Journal of Anesthesiology and Pain

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

---

 Aims and background:    This    study    develops    a    computational    framework    for    the    classification    of    different    anesthesia    states,    including    awake,    moderate    anesthesia,    and    general    anesthesia,    using    electroencephalography    (EEG)    signals    and    peripheral    parameters. Materials and Methods: The    proposed    method    proposes    data    gathering;    preprocessing;    a    new    labeling    process    of    EEG    signal;    appropriate    selection    of    window    length    by    genetic    algorithm;    feature    extraction    by    Hjorth    parameters,    approximate    entropy,    Petrosian    fractal    dimension,    Hurst    exponent,    largest    Lyapunov    exponent,    Lempel-Ziv    complexity,    correlation    dimension,    and    Daubechies    wavelet    coefficients;    feature    normalization;    feature    selection    by    non-negative    sparse    principal    component    analysis;    and    classification    by    radial    basis    function    (RBF)    neural    network.    Correct    labeling    process    of    EEG    signals    is    performed    by    an    expert    opinion    and    also    qualitative    and    quantitative    analysis    of    the    extracted    parameters    from    peripheral    nerve    stimulator,    pulse    oximetry,    blood    pressure,    and    the    time    of    drug    injection.    Findings:    The    results    indicate    that    the    proposed    method    would    classify    different    anesthesia    states    including    awake,    moderate    anesthesia,    and    general    anesthesia,    with    the    accuracy    of    93.98%,    98.62,    and    97.3,    respectively.    Therefore,    the    proposed    method    can    classify    different    anesthesia    states    with    the    average    accuracy    of    97.3%. conclusion: Finally,    the    proposed    method    provided    a    good    representation    of    the    brain    behavior    in    different    anesthesia states.

Keywords: Different anesthesia states, EEG Labeling process, Nonlinear analysis, EEG signals

Full-Text [PDF 1863 kb]   (6333 Downloads)    

Add your comments about this article : Your username or Email:

---

---