Automated EEG Preprocessing during Anaesthesia: New Aspects Using Artificial Neural Networks
| LEADER | caa a22 4500 | ||
|---|---|---|---|
| 001 | 378902504 | ||
| 003 | CHVBK | ||
| 005 | 20180305123521.0 | ||
| 007 | cr unu---uuuuu | ||
| 008 | 161128e20040501xx s 000 0 ger | ||
| 024 | 7 | 0 | |a 10.1515/BMT.2004.025 |2 doi |
| 035 | |a (NATIONALLICENCE)gruyter-10.1515/BMT.2004.025 | ||
| 245 | 0 | 0 | |a Automated EEG Preprocessing during Anaesthesia: New Aspects Using Artificial Neural Networks |h [Elektronische Daten] |c Automatische EEG-Präprozessierung während der Anästhesie: neue Aspekte unter Verwendung von künstlichen neuronalen Netzen / [C Jeleazcov, S Egner, F Bremer, H Schwilden] |
| 520 | 3 | |a The computer-aided detection of artefacts became an essential task with increasing automation of quantitative electroencephalogram (EEG) analysis during anaesthesiological applications. The different algorithms published so far required individual manual adjustment or have been based on limited decision criteria. In this study, we developed an artificial neural networks-(ANN-)aided method for automated detection of artefacts and EEG suppression periods. 72 hr EEG recorded before, during and after anaes thesia with propofol have been evaluated. Selected parameterized patterns of 0.25 s length were used to train the ANN (22 input, 8 hidden and 4 output neurons) with error back propagation. The detection performance of the ANN-aided method was tested with processing epochs between 1 to10 s. Related to examiner EEG evaluation, the average detection performance of the method was 72% sensitivity and 80% specificity for artefacts and 90% sensitivity and 92% specificity for EEG suppression. The improvement in signal-to-noise ratio with automated artefact processing was 1.39 times for the spectral edge frequency 95 (SEF95) and 1.89 times for the approximate entropy (ApEn). We conclude that ANN-aided preprocessing provide an useful tool for automated EEG evaluation in anaesthesiological applications. Die computergestützte Erkennung von Artefakten stellt eine essentielle Aufgabe im Rahmen einer zunehmend automatisierten, quantitativen Elektroenzephalogramm-(EEG-)Analyse während anästhesiologischer Applikationen dar. Die bisher publizierten Algorithmen erforderten individuelle, manuelle Anpassung oder basierten auf eingeschränkten Detektionskriterien. In dieser Studie wurde eine auf künstlichen neuronalen Netzen (KNN) basierende Methode zur automatischen Erkennung von Artefakten und EEG-Unterdrückungsphasen entwickelt. Es wurden 72 Stunden EEG ausgewertet, die vor, während und nach Anästhesie mit Propofol aufgenommen worden waren. Selektionierte, parametrisierte Muster von 0,25 s Länge wurden verwendet, um die KNN (22 Eingangs-, 8 versteckte und 4 Ausgangsneurone) mit Backpropagation zu trainieren. Die Erkennungsgüte der KNN-gestützten Methode wurde mit Signalepochen zwischen 1 und 10 s getestet. Bezogen auf die EEG-Auswertung der Untersucher betrug die durchschnittliche Erkennung 72% Sensitivität bzw. 80% Spezifizität für Artefakte und 90% Sensitivität bzw. 92% Spezifizität für EEG-Unterdrückung. Der Verbesserungsfaktor für das Signal-Rausch-Verhältnis durch die automatische Prozessierung von Artefakten war 1,39 für die spektrale Eckfrequenz 95 (SEF95) und 1,89 für die approximate entropy (ApEn). Wir schlußfolgern, daß die KNN-gestützte Präprozessierung eine geeignete Methode für die automatische EEG-Auswertung während anästhesiologischer Applikationen darstellt. | |
| 540 | |a © Walter de Gruyter | ||
| 690 | 7 | |a Artificial neural network |2 nationallicence | |
| 690 | 7 | |a EEG |2 nationallicence | |
| 690 | 7 | |a Spectral edge frequency |2 nationallicence | |
| 690 | 7 | |a approximate entropy |2 nationallicence | |
| 690 | 7 | |a Künstliche neuronale Netze |2 nationallicence | |
| 690 | 7 | |a EEG |2 nationallicence | |
| 690 | 7 | |a spektrale Eckfrequenz |2 nationallicence | |
| 690 | 7 | |a approximate entropy |2 nationallicence | |
| 700 | 1 | |a Jeleazcov |D C. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen. |4 aut | |
| 700 | 1 | |a Egner |D S. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen. |4 aut | |
| 700 | 1 | |a Bremer |D F. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen. |4 aut | |
| 700 | 1 | |a Schwilden |D H. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen. |4 aut | |
| 773 | 0 | |t Biomedizinische Technik/Biomedical Engineering |d Walter de Gruyter |g 49/5(2004-05-01), 125-131 |x 0013-5585 |q 49:5<125 |1 2004 |2 49 |o bmte | |
| 856 | 4 | 0 | |u https://doi.org/10.1515/BMT.2004.025 |q text/html |z Onlinezugriff via DOI |
| 908 | |D 1 |a research article |2 jats | ||
| 950 | |B NATIONALLICENCE |P 856 |E 40 |u https://doi.org/10.1515/BMT.2004.025 |q text/html |z Onlinezugriff via DOI | ||
| 950 | |B NATIONALLICENCE |P 700 |E 1- |a Jeleazcov |D C. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen |4 aut | ||
| 950 | |B NATIONALLICENCE |P 700 |E 1- |a Egner |D S. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen |4 aut | ||
| 950 | |B NATIONALLICENCE |P 700 |E 1- |a Bremer |D F. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen |4 aut | ||
| 950 | |B NATIONALLICENCE |P 700 |E 1- |a Schwilden |D H. |u Klinik für Anästhesiologie der Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen |4 aut | ||
| 950 | |B NATIONALLICENCE |P 773 |E 0- |t Biomedizinische Technik/Biomedical Engineering |d Walter de Gruyter |g 49/5(2004-05-01), 125-131 |x 0013-5585 |q 49:5<125 |1 2004 |2 49 |o bmte | ||
| 900 | 7 | |b CC0 |u http://creativecommons.org/publicdomain/zero/1.0 |2 nationallicence | |
| 898 | |a BK010053 |b XK010053 |c XK010000 | ||
| 949 | |B NATIONALLICENCE |F NATIONALLICENCE |b NL-gruyter | ||