تعيين عمق بيهوشي براساس سيگنال الكتروانسفالوگرام با استفاده از روش‌هاي موثر ارتباطات مغزي بين نواحي فرونتال و تمپورال

Depth of anesthesia estimation based on EEG signal using effective brain connectivity between frontal and temporal regions

زمينه و هدف: اطمينان از كافي بودن عمق بيهوشي به هنگام عمل جراحي امري ضروري براي متخصصين بيهوشي، به‌منظور پيشگيري از احتمال بروز حالاتي چون هشياري ناخواسته در حين عمل جراحي و يا عدم بازگشت بيمار به هشياري مي‌باشد. مطالعه حاضر با هدف تعيين عمق بيهوشي براساس سيگنال الكتروانسفالوگرم با استفاده از روش‌هاي موثر ارتباطات مغزي بين نواحي فرونتال و تمپورال انجام شده است. روش بررسي: در اين پژوهش كه از ارديبهشت تا دي 1397 در تهران به طول انجاميده است، از سيگنال الكتروانسفالوگرافي هشت نفر از بيماران بيمارستان وايكاتو نيوزلند (Waikato District Health Board, Hamilton, New Zealand) كه تحت بيهوشي پروپوفول قرار گرفته بودند، استفاده شده است. در اين مطالعه، ارتباطات مغزي موثر در نواحي فرونتال و تمپورال مغز با استفاده از روش‌هاي مختلف عليت گرنجر (Granger-Geweke causality, GGC) استخراج گرديده است. استخراج شاخص‌هاي ارتباط موثر در سه حالت (بيداري، بيهوشي و ريكاوري) محاسبه گرديده و سپس در انتها از شبكه عصبي پرسپترون (Perceptron neural network) به‌منظور طبقه‌بندي اتوماتيك فازهاي بيهوشي استفاده شده است. يافته‌ها: نتايج براي كليه دادگان نشان مي‌دهد كه روش تابع انتقال جهت‌دار شده به‌دليل واكنش سريع‌تر در هنگام دريافت دارو، تغييرات كم و توانايي بهتر در تشخيص اتوماتيك سه حالت بيهوشي در هنگام استفاده از شبكه عصبي مصنوعي، بهتر از شاخص BIS به‌عنوان مرجع حال حاضر تعيين عمق بيهوشي در استفاده‌هاي كلينيكال عمل مي‌كند. نتيجه‌گيري: تابع انتقال جهت‌دار مي‌تواند اثر داروي پروپوفول را به‌طور موثر دنبال كند و حالت‌هاي بيهوشي را نسبت به ساير شاخص‌هاي ارتباطات موثر به‌خوبي تخمين بزند. همچنين اين روش بهتر از شاخص BIS به‌عنوان يك مانيتور تجاري عمق بيهوشي عمل كرد.

Background: Ensuring adequate depth of anesthesia during surgery is essential for anesthesiologists to prevent the occurrence of unwanted alertness during surgery or failure to return to consciousness. Since the purpose of using anesthetics is to affect the central nervous system, brain signal processing such as electroencephalography (EEG) can be used to predict different levels of anesthesia. Anesthesia disrupts the interaction between different regions of the brain, so brain connectivity between different areas can be a key factor in the anesthesia process. This study aims to determine the depth of anesthesia based on the EEG signal using the effective brain connectivity between frontal and temporal regions. Methods: This study, which is done from April to December 2018 in Tehran, used EEG signals recorded from eight patients undergoing Propofol anesthesia at Waikato Hospital of New Zealand. In this study, effective brain connectivity in the frontal and temporal regions have been extracted by using various Granger causality methods, including directional transfer function, normalized directional transfer function, partial coherence, partial oriented coherence, and imaginary coherence. The extraction of effective connectivity indices in three modes (awake, anesthesia and recovery) was calculated using MATLAB software. The perceptron neural network is then used to automatically classify the anesthetic phases (Awake, Anesthesia, and recovery). Results: The results show that the directional transfer function method has a high correlation coefficient with BIS in all cases. Also, the directional transfer function index due to faster response on the drug, low variability, and better ability to track the effect of Propofol works better than the BIS index as a commercial anesthetic depth monitor in clinical application. Also, when using an artificial neural network, our index has a better ability to automatically detect three anesthesia than the BIS index. Conclusion: The directional transfer function between the pair of EEG signals in the frontal and temporal regions can effectively track the effect of Propofol and estimate the patient's anesthesia well compared to other effective connectivity indexes. It also works better than the BIS index in clinical centers.