DE10339713A1 - Method for selecting parameters from an EEG signal for anesthesia monitoring - Google Patents
Method for selecting parameters from an EEG signal for anesthesia monitoring Download PDFInfo
- Publication number
- DE10339713A1 DE10339713A1 DE10339713A DE10339713A DE10339713A1 DE 10339713 A1 DE10339713 A1 DE 10339713A1 DE 10339713 A DE10339713 A DE 10339713A DE 10339713 A DE10339713 A DE 10339713A DE 10339713 A1 DE10339713 A1 DE 10339713A1
- Authority
- DE
- Germany
- Prior art keywords
- periods
- parameters
- objects
- nos
- assigned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 8
- 206010002091 Anaesthesia Diseases 0.000 title claims description 18
- 230000037005 anaesthesia Effects 0.000 title claims description 18
- 230000003444 anaesthetic effect Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims description 28
- 208000003443 Unconsciousness Diseases 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000000763 evoking effect Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002695 general anesthesia Methods 0.000 description 3
- 241001136792 Alle Species 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000036626 alertness Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
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:
Bei
einem Ausführungsbeispiel,
das unter Bezugnahme auf
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
- – 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).
- - 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
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
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
Bei
dem in der Tabelle der
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
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
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
„WENN
Median = mittel UND SEF95 = hoch DANN Zustand = bew.".For example, one obtains from the decision table reduced to the relative reduction in
"IF Median = Medium AND SEF95 = High THEN Condition = Weighted".
Diese
Regel kann noch vereinfacht werden, weil bei dem in den
„WENN Median
= mittel DANN Zustand = bew."
ebenfalls
gültigThis rule can be simplified, because in the in the
"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.
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
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
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
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
In
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
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
Die
Zuordnung der Bedingungsattribute B1, B2 und B3, in
Für Objekt
1 erhält
man z.B. die in einer Tabelle in
Der
Wert 1.7 für
B1 wird mit dem Zugehörigkeitsgrad μx =
0.3 dem Element 1 der Grundmenge (Elemente x), und mit dem Zugehörigkeitsgrad μy = 0.7
dem Element 2 der Grundmenge (Elemente y) zugeordnet (siehe
Entsprechend
wird dem Wert 26 für
B2 der Zugehörigkeitsgrad μx =
0.4 bezüglich
des Elementes 2 der Grundmenge (Elemente x), und der Zugehörigkeitsgrad μy =
0.6 bezüglich
des Elementes 3 der Grundmenge (Element y) zugeordnet (siehe
Auf
die gleiche Weise wird dem Wert 320 für B3 der Zugehörigkeitsgrad μx =
0.8 bezüglich
des Elementes 3 der Grundmenge (Element x) und der Zugehörigkeitsgrad μy =
0.2 bezüglich
des Elementes 4 (Element y) der Grundmenge 4 zugeordnet (siehe
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
Die
Objekte Nr. 1.1 bis 1.4 beziehen sich auf die Kombinationen aus
Wie
ferner aus der Tabelle von
Aus
der Tabelle von
Dadurch
wird eine Kategorisierung erhalten, die aus dem Objekt Nr. 1 von
Für diese
Objekte Nr. 1.1 bis 1.8 wird jeweils die Summe der Werte der Zugehörigkeitsgrade μB1, μB2 und μB3 gebildet
(Sum μ in
der rechten Spalte von
Entsprechende
Tabellen können
in gleicher Weise für
die Objekte Nr. 2 und 3 aus
Die
In
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
Bei
dem hier beschriebenen Beispiel sind die Objekte 1.5 und 2.4 in
Hinsichtlich
des Objektes Nr. 3, welches einen anderen Wert des Entscheidungsattributes
D = 0 aufweist, werden in die letzten acht Reihen in
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
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 μx und μy 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
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)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10339713A DE10339713A1 (en) | 2003-08-28 | 2003-08-28 | Method for selecting parameters from an EEG signal for anesthesia monitoring |
PCT/EP2004/009593 WO2005022398A1 (en) | 2003-08-28 | 2004-08-27 | Method for selecting parameters from an eeg signal for monitoring narcosis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10339713A DE10339713A1 (en) | 2003-08-28 | 2003-08-28 | Method for selecting parameters from an EEG signal for anesthesia monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10339713A1 true DE10339713A1 (en) | 2005-03-31 |
Family
ID=34223205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10339713A Withdrawn DE10339713A1 (en) | 2003-08-28 | 2003-08-28 | Method for selecting parameters from an EEG signal for anesthesia monitoring |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE10339713A1 (en) |
WO (1) | WO2005022398A1 (en) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4454886A (en) * | 1981-09-14 | 1984-06-19 | Lee Arnold S J | EEG With audio output |
US6493576B1 (en) * | 1996-06-17 | 2002-12-10 | Erich Jaeger Gmbh | Method and apparatus for measuring stimulus-evoked potentials of the brain |
US6801803B2 (en) * | 2000-10-16 | 2004-10-05 | Instrumentarium Corp. | Method and apparatus for determining the cerebral state of a patient with fast response |
-
2003
- 2003-08-28 DE DE10339713A patent/DE10339713A1/en not_active Withdrawn
-
2004
- 2004-08-27 WO PCT/EP2004/009593 patent/WO2005022398A1/en active Application Filing
Non-Patent Citations (7)
Title |
---|
Antunes Luis M, Golledge Huw D R, Roughan Johnny V, Flecknell Paul A: "Comparsion of electroenceph- alogram activity and auditory evoked responses during isoflurane and halothane anaesthesia in the rat", IN: Veterinary anaesthesia, Jan. 2003, Vol. 30, Nr. 1, S. 15-23 |
Antunes Luis M, Golledge Huw D R, Roughan Johnny V, Flecknell Paul A: "Comparsion of electroenceph-alogram activity and auditory evoked responses during isoflurane and halothane anaesthesia in the rat", IN: Veterinary anaesthesia, Jan. 2003, Vol. 30, Nr. 1, S. 15-23 * |
apitanio L, Jensen E W, Filligoi G C, Makovec B, Gagliardi M, Henneberg S W, Lindholm P, Cerutti S:"On-line analysis of AEP and EEG for monitoring depth of anaesthesia", IN: Methods of inform. in medicine, Dez. 1997, Vol. 36, Nr. 4-5, S. 311-314 * |
Audersch S.: "Datenreduktion für Data Mining", Rostock, 1999, (rech. am 25.02.04). Im Internet: <URL:http://wwwdb.informatik.uni |
Capitanio L, Jensen E W, Filligoi G C, Makovec B, Gagliardi M, Henneberg S W, Lindholm P, Cerutti S: "On-line analysis of AEP and EEG for monitoring depth of anaesthesia", IN: Methods of inform. in medicine, Dez. 1997, Vol. 36, Nr. 4-5, S. 311-314 |
Nayak,A., Roy,M.S., Roy,R.J.: "Neural networks for predicting depth of anaesthesia from auditory evoked potentials: a comparsion of the wavelet transform with autoregressive modeling and power spectrum feature extraction methods", IN IEEE Engineering in Medicine and Biology Society, 17th Annual Conf., 20-23. Sept. 1995, Vol.1, S.797-798 |
Nayak,A., Roy,M.S., Roy,R.J.: "Neural networks forpredicting depth of anaesthesia from auditory evoked potentials: a comparsion of the wavelet transform with autoregressive modeling and power spectrum feature extraction methods", IN IEEE Engineering in Medicine and Biology Society, 17th Annual Conf., 20-23. Sept. 1995, Vol.1, S.797-798 * |
Also Published As
Publication number | Publication date |
---|---|
WO2005022398A1 (en) | 2005-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3019080B1 (en) | Method for automatically evaluating an absence eeg, computer program and evaluating device therefor | |
EP1200905B1 (en) | Recognition of a useful signal in a measurement signal | |
EP1098593B1 (en) | Device for determining depth of sleep | |
DE102016209032B3 (en) | Image-providing method for carrying out a medical examination together with the associated imaging system and associated computer program product | |
EP2811898B1 (en) | Method for determining the physical and/or mental state of a test subject by analysing variations in their heart rate | |
EP0828225A1 (en) | Process and means for analysing EEG data | |
DE3620220A1 (en) | ELECTRICAL STIMULATOR FOR BIOLOGICAL TISSUE WORKING WITH LIMITATION OF THE OUTPUT SIGNAL | |
DE3810236A1 (en) | METHOD FOR ANALYZING AN ELECTRORETINOGRAM | |
DE60009153T2 (en) | DEVICE AND METHOD FOR IMPROVING THE PERCEPTION | |
EP4221569A1 (en) | Method for classifying a polysomnography recording into defined sleep stages | |
DE19627848A1 (en) | Process for perimetrizing the visual field of the human eye | |
DE3511697C2 (en) | ||
DE10339713A1 (en) | Method for selecting parameters from an EEG signal for anesthesia monitoring | |
DE10036842A1 (en) | Evaluation method for determining the temporal stationarity of measured physiological signals | |
EP0813840B1 (en) | Method and system for measuring cerebral evoked response potentials | |
WO2020193116A1 (en) | Method for classifying a polysomnography recording into defined sleep stages | |
DE112019007067T5 (en) | DEVICE AND METHOD FOR AUTOMATICALLY TESTING AN AUDITORICAL BRAINSTEM REACTION | |
DE102019203052B4 (en) | Method and device for detecting diaphragmatic contractions | |
DE3417417A1 (en) | Method of verifying the expected market acceptance of products with the aid of surveys | |
WO2022122307A1 (en) | Comparing a first artificial neural network with a second artificial neural network | |
AT502014B1 (en) | METHOD FOR CONVERTING EEG MEASURED HEADS TO A MULTI-DIMENSIONAL ILLUSTRATION | |
Mader | Kritisch n-fach kantenzusammenhängende Graphen | |
WO2004049190A2 (en) | Method for evaluating a sequence of discrete readings | |
DE10100663A1 (en) | EEG stimulation method and appliance include sensors, biofeedback input, evaluation system, modulation signal, stimulation system and signal | |
Graser | Die Butter-und Margarinenachfrage in der BR Deutschland |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20130301 |