pressure values executed become.

Claims (8)

Verfahren zur Auswahl von Parametern für das Narkosemonitoring aus einem Biosignal, insbesondere aus EEG- und EP-Signalen, umfassend die Schritte: – Extrahieren von Zeitabschnitten (Nr. 1 bis 8) aus dem erfassten Biosignal, – Bestimmen von Zahlenwerten, die vorbestimmte Parameter (Median, SEF95, ..) in den Zeitabschnitten (Nr. 1 bis 8) jeweils annehmen, – Einordnen dieser Parameterwerte in vorbestimmte Kategorien (niedrig/mittel/hoch), – Vergleich der kategorisierten Parameterwerte der Zeitabschnitte (Nr. 1 bis 8), um festzustellen, welche Parameter für eine Unterscheidung eines Zeitabschnitts von den anderen Zeitabschnitten entbehrlich sind, und – Eliminieren der Parameter, die für eine Unterscheidung der Zeitabschnitte (Nr. 1 bis 8) entbehrlich sind.Method for selecting parameters for anesthesia monitoring from a biosignal, in particular from EEG and EP signals, comprising the steps: - Extract of periods (Nos. 1 to 8) from the detected biosignal, - Determine of numerical values, the predetermined parameters (median, SEF95, ..) in each of the periods (Nos. 1 to 8), - Classify these parameter values into predetermined categories (low / medium / high), - Comparison of the categorized parameter values of the periods (Nos. 1 to 8) to determine which parameters are required for a distinction Period are dispensable from the other periods, and - Eliminate the parameter for a distinction between the periods (Nos. 1 to 8) dispensable are. Verfahren nach Anspruch 1, wobei von jeder Teilmenge der Bedingungsattribute Mengen von Zeitabschnitten (Äquivalenzklassen) gebildet werden, die bezüglich dieser Teilmenge nicht unterscheidbar sind, um mit der Menge von Zeitabschnitten (Äquivalenzklassen) verglichen zu werden, die bei gleichzeitiger Betrachtung aller Bedingungsattribute gefunden werden, und bei Übereinstimmung der Mengen von Zeitabschnitten (Äquivalenzklassen) festgestellt wird, dass ein in dieser Teilmenge nicht enthaltener Parameter für eine Unterscheidung eines Signal-Zeitabschnitts von den anderen Zeitabschnitten entbehrlich ist.The method of claim 1, wherein each subset the condition attributes sets of periods (equivalence classes) which are re this subset are indistinguishable with the amount of Time periods (equivalence classes) to be compared while considering all conditional attributes be found, and at agreement the quantities of periods (equivalence classes) it is determined that one not included in this subset Parameters for a distinction of one signal period from the other Time is unnecessary. Verfahren nach Anspruch 1 oder 2, wobei – für jeden extrahierten Zeitabschnitt (Nr. 1 bis 8) ein Narkosezustand (wach bewusstlos) während des jeweils zugehörigen Zeitabschnittes bestimmt wird, – die kategorisierten Parameterwerte der Zeitabschnitte (Nr. 1–8), die dem selben Narkosezustand zugeordnet sind, verglichen werden, um festzustellen, welche Parameter zur Zuordnung des Narkosezustands erforderlich sind, und wobei – Parameter eliminiert werden, die nicht zur Zuordnung des Narkosezustands erforderlich sind (zweiter Reduktionsschritt).A method according to claim 1 or 2, wherein - for each extracted period (Nos. 1 to 8) anesthesia state (aw unconscious) during of the respectively associated Time period is determined - the categorized parameter values the periods (Nos. 1-8), which are assigned to the same state of anesthesia, are compared to determine what parameters to assign the state of anesthesia are required, and where - parameters are eliminated, which are not required for the classification of anesthesia condition (second reduction step). Verfahren nach Anspruch 3, wobei zu allen Teilmengen der Bedingungsattribute die Zeitabschnitte gezählt werden, die nicht einem Wert des Entscheidungsattributs (Narkosezustand) zugeordnet werden können, weil sie einer Äquivalenzklasse und unterschiedlichen Werten des Entscheidungsattributes (Narkosezustand) zugeordnet sind, und bei Übereinstimmung der Zahl der Zeitabschnitte, die nicht einem Wert des Entscheidungsattributs (Narkosezustand) zugeordnet werden können, festgestellt wird, dass ein in dieser Teilmenge nicht enthaltener Parameter zur Zuordnung des Narkosezustands nicht erforderlich ist.A method according to claim 3, wherein for all subsets of the conditional attributes, the time periods which can not be assigned to a value of the decision attribute (anesthetic condition) are counted, because they are associated with an equivalence class and different values of the decision attribute (anesthetic condition), and if the number of Time periods that do not match a value of the decision attribute (Narko state) can be assigned, it is determined that a parameter not included in this subset for the assignment of the anesthetic state is not required. Verfahren nach einem der vorhergehenden Ansprüche, wobei aus den kategorisierten Parameterwerten eines oder mehrerer Zeitabschnitte ein Entscheidungssystem (basiert auf Regeln) abgeleitet wird, das eine Zuordnung von Parameterwerten eines jeweils entsprechenden Zeitabschnittes zu einem Narkosezustand (wach bewusstlos) ermöglicht.Method according to one of the preceding claims, wherein from the categorized parameter values of one or more time periods a decision-making system (based on rules) is derived that an assignment of parameter values of a corresponding one Time period to anesthesia state (awake unconscious) allows. Verfahren nach einem der vorhergehenden Ansprüche, wobei für das Einordnen von Parameterwerten eine Fuzzykategorisierung angewandt wird.Method according to one of the preceding claims, wherein for the Classifying parameter values a fuzzy categorization applied becomes. Verfahren nach einem der vorhergehenden Ansprüche, wobei den Zeitabschnitten Gewichtungen zugeordnet werden.Method according to one of the preceding claims, wherein Weightings are assigned to the time periods. Verfahren nach Anspruch 7, wobei bei der Bildung von Regeln den gebildeten Regeln eine Gewichtung zugeordnet wird, die aus den Gewichtungen der Zeitabschnitte bestimmt wird.The method of claim 7, wherein in the formation of rules is assigned a weighting to the formed rules, which is determined from the weightings of the time periods.