Objective

The burst suppression pattern in clinical electroencephalographic (EEG) recordings is an important diagnostic tool because of its association with comas of various etiologies, as with hypoxia, drug related intoxication or deep anesthesia. The detection of bursts and the calculation of burst/suppression ratio are often used to monitor the level of anesthesia during treatment of status epilepticus. However, manual counting of bursts is a laborious process open to inter-rater variation and motivates a need for automatic detection. METHODS: We describe a novel unsupervised learning algorithm that detects bursts in EEG and generates burst-per-minute estimates for the purpose of monitoring sedation level in an intensive care unit (ICU). We validated the algorithm on 29 hours of burst annotated EEG data from 29 patients suffering from status epilepticus and hemorrhage. RESULTS: We report competitive results in comparison to neural networks learned via supervised learning. The mean absolute error (SD) in bursts per minute was 0.93 (1.38). CONCLUSION: We present a novel burst suppression detection algorithm that adapts to each patient individually, reports bursts-per-minute quickly, and does not require manual fine-tuning unlike previous approaches to burst-suppression pattern detection. SIGNIFICANCE: Our algorithm for automatic burst suppression quantification can greatly reduce manual oversight in depth of sedation monitoring.

中文翻译：

---

使用无监督机器学习算法检测神经重症患者的脑电图爆发抑制

客观的

临床脑电图 (EEG) 记录中的爆发抑制模式是一种重要的诊断工具，因为它与各种病因的昏迷有关，如缺氧、药物相关中毒或深度麻醉。突发的检测和突发/抑制比的计算常用于监测癫痫持续状态治疗过程中的麻醉水平。然而，突发的手动计数是一个费力的过程，容易受到评估者间的变化影响，并激发了对自动检测的需求。方法：我们描述了一种新颖的无监督学习算法，该算法可检测 EEG 中的突发并生成每分钟突发的估计值，以监测重症监护病房 (ICU) 的镇静水平。我们在来自 29 名癫痫持续状态和出血患者的 29 小时突发注释 EEG 数据上验证了该算法。结果：与通过监督学习学习的神经网络相比，我们报告了有竞争力的结果。每分钟突发的平均绝对误差 (SD) 为 0.93 (1.38)。结论：我们提出了一种新颖的突发抑制检测算法，它可以单独适应每个患者，快速报告每分钟突发，并且不像以前的突发抑制模式检测方法需要手动微调。意义：我们的自动爆发抑制量化算法可以大大减少镇静监测深度的人工监督。每分钟突发的平均绝对误差 (SD) 为 0.93 (1.38)。结论：我们提出了一种新颖的突发抑制检测算法，它可以单独适应每个患者，快速报告每分钟突发，并且不像以前的突发抑制模式检测方法需要手动微调。意义：我们的自动爆发抑制量化算法可以大大减少镇静监测深度的人工监督。每分钟突发的平均绝对误差 (SD) 为 0.93 (1.38)。结论：我们提出了一种新颖的突发抑制检测算法，它可以单独适应每个患者，快速报告每分钟突发，并且不像以前的突发抑制模式检测方法需要手动微调。意义：我们的自动爆发抑制量化算法可以大大减少镇静监测深度的人工监督。