|
|
مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران، جلد ۷۸، شماره ۶، صفحات ۳۷۹-۳۸۷
|
|
|
| عنوان فارسی |
تعیین عمق بیهوشی براساس سیگنال الکتروانسفالوگرام با استفاده از روش‌های موثر ارتباطات مغزی بین نواحی فرونتال و تمپورال |
|
| چکیده فارسی مقاله |
زمینه و هدف: اطمینان از کافی بودن عمق بیهوشی به هنگام عمل جراحی امری ضروری برای متخصصین بیهوشی، به‌منظور پیشگیری از احتمال بروز حالاتی چون هشیاری ناخواسته در حین عمل جراحی و یا عدم بازگشت بیمار به هشیاری می‌باشد. مطالعه حاضر با هدف تعیین عمق بیهوشی براساس سیگنال الکتروانسفالوگرم با استفاده از روش‌های موثر ارتباطات مغزی بین نواحی فرونتال و تمپورال انجام شده است. روش بررسی: در این پژوهش که از اردیبهشت تا دی 1397 در تهران به طول انجامیده است، از سیگنال الکتروانسفالوگرافی هشت نفر از بیماران بیمارستان وایکاتو نیوزلند (Waikato District Health Board, Hamilton, New Zealand) که تحت بیهوشی پروپوفول قرار گرفته بودند، استفاده شده است. در این مطالعه، ارتباطات مغزی موثر در نواحی فرونتال و تمپورال مغز با استفاده از روش‌های مختلف علیت گرنجر (Granger-Geweke causality, GGC) استخراج گردیده است. استخراج شاخص‌های ارتباط موثر در سه حالت (بیداری، بیهوشی و ریکاوری) محاسبه گردیده و سپس در انتها از شبکه عصبی پرسپترون (Perceptron neural network) به‌منظور طبقه‌بندی اتوماتیک فازهای بیهوشی استفاده شده است. یافته‌ها: نتایج برای کلیه دادگان نشان می‌دهد که روش تابع انتقال جهت‌دار شده به‌دلیل واکنش سریع‌تر در هنگام دریافت دارو، تغییرات کم و توانایی بهتر در تشخیص اتوماتیک سه حالت بیهوشی در هنگام استفاده از شبکه عصبی مصنوعی، بهتر از شاخص BIS به‌عنوان مرجع حال حاضر تعیین عمق بیهوشی در استفاده‌های کلینیکال عمل می‌کند. نتیجه‌گیری: تابع انتقال جهت‌دار می‌تواند اثر داروی پروپوفول را به‌طور موثر دنبال کند و حالت‌های بیهوشی را نسبت به سایر شاخص‌های ارتباطات موثر به‌خوبی تخمین بزند. همچنین این روش بهتر از شاخص BIS به‌عنوان یک مانیتور تجاری عمق بیهوشی عمل کرد. |
|
| کلیدواژه‌های فارسی مقاله |
بیهوشی، مغز، سیگنال الکتروانسفالوگرام، شبکه عصبی. |
|
| عنوان انگلیسی |
Depth of anesthesia estimation based on EEG signal using brain effective connectivity between frontal and temporal regions |
|
| چکیده انگلیسی مقاله |
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. |
|
| کلیدواژه‌های انگلیسی مقاله |
anesthesia, brain, electroencephalography, neural network. |
|
| نویسندگان مقاله |
ساناز جعفری | Sanaz Jafari
Department of Biomedical Engineering, Faculty of Engineering, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد تهران مرکز، تهران، ایران.
احمد شالباف | Ahmad Shalbaf
Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهیدبهشتی، تهران، ایران.
جمی اسلی | Jamie Sleigh
Department of Anesthesia, Waikato Hospital, Hamilton, New Zealand.
گروه بیهوشی، بیمارستان وایکاتو، همیلتون، نیوزلند.
|
|
| نشانی اینترنتی |
http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-302&slc_lang=other&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
other |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
مقاله اصیل |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|