Purskevaimentuman automaattinen detektointi monikanavaisesta EEG:stä

Abstract

Purskevaimentumailmiö (Burst Suppression Pattern, BSP) on voimakkaaseen aivotoiminnan vaimentumiseen viittaava aivosähkökäyrän (elektroenkefalografia, EEG) aaltomuoto, jota tavataan yleisesti syvillä yleisanestesian tasoilla, mutta myös useiden vakavien neuropatologisten tilojen yhteydessä. BSP:n luotettava ja ajallaan tapahtuva tunnistaminen sekä analyysi on erittäin tärkeää kliinisessä ympäristössä. Purskevaimentuma-EEG:n ominaisuuksia ja trendejä seuraamalla voidaan esimerkiksi arvioida ja ohjata anestesian syvyystasoa hoidon tarpeiden mukaan, kun taas patologisissa yhteyksissä sitä käytetään useimmiten prognostisena työkaluna.

Tässä työssä kehitettiin suhteellisiin MNLEO (Mean Nonlinear Energy Operator, keskimääräinen epälineaarinen energiaoperaattori)-piirrearvoihin perustuva menetelmä, joka detektoi automaattisesti purskevaimentumailmiön ja laskee sille sen tasoa kuvaavan purskevaimentumasuhteen (Burst Suppression Ratio, BSR) monikanavaisesta EEG:stä. Jotta tunnistuksessa voitaisiin huomioida BS-EEG:n kanava- ja potilaskohtaiset erot sekä sen ajassa muuttuvat ominaisuudet, detektointi suoritettiin käyttämällä piirteelle perinteisen absoluuttisen kynnysarvon sijaan suhteellista kynnysarvoa testi-ikkunan ja sen läheisyydessä olevan referenssi-ikkunan välillä. BSP:t luokiteltiin aluksi purskeja suppressiojaksoihin kanavoittain ja sen jälkeen paikallisesti aivoalueita vastaavissa elektrodiryhmissä kanavakohtaisten luokittelusignaalien perusteella. Jokainen näytepiste luokiteltiin paikalliseksi purskeeksi sillä ehdolla, että vähintään puolet sen alueen kanavista oli pursketilassa, muussa tapauksessa näytepiste luokiteltiin vaimentumaksi.

Algoritmin toimintaa testattiin neljän potilaan propofolianestesiassa tallennettua EEG-dataa käyttäen. Testauksen perusteella algoritmi todettiin purskevaimentuman detektointiin toimivaksi, mutta ohjelman parametrien optimoimiseksi sitä tulisi testata vielä suuremmalla datajoukolla.

Burst Suppression Pattern (BSP) is an electroencephalographic (EEG) waveform that refers to strong attenuation of the brain activity and it can be seen in the stages of deep general anesthesia but also in connection with many severe neuropathological states. In the clinical environment it is of great importance that BSP can be reliably and timely detected and analysed. For example, by monitoring the properties and trends of the burst suppression, it is possible to evaluate and control the depth of anesthesia according to the needs of the treatment, whereas in pathological cases it is most often used as a prognostic tool.

In this bachelor’s thesis I developed a method based on relative MNLEO (Mean Nonlinear Energy Operator) feature that automatically detects the burst suppression pattern and quantifies its level with Burst Suppression Ratio (BSR) from multi-channel EEG. In order to take account of not only the differencies between BS-EEG’s channels and between patients, but also due to its dynamic characteristics, the detection was performed using a relative threshold between the test window and the reference window in its vicinity instead of the traditional absolute threshold value. BSPs were initially classified into burst and suppression periods channelwise and then locally in brain regions using channel-specific classification signals. Provided that at least half of the channels in the same area were in burst state, each sampling point was classified as a local burst, otherwise the sampling point was classified as a suppression.

The functionality of the algorithm was tested with EEG-data of four patients recorded in propofol anesthesia. Algorithm was found to be functional but it should be tested with larger set of data to optimize its parameters.