Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2022, № 10

A new approach to the development of automatic algorithms for detecting diagnostic and prognostic indicators of delayed cerebral ischemia in the data of long-term electroencephalographic monitoring

Y. Obukhov1, I.A. Kershner1, M.V. Sinkin2

1 Kotelnikov IRE RAS, Moscow, Russia
2 N.V. Sklifosovsky Research Institute for Emergency Medicine, Moscow, Russia
Full text DOI: 10.30898/1684-1719.2022.10.11 UDC 621.391:004.93:6 EDN JTRMFD

Abstract

Based on the analysis delayed ischemia after subarachnoid hemorrhage indicators, a new approach to the analysis of data from long-term electroencephalographic patients monitoring is proposed and described. It is based on the analysis of the wavelet transforms ridges, in which the power spectrum density, frequency and phase, are equal to the square amplitude, the frequency and the phase of the signal respectively. The main formulas justifying this approach are given. Illustrations of the use Morlet wavelet spectrograms in the electroencephalogram’s analysis of the patient in prefrontal leads are presented the first day after subarachnoid hemorrhage before the development of delayed cerebral ischemia and the seventh day, when the patient had an acute period of delayed ischemia. One of the indicators of delayed ischemia, which has a prognostic value of its development, is the number of events of epileptiform activity per unit of time (usually per hour). A new method for detecting epileptiform activity based on the detection of interchannel synchronization of wavelet spectrogram ridges has been proposed and described.

  • electroencephalographic monitoring
  • delayed ischemia indicators
  • wavelet spectrum ridge
  • interchannel synchronization
Аннотация (на русском)

Новый подход к разработке автоматических алгоритмов обнаружения диагностических и прогностических показателей отсроченной ишемии головного мозга в данных длительного электроэнцефалографического мониторинга

Предложен и описан новый подход к автоматическому детектированию показателей отсроченной ишемии головного мозга после субарахноидального кровоизлияния в данных длительного электроэнцефалографического мониторинга пациентов. Он основан на анализе хребтов вейвлет-спектрограмм, в которых квадрат амплитуды, частота и фаза сигнала равны спектральной плотности мощности, частоте и фазе хребта соответственно. Приведены основные формулы, обосновывающие этот подход. Представлены иллюстрации применения в анализе динамики хребтов вейвлет-спектрограмм Морле электроэнцефалограмм в префронтальных отведениях первый день после субарахноидального кровоизлияния до развития отсроченной ишемии и на седьмой день, когда у пациента наблюдался острый период отсроченной ишемии. Одним из показателей отсроченной ишемии, имеющий прогностическое значение ее развития, является количество событий эпилептиформной активности за единицу времени (как правило, за час). Предложен и описан новый способ обнаружения эпилептиформной активности, основанный на детектировании межканальной синхронизации хребтов вейвлет-спектрограмм.

For citation

Obukhov Y., Kershner I.A., Sinkin M.V. A new approach to the development of automatic algorithms for detecting diagnostic and prognostic indicators of delayed cerebral ischemia in the data of long-term electroencephalographic monitoring // Journal of Radio Electronics. – 2022. – No. 10. https://doi.org/10.30898/1684-1719.2022.10.11

References

  1. Feigin V.L., Stark B.A., et al. Global, regional, and national burden of stroke and its risk factors, 1990-2019: A systematic analysis for the Global Burden of Disease Study 2019. The Lancet Neurology. 2021. V.20. №10. P.795-820. https://doi.org/10.1016/S1474-4422(21)00252-0
  2. Foreman B., Albers D. et al.Intracortical electrophysiological correlates of blood flow after severe SAH: A multimodality monitoring study. Journal of Cerebral Blood Flow & Metabolism. 2018. V.38. №3. P.506-517. https://doi.org/10.1177/0271678X1770043
  3. Rosenthal E.S., Biswal S., et al. Continuous Electroencephalography Predicts Delayed Cerebral Ischemia after Subarachnoid Hemorrhage: A Prospective Study of Diagnostic Accuracy. Annals of neurology. 2018. V.83. P.958-969. https://doi.org/10.1002/ana.25232
  4. Baang H.Y., Chen H.Y., et al. The Utility of Quantitative EEG in Detecting Delayed Cerebral Ischemia After Aneurysmal Subarachnoid Hemorrhage. Journal of Clinical Neurophysiology. 2022. V.39. №3. P.207-215. https://doi.org/10.1097/WNP.0000000000000754
  5. Muniz C.F., Shenoy A.V., et al. Clinical development and implementation of an institutional guideline for prospective EEG monitoring and reporting of delayed cerebral ischemia. Journal of Clinical Neurophysiology. 2016. V.33. №3. P.217-226. https://doi.org/10.1097/WNP.0000000000000281
  6. Kim J.A., Zheng W.-L., et al. High epileptiform discharge burden predicts delayed cerebral ischemia after subarachnoid hemorrhage. Clinical Neurophysiology. 2022. V.141. P.139-146. https://doi.org/10.1016/j.clinph.2021.01.022
  7. Yoo H.-J., Ham J., et al. Quantification of stroke lesion volume using epidural EEG in a cerebral ischaemic rat model. Scientific Reports. 2021. V.11. P.1-14. https://doi.org/10.1038/s41598-021-81912-2
  8. Wickering E., Gaspard N., et al. Automation of Classical QEEG Trending Methods for Early Detection of Delayed Cerebral Ischemia: More Work to Do. Journal of clinical neurophysiology: official publication of the American Electroencephalographic Society. 2016. V.33. №3. P.227-234. https://doi.org/10.1097/WNP.0000000000000278
  9. Delprat N., Escudie B., et al. Asymptotic wavelet and Gabor analysis: Extraction of instantaneous frequencies. IEEE transactions on Information Theory. 1992. V.38. №2. P.644-664. https://doi.org/10.1109/18.119728
  10. Guillemain P., Kronland-Martinet R. Characterization of acoustic signals through continuous linear time-frequency representations. Proceedings of the IEEE. 1996. V.84. №4. P.561-585. https://doi.org/10.1109/5.488700
  11. Obukhov Yu.V., Kershner I.A. et al. Wavelet ridges in eeg diagnostic features extraction: Epilepsy long-time monitoring and rehabilitation after traumatic brain injury. Sensors. 2021. V.21. №18. P.5989. https://doi.org/10.3390/s21185989
  12. Pavlov A.N., Hramov A.E. et al. Wavelet analysis in neurodynamics. Physics-Uspekhi. 2012. V.55. №9. P.845. https://doi.org/10.3367/UFNe.0182.201209a.0905