Please use this identifier to cite or link to this item: http://repository.eia.edu.co/handle/11190/1991
Title: Procesamiento de la señal electroencefalográfica bajo anestesia general
Authors: Hernandez Solarte, David Antonio
Adviser: Gómez Suarez, Nicolás Eugenio
Keywords : Anestesia
EEG
Aprendizaje automático
K-means
PCA
ICA
Anesthesia
Machine learning
Issue Date: 2015
Publisher: Universidad EIA
Abstract: La anestesia general es un procedimiento muy frecuente en el ambiente médico, el cual es un estado en el que el cuerpo del paciente no percibirá ningún estímulo, o por lo menos es lo que busca, por tal motivo existe la necesidad de realizar una monitorización de que tan anestesiado está el paciente, cumpliendo los principios básicos de la anestesia que son la hipnosis, amnesia, analgesia, relajación muscular. Para realizar dicho control del estado anestesico del paciente, se utiliza la concentracion alveolar minima (CAM) para “cuantificar” que tan profundo se encuentra cuando se utiliza una anestesia inducida por farmacos gaseosos, y se utilizan varios dispositivos que hacen estudios electroencefalograficos, como el BIS cuando se realiza una anestesia total intravenosa (TIVA), todo esto debe realizarse para poder aplicar con debida mesura la cantidad de farmaco para que el paciente no reaccione de manera adversa al procedimiento. A nivel de anestesiología, los especialistas tienen mucha confianza en la CAM, pero en un medio más moderno, la tendencia es realizar anestesia mediante TIVA ya que ofrece ciertas ventajas y características con respecto a la anestesia inhalada, pero tiene una desventaja que es la implementación del monitoreo de la anestesia, lo cual resulta sumamente costoso cuando se implementa con el BIS cuyos consumibles, los electrodos, implican alto costo y no son reutilizables, por otro lado, la respuesta de este dispositivo suele tener problemas cuando se utiliza un electrobisturí y hay estudios que indican que no es confiable del todo. El presente trabajo busca desarrollar un estudio de electroencefalografía (EEG) que permita de forma más fiable poder monitorear el estado de profundidad anestésica del paciente implementando herramientas informáticas como el reconocimiento de patrones para eliminar información redundante y reducir la dimensionalidad de los datos y la aplicación de aprendizaje automático para poder extraer características de la señal EEG para determinar estados anestésicos que pueda presentar el paciente. Se realizó un sistema de clasificación de estados anestésicos partiendo de la reducción de la dimensionalidad de los 16 a 14 canales, dando como resultado que cada señal capturada por cada canal es diferente, lo cual realizara un estudio más completo que con menos electrodos. Se creó una matriz de características para ingresarla al algoritmo de K-means para entrenar el sistema. Al validar la información con la base de datos suministrada se obtuvo que el algoritmo funciona aceptablemente para la clasificación de estados anestésicos obteniendo resultados por encima del 83%.
Abstract (English): General anesthesia is a common procedure in the medical environment, which is a state in where the patient's body will not receive any stimulus, or at least is what doctors are seeking, for that reason, there is a need for monitoring how the patient is anesthetized, fulfilling the basic principles of anesthesia, which are hypnosis, amnesia, analgesia and muscle relaxation. To perform such control of the anesthetic state of the patient, the minimum alveolar concentration (MAC) is used to "quantify" how deep the patient is when gaseous drugs anesthesia is used, as well as some devices, which make electroencephalographic studies, such as BIS, when a total intravenous anesthesia (TIVA) is performed. All of this must be done in order to apply with due restraint the amount of drug to which the patient does not react adversely to the procedure. At anesthesiology level, specialists have great confidence in the CAM, but in a more modern environment, the tendency is to use apply TIVA, as it offers certain advantages and characteristics with respect to inhaled anesthesia, but has a disadvantage that is the implementation of monitoring anesthesia, which is extremely expensive when implemented with BIS whose consumables, electrodes, involve high costs and are not reusable, on the other hand, the response of this device usually has problems when electrocautery is used and there are studies indicate that it is not reliable at all. This paper seeks to develop a study of electroencephalography (EEG) to allow more reliably monitoring the status of anesthetic depth implementing tools such as pattern recognition to eliminate redundant information and reduce the dimensionality of the data and the application of machine learning to extract features from the EEG signal to determine anesthetic states can present the patient. A classification system of anesthetic states based on the dimensionality reduction from 16 to 14 channels was performed, with the result that each signal captured by each channel is different, which conduct a more comprehensive study instead of using less electrodes. A matrix of features was created to enter it the K-means algorithm to train the system. To validate the supplied information database, it was observed that the algorithm works acceptably for the classification of anesthetic states getting results above 83%.
Description: 49 páginas
URI: http://repository.eia.edu.co/handle/11190/1991
Citation: Hernández Solarte, D. A. (2015) Procesamiento de la señal electroencefalográfica bajo anestesia general (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/1991
Autorization: openAccess
Location: BIOM00247
Appears in Collections:Ingeniería Biomédica

Files in This Item:
File Description SizeFormat 
HernandezDavid_2015_ProcesamientoSeñalElectroencefalografica.pdfTrabajo de grado1.62 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.