Resumen

Una de las tareas importantes en el quirófano es la monitorización de la profundidad de la anestesia (DoA) durante la cirugía, y las técnicas no invasivas son muy populares. Por lo tanto, proponemos un nuevo esquema para la monitorización de la DoA considerando el análisis de tiempo-frecuencia de las señales de electroencefalografía (EEG) y las características GLCM extraídas de ellas. Para ello, en primer lugar, se calcula el mapa de tiempo-frecuencia (TFM) de cada canal de cada EEG mediante la distribución suavizada de pseudo-Wigner-Ville (SPWVD), donde la señal de EEG utilizada en este trabajo se registra en 15 canales. A continuación, se considera la matriz de coocurrencia de niveles de gris (GLCM) para obtener el contenido de la TFM, y después se obtienen cuatro características como la homogeneidad, la correlación, la energía y el contraste para cada GLCM. Por último, tras la selección de características eficientes mediante el método de mínima redundancia y máxima relevancia (MRMR), se utiliza el clasificador K-nearest neighbor (KNN) para determinar la DoA. En este caso, consideramos los tres estados, a saber, hipnótico profundo, anestesia quirúrgica y estados de sedación y vigilia según el índice biespectral (BIS), y cada época de EEG se clasifica en estos estados. También empleamos el aumento de datos para mejorar la fase de entrenamiento y aumentar la precisión. Obtenemos la precisión y la matriz de confusión del método propuesto. También analizamos los efectos de un número de niveles de gris de GLCM, la medida de distancia en el clasificador KNN y los parámetros de aumento de datos en el rendimiento del método propuesto. Los resultados indican la eficacia del método propuesto para determinar la DoA durante la cirugía.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos propuestos, aumento de datos, profundidad de la anestesia, relevancia máxima de la redundancia, contenido de tfm, nivel de glcm, análisis de electroencefalografía, parámetros de datos, mapa de frecuencias, características eficientes
• Keywords:proposed methods, data augmentation, depth of anesthesia, redundancy maximum relevance, content of tfm, level of glcm, analysis of electroencephalography, parameters of data, frequency map, efficient features