Identificación de etapas de anestesia en registros electroencefalográficos mediante máquinas de soporte vectorial Public Deposited
En esta tesis se presentan los resultados obtenidos de un análisis cuantitativo del EEG durante las etapas de anestesia en una cirugía, empleando representaciones tiempo-frecuencia de registros obtenidos en diferentes sujetos sometidos a cirugías que no comprometieron la actividad cerebral. Los resultados reportados fueron obtenidos con una base de datos marcada a criterio de un experto (mismo que obtuvo los registros en el momento de las cirugías, auxiliado por anestesiólogos y neurólogos expertos en la materia) en las tres categorías de profundidad anestésica a identificar. La evaluación del método mediante la técnica de dejar uno fuera (leave-one-out) arrojó una tasa general de clasificación del 80.2%. El electroencefalograma (EEG), es la señal de mayor uso clínico en la actualidad para monitorear la profundidad anestésica durante la cirugía. Debido a que la principal acción de un agente anestésico toma lugar en el cerebro, el monitoreo de su actividad eléctrica es razonable. A medida que se aplica un anestésico y este va surtiendo efecto, se presentan cambios característicos en la señal EEG, identificando así categorías de profundidad anestésica, las cuales no siempre siguen un orden de ocurrencia por lo que surge la necesidad de brindar un sistema de monitoreo de las etapas de anestesia a partir de un algoritmo robusto, para evitar el peligro de una sobredosis o una dosis insuficiente hacia el paciente durante la misma cirugía, es decir, casi al mismo tiempo que se registra el EEG se indique en qué etapa de anestesia se encuentra el paciente. En particular, el análisis espectral realizado sobre el EEG permite generar índices asociados a las categorías de profundidad anestésica, como son los bordes espectrales y la frecuencia de máxima potencia; se apuesta a que en conjunto proporcionen una complementariedad de la información en el tiempo y la frecuencia. La aplicación del reconocimiento de patrones a estos índices extraídos del EEG permite obtener un clasificador de etapas de anestesia. En este trabajo, la clasificación se aborda mediante la combinación, por el método de la suma, de funciones discriminantes provenientes de las Máquinas de Soporte Vectorial, que son un modelo moderno y eficiente de reconocimiento de patrones.
Relationships
| In Administrative Set: |
|---|
Descriptions
| Attribute Name | Values |
|---|---|
| Creador | |
| Contributors | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Keyword | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
