Анализ мгновенных параметров сигнала ЭЭГ на основании разложения по эмпирическим модам в применении к паттерну «вспышка-подавление» при анестезии пропофолом

Электроэнцефалограмма (ЭЭГ) представляет собой регистрацию нестационарного и нелинейного электрофизиологического сигнала, возникающего в результате синхронного возбуждения нейронов в таламокортикальных структурах мозга. Из-за сложности организации физиологических структур мозга и его ритмических колебаний при анализе ЭЭГ часто используются методы спектрального анализа.
Цель. Повысить качество клинического мониторинга нейрофизиологических сигналов и получить более глубокие представления об основных принципах функциональных механизмов головного мозга во время анестезии.
Материал и методы. В данной работе использовали разложение по эмпирическим модам (РЭМ) новый метод спектрального анализа, особенно подходящий для нестационарных и нелинейных сигналов. РЭМ и соответствующее преобразование Гильберта-Хуанга (англ. HHT) разлагают сигнал на составляющие внутренние модовые функции (ВМФ). В данном исследовании применили РЭМ для анализа паттерна «вспышка-подавление» (ПВП) ЭЭГ человека во время индукции общей анестезии (ОА) пропофолом. ПВП — это состояние, характеризующееся циклическими изменениями между выраженным подавлением активности мозга и гиперактивными всплесками с переменной продолжительностью, амплитудой и формой волны. ПВП возникает после индукции глубокой общей анестезии, после внутривенного болюсного введения препарата для общей анестезии. В данной статье рассматривается динамика ПВП с помощью отношения «вспышка-подавление» (ОВП).
Результаты. При сравнении связи между ЭЭГ и ОВП внутренних колебаний (англ. IMF, внутренние модовые функции) показали, что ОВП зависит в основном от альфа-активности. Отметили разную скорость возвращения к исходному уровню ОВП для различных спектральных компонентов (IMF 1-4) после исчезновения ПВП на ЭЭГ, что свидетельствует о том, что ПВП может по-разному нарушать функционирование нейронных генераторов низкочастотных осцилляций ЭЭГ и таламокортикальную функциональную связь.
Заключение. Изучение ПВП с помощью РЭМ представляет собой новую форму анализа ЭЭГ, способную прояснить нейрофизиологические механизмы данного феномена и его влияние на послеоперационный прогноз состояния пациента.

1. Sanders R.D., Tononi G, Laureys S., Sleigh J.W. Unresponsiveness # Unconsciousness. Anesthesiology. 2012; 116 (4): 946-959. DOI: 10.1097/ALN.0b013e318249d0a7.

2. Ni Mhuircheartaigh R., Warnaby C., Rogers R., Jbabdi S., Tracey I. Slow-Wave Activity Saturation and Thalamocortical Isolation During Propofol Anesthesia in Humans. Sci Transl Med. 2013; 23; 5 (208): 208ra148. DOI: 10.1126/scitranslmed.3006007.

3. Warnaby C.E., Sleigh J.W., Hight D., Jbabdi S., Tracey I. Investigation of Slow-wave Activity Saturation during Surgical Anesthesia Reveals a Signature of Neural Inertia in Humans. Anesthesiology. 2017; 127 (4): 645-657. DOI: 10.1097/ALN.0000000000001759.

4. Marchant N., Sanders R., Sleigh J., Vanhaudenhuyse A., Bruno A.U., Brichant J.F., Steven Laureys S., Bonhomme V. How Electroencephalography Serves the Anesthesiologist. Clin EEG Neurosci. 2014; 45 (1): 22-32. DOI: 10.1177/1550059413509801.

5. Purdon P.L., Sampson A., Pavone K.J., Brown E.N. Clinical Electroencephalography for Anesthesiologists: Part I: Background and Basic Signatures. Anesthesiology. 2015; 123 (4): 937-960. DOI: 10.1097/ALN.0000000000000841.

6. Marcuse L.V., Fields M.C., Jenna J. Y. The EEG in other neurological and medical conditions and in status epilepticus. In: Rowan's Primer of EEG. 2nd ed. London: Elsevier, 2016: 157-173.

7. Gropper M. A. Miller's Anesthesia, 2-Volume Set E-Book [electronic resource], 9th ed. 2019.

8. Amzica F. What does burst suppression really mean? Epilepsy Behav. 2015; 49: 234-237. DOI: 10.1016/j.yebeh.2015.06.012.

9. Hogan J., Sun H., Aboul Nour H., Jing J., Tabaeizadeh M., Shoukat M., Javed F., Kassa S., Edhi., Bordbar E., Gallagher J., Moura V. J., Ghanta M., Shao Y-P., Akeju O., Cole A.J., Rosenthal E.S., Zafar S., Westover M.B. Burst Suppression: Causes and Effects on Mortality in Critical Illnes. Neurocrit Care 2020; 33: 565-574. DOI: 10.1007/s12028-020-00932-4

10. Pontificia Universidad Catolica de Chile,. Study of the Association Between Burst Suppression During Anesthetic Induction With Propofol in Cardiac Surgery in Patients Over 65 Years of Age With Postoperative Delirium. Clinical trials.gov. Clinical trial registration NCT04713644, Mar. 2021. Accessed: Apr. 14, 2021. [Online]. Available: https: //clinicaltrials.gov/ct2/show/NCT04713644.

11. Soehle M., Dittmann A., Ellerkmann R.K., Baumgarten G., Putensen C., Guenther U. Intraoperative burst suppression is associated with postoperative delirium following cardiac surgery: a prospective, observational study. BMC Anesthesiol. 2015; 15 (61): 1-8. DOI: 10.1186/s12871-015-0051-7.

12. Huang N.E., Shen Z., Long S., Wu M.C., Shih H.H., Zheng Q., Yen N. C., Tung C.C., Liu H.H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis', Proc. R. Soc. Lond. Ser. Math. Phys. Eng. Sci. 1998; 454 (1971): 903995. DOI: 10.1098/rspa.1998.0193.

13. Huang N.E., Wu Z. A review on Hilbert-Huang transform: Method and its applications to geophysical studies. Rev. Geophys. 2008; 46 (2): 1-23. DOI: 10.1029/2007RG000228.

14. Kortelainen J., Vayrynen E. Assessing EEG slow wave activity during anesthesia using Hilbert-Huang Transform. Annu Int Conf IEEE Eng Med Biol Soc. 2015; 2015: 117-120. DOI: 10.1109/EMBC.2015.7318314.

15. Barbosh M., Singh P., Sadhu A. Empirical mode decomposition and its variants: a review with applications in structural health monitoring. Smart Mater. Struct. 2020; 29 (9): 093001. DOI: 10.1088/1361-665X/aba539.

16. Bueno-Lopez M., Giraldo E., Molinas M., Fosso O.B. The Mode Mixing Problem and its Influence in the Neural Activity Reconstruction. IAENG International Journal of Computer Science. 2019; 46 (3): 11.

17. Yang Y., DengJ., Wu C. Analysis of Mode Mixing Phenomenon in the Empirical Mode Decomposition Method. In 2009 Second International Symposium on Information Science and Engineering, Shanghai, China; 2009: 553-556. DOI: 10.1109/ISISE.2009.19.

18. Wu Z., Huang N.E. Ensemble empirical mode decomposition: a noise-assisted data analysis method. Adv. Adapt. Data Anal. 2009; 01 (01): 1-41. DOI: 10.1142/S1793536909000047.

19. Deering R., Kaiser J.F. The use of a masking signal to improve empirical mode decomposition. In: Proceedings. (ICASSP '05). IEEE International Conference on Acoustics, Speech, and Signal Processing. 2005; 4: iv/485-iv/488. DOI: 10.1109/ICASSP.2005.1416051.

20. Wang Y.H., Hu K., Lo M.T. Uniform Phase Empirical Mode Decomposition: An Optimal Hybridization of Masking Signal and Ensemble Approaches'. IEEE Access. 2018; 6: 34819-34833. DOI: 10.1109/ACCESS.2018.2847634.IEEE Access 2018; 6: 34819-34833.

21. Gramfort A., Luessi M., Larson E., Engemann D.A., Strohmeier D., Brodbeck C.H., Goj R., Brooks T., Parkkonen L., Hamalainen M. MEG and EEG data analysis with MNE-Python. Front Neurosci. 2013; 26 (7): 1-13. DOI: 1O.3389/fnins.2O13.00267.

22. Quinn A.J., Lopes dos Santos V., Dupret D., Nobre A.CH., Mark W. Woolrich M.W. EMD: Empirical Mode Decomposition and Hilbert-Huang Spectral Analyses in Python. J Open Source Softw. 2021; 6 (59): 1-8. DOI: 10.21105/joss.02977.

23. Quinn A.J, Lopes-dos-Santos V., Huang N., Liang W.K., Juan Ch.H., Yeh J-R., Nobre A.C., Dupret D., Woolrich M.W. Within-cycle instantaneous frequency profiles report oscillatory waveform dynamics. bio-Rxiv. 2021.04.12.439547. DOI: 10.1101/2021.04.12.439547.

24. Kenny J.D., Westover M.B., Ching S., Brown E.N., Solt K. Propofol and sevoflurane induce distinct burst suppression patterns in rats. Front. Syst. Neurosci. 2014; 8 (237): 1-13. DOI: 10.3389/fnsys.2014.00237.

25. Vijn P.C., Sneyd J.R. I.v. anaesthesia and EEG burst suppression in rats: bolus injections and closed-loop infusions. Br. J. Anaesth. 1998; 81 (3): 415-421. DOI: 10.1093/bja/81.3.415.

26. Freye E., Levy J.V. Cerebral Monitoring in the Operating Room and the Intensive Care Unit: An Introductory for the Clinician and a Guide for the Novice Wanting to Open a Window to the Brain. J. Clin. Monit. Comput. 2005; 19 (1): 1-76. DOI: 10.1007/s10877-005-0712-z.

27. Hesse S., Kreuzer M., Hight D., Gaskell A., Devari P., Singh D., Taylor N.B., Whalin M.K., Lee S., Sleigh J.W., Garcia P.S.Association of electroencephalogram trajectories during emergence from anaesthesia with delirium in the postanaesthesia care unit: an early sign of postoperative complications'. Br. J. Anaesth. 2019; 122 (5): 622-634. doi: 10.1016/j.bja.2018.09.016.

28. Hight D., L. J. Voss L.J., Garcia P.S., J. Sleigh J.W. Changes in Alpha Frequency and Power of the Electroencephalogram during VolatileBased General Anesthesia. Front. Syst. Neurosci. 2017; 11 (36): DOI: 10.1016/j.bja.2018.09.016.10 doi: 10.3389/fnsys.2017.00036.

29. Sleigh J., Pullon R.M., Vlisides P.E., Warnaby C.E. Electroencephalographic slow wave dynamics and loss of behavioural responsiveness induced by ketamine in human volunteers. Br. J. Anaesth. 2019; 123 (5): 592-600. DOI: 10.1016/j.bja.2019.07.021.

30. Massimini M., Huber R., Ferrarelli F., Hill S., Giulio T. The Sleep Slow Oscillation as a Traveling Wave. J. Neurosci. 2004; 24 (31): 6862-6870. DOI: 10.1523/JNEUROSCI.1318-04.2004.

31. Murphy M., Bruno M-A., Riedner B.A., Boveroux P., Noirhomme Q., Landsness E., Brichant J-F., Phillips Ch., Massimini M., Laureys S., Tononi G., Boly M. Propofol Anesthesia and Sleep: A High-Density EEG Study. Sleep. 2011; 34 (3): 283-291A: DOI: 10.1093/sleep/34.3.283.

32. Lewis L.D., Ching Sh., Weiner V.S., Peterfreund R.A., Eskandar E.N., Cash S.S., Brown E.N., Purdon P.L. Local cortical dynamics of burst suppression in the anaesthetized brain. Brain. 2013; 136 (9) 27272737. DOI: 10.1093/brain/awt174.

33. Ming Q., Liou J-Y., Yang F., Li J., Chu Ch., Zhou Q., Wu D., Xu S., Luo P. Liang J., Li D., Pryor K.O., Lin W., Schwartz T., Ma H. Isoflurane-In-duced Burst Suppression Is a Thalamus-Modulated, Focal-Onset Rhythm With Persistent Local Asynchrony and Variable Propagation Patterns in Rats. Front. Syst. Neurosci. 2021; 14: 1-11. DOI: 10.3389/fnsys.2020.599781.

34. Lang X., Zheng Q., Zhang Z., Lu S., Xie L., Horch A., Su H. Fast Multivariate Empirical Mode Decomposition. IEEE Access PP; 2018; 99: 1-18. DOI: 10.1109/ACCESS.2018.2877150.

35. Rehman N., Mandic D.P. Multivariate empirical mode decomposition. Proc. R. Soc. Math. Phys. Eng. Sci. 2010; 466 (2117): 1291-1302.DOI: 10.1098/rspa.2009.0502.

36. Wu Z., Feng J., Qiao F., Tan Z.-M. Fast multidimensional ensemble empirical mode decomposition for the analysis of big spatio-temporal datasets. Philos. Trans. R. Soc. Math. Phys. Eng. Sci. 2016; 374 (2065): 20150197. DOI: 10.1098/rsta.2015.0197.

37. Amzica F., Steriade M. Electrophysiological correlates of sleep delta waves. Electroencephalogr. Clin. Neurophysiol. 1998; 107 (2): 69-83. DOI: 10.1016/S0013-4694 (98)00051-0.

38. Chen S-J., Peng Ch-J., Chen Y-Ch., Hwang Y-R., Lai Y-S., Fan S-Z., Jen K-K. Comparison of FFT and marginal spectra of EEG using empirical mode decomposition to monitor anesthesia. Comput. Methods Programs Biomed. 2016; 137: 77-85. DOI: 10.1016/j.cmpb.2016.08.024.

39. Li Ch., Li D., Liang Z., Voss L.J., Sleigh J.W. Analysis of depth of anesthesia with Hilbert-Huang spectral entropy. Clin. Neurophysiol. 2008; 119 (11): 2465-2475. DOI: 10.1016/j.clinph.2008.08.006.

40. Cole S. R., Voytek B. Brain Oscillations and the Importance of Waveform Shape. Trends Cogn. Sci. 2017; 21 (2): 137-149. DOI: 10.1016/j.tics.2016.12.008.

41. van Ede F., Quinn A.J., Woolrich M.W., Nobre A.C. Neural Oscillations: Sustained Rhythms or Transient Burst-Events? Trends Neurosci. 2018; 41 (7): 415-417. DOI: 10.1016/j.tins.2018.04.004.

42. Vidaurre D., Quinn A.J., Baker A.P., Dupret D., Tejero-Cantero A.,Wo-olrich M.W. Spectrally resolved fast transient brain states in electrophysiological data. NeuroImage. 2016; 126: 81-95. DOI: 10.1016/j.ne-uroimage.2015.11.047.

43. Bartz S., Avarvand F.S., Leicht G., Nolte G. Analyzing the waveshape of brain oscillations with bicoherence. NeuroImage. 2019; 188: 145-160. DOI: 10.1016/j.neuroimage.2018.11.045.

44. Quinn A.J. Within-cycle instantaneous frequency profiles report oscillatory waveform dynamics. bioRxiv, 2012: 2021.04.12.439547. DOI: 10.1101/2021.04.12.439547.

45. Soler A., Munoz-Gutierrez PA., Bueno-Lopez M., Giraldo E., Molinas M. Low-Density EEG for Neural Activity Reconstruction Using Multivariate Empirical Mode Decomposition. Front. Neurosci; 2020: 14 DOI: 10.3389/fnins.2020.00175.

46. Kortelainen J., Vayrynen E. Assessing EEG slow wave activity during anesthesia using Hilbert-Huang Transform. in 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015: 117-120. doi: 10.1109/EMBC.2015.7318314.

47. Cole S.R., van der Meij R., Peterson E.J., de Hemptinne C., Starr P.A., Voytek B. Nonsinusoidal Beta Oscillations Reflect Cortical Pathophysiology in Parkinson's Disease. J. Neurosci. 2017; 37 (18): 4830-4840. DOI: 10.1523/JNEUROSCI.2208-16.2017.

48. Amzica F., Steriade M. ‘Electrophysiological correlates of sleep delta waves', Electroencephalogr. Clin. Neurophysiol. 1998; 107 (2): 69-83. DOI: 10.1016/S0013-4694(98)00051-0.

49. Huang N.E., Shen Zh., Long S.R., Wu M.L.C. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-statio-nary time series analysis. Lond. Ser. Math. Phys. Eng. Sci. 1998; 454 (1971): 903-995. DOI: 10.1098/rspa.1998.0193.

50. Wang Y.-H, Hu K., Lo M.-T. Uniform Phase Empirical Mode Decomposition: An Optimal Hybridization of Masking Signal and Ensemble Approaches', IEEE Access. 2018; 6: 34819-34833. DOI: 10.1109/ACCESS.2018.2847634.

51. Yang Y., Deng J., Wu C. Analysis of Mode Mixing Phenomenon in the Empirical Mode Decomposition Method', in 2009 Second International Symposium on Information Science and Engineering, Shanghai, China. 2009: 553-556. DOI: 10.1109/ISISE.2009.19.

52. Deering R., Kaiser J.F. The use of a masking signal to improve empirical mode decomposition', in Proceedings. (ICASSP '05). IEEE International Conference on Acoustics, Speech, and Signal Processing. 2005; 4: iv/485-iv/488. DOI: 10.1109/ICASSP.2005.1416051.

53. Wu Z., Huang N.E. Ensemble empirical mode decomposition: a noise-assisted data analysis method. Adv. Adapt. Data Anal. 2009: 01 (01): 1-41. DOI: 10.1142/S1793536909000047.

54. Fabus M.S., Quinn A.J., Warnaby C.E., Woolrich M.W. Automatic decomposition of electrophysiological data into distinct non-sinusoidal oscillatory modes. bioRxiv, 2021: 2021.07.06.451245. DOI: 10.1101/2021.07.06.451245.

55. Lo M.-T., Novak V., Peng C.-K., Liu Y., Hu K. Nonlinear phase interaction between nonstationary signals: A comparison study of methods based on Hilbert-Huang and Fourier transforms. Phys. Rev. E Stat. Nonlin. Soft Matter Phys. 2009; 79 (6 Pt 1): 061924 DOI: 10.1103/Phys-RevE.79.061924.