STUDY OBJECTIVES Dexmedetomidine induced electroencephalogram (EEG) patterns during deep sedation is comparable with natural sleep patterns. Using large scale EEG recordings and machine learning techniques, we investigated whether dexmedetomidine induced deep sedation indeed mimics natural sleep patterns. METHODS We used EEG recordings from three sources in this study: 8707 overnight sleep EEG and 30 dexmedetomidine clinical trial EEG. Dexmedetomidine induced sedation levels were assessed using the Modified Observer's Assessment of Alertness/ Sedation (MOAA/S) score. We extracted twenty-two spectral features from each EEG recording using a multitaper spectral estimation method. Elastic-net regularization method was used for feature selection. We compared the performance of several machine learning algorithms (logistic regression, support vector machine and random forest), trained on individual sleep stages, to predict different levels of the MOAA/S sedation state. RESULTS The random forest algorithm trained on non-rapid eye movement stage 3 (N3) predicted dexmedetomidine induced deep sedation (MOAA/S = 0) with AUC > 0.8 outperforming other machine learning models. Power in the delta band (0-4Hz) was selected as an important feature for prediction in addition to power in theta (4-8 Hz) and beta (16-30Hz) bands. CONCLUSIONS Using a large scale EEG data-driven approach and machine learning framework, we show that dexmedetomidine induced deep sedation state mimics N3 sleep EEG patterns.

中文翻译：

---

右美托咪定诱导深度镇静模拟非快速眼动第 3 阶段睡眠：使用机器学习进行大规模验证

研究目标 深度镇静期间右美托咪定诱导的脑电图 (EEG) 模式与自然睡眠模式相当。使用大规模脑电图记录和机器学习技术，我们研究了右美托咪定诱导的深度镇静是否确实模仿了自然睡眠模式。方法 我们在本研究中使用了来自三个来源的脑电图记录：8707 次夜间睡眠脑电图和 30 次右美托咪定临床试验脑电图。使用改良的观察者警觉性/镇静评估 (MOAA/S) 评分评估右美托咪定诱导的镇静水平。我们使用多锥谱估计方法从每个 EEG 记录中提取了 22 个谱特征。特征选择采用弹性网正则化方法。我们比较了几种机器学习算法（逻辑回归、支持向量机和随机森林），在各个睡眠阶段进行训练，以预测 MOAA/S 镇静状态的不同水平。结果 在非快速眼动阶段 3 (N3) 上训练的随机森林算法预测了右美托咪定诱导的深度镇静 (MOAA/S = 0)，AUC > 0.8 优于其他机器学习模型。除了 theta (4-8 Hz) 和 beta (16-30Hz) 频带中的功率之外，delta 频带 (0-4Hz) 中的功率被选为预测的重要特征。结论 使用大规模 EEG 数据驱动方法和机器学习框架，我们表明右美托咪定诱导的深度镇静状态模拟 N3 睡眠 EEG 模式。结果 在非快速眼动阶段 3 (N3) 上训练的随机森林算法预测了右美托咪定诱导的深度镇静 (MOAA/S = 0)，AUC > 0.8 优于其他机器学习模型。除了 theta (4-8 Hz) 和 beta (16-30Hz) 频带中的功率之外，delta 频带 (0-4Hz) 中的功率被选为预测的重要特征。结论 使用大规模 EEG 数据驱动方法和机器学习框架，我们表明右美托咪定诱导的深度镇静状态模拟 N3 睡眠 EEG 模式。结果 在非快速眼动第 3 阶段 (N3) 上训练的随机森林算法预测了右美托咪定诱导的深度镇静 (MOAA/S = 0)，其 AUC > 0.8 优于其他机器学习模型。除了 theta (4-8 Hz) 和 beta (16-30Hz) 频带中的功率之外，delta 频带 (0-4Hz) 中的功率被选为预测的重要特征。结论 使用大规模 EEG 数据驱动方法和机器学习框架，我们表明右美托咪定诱导的深度镇静状态模拟 N3 睡眠 EEG 模式。