Analytical methods to differentiate similar electroencephalographic spectra: neural network and discriminant analysis

Differences in electroencephalographic (EEG) power spectra obtained under similar, but not identical, conditions may be difficult to discern using standard techniques. Statistical analysis may not be useful because of the large number of comparisons necessary. Visual recognition of differences also may be difficult. A new technique, neural network analysis, has been used successfully in other problems of pattern recognition and classification. We examined a number of methods of classifying similar EEG data: standard statistical analysis (analysis of variance), visual recognition, discriminant analysis, and neural network analysis. Twenty-nine volunteers received either thiopental (n = 9), midazolam (n = 10), or propofol (n = 10) in sedative doses in 3 different studies. These drugs produced very similar changes in the EEG power spectra. Except for beta2 power during thiopental infusion, differences between drugs could not be detected using analysis of variance. Visual categorization was correct in 72% of the baseline EEGs, 70% of thiopental EEGs, 27% of propofol EEGs, and 46% of midazolam EEGs. A classification neural network (Learning Vector Quantization network) containing a Kohonen hidden layer was able to successfully classify 57 of 58 EEG samples (of 4 minutes’ duration). Discriminant analysis had a similar rate of success. This level of performance was achieved by dividing the EEG power spectrum from 1 to 30 Hz into 15 2-Hz bandwidths. When the EEG power spectrum was divided into the “classical” frequency bandwidths (alpha, beta1, beta2, theta, delta), both neural network and discriminant analysis performance deteriorated. By training the network using only certain inputs we were able to identify drugspecific bandwidths that seemed to be important in correct classification. We conclude that propofol, thiopental, and midazolam produce different effects on the EEG and that both neural network and discriminant analysis are useful in identifying these differences. We also conclude that EEG spectra should be analyzed without using classical EEG bands (alpha, beta, etc.). Additionally, neural networks can be used to identify frequency bands that are “important” in specific drug effects on the EEG. Once a classification algorithm is obtained using either a neural network or discriminant analysis, it could be used as an on-line monitor to recognize drug-specific EEG patterns.RésuméLes différences des spectres de puissance électroencéphalographiques (EEG) obtenues dans des conditions similaires mais non identiques peuvent être difficiles à reconnaître avec les techniques usuelles. L’analyse statistique est d’un apport limité en raison du grand nombre de comparaisons nécessaires. La reconnaissance visuelle des différences peut aussi être difficile. Une nouvelle technique, reposant sur l’utilisation des réseaux neuronaux, a été utilisée avec succés dans d’autres problèmes de reconnaissance de schémas et de classification. Nous avons examiné diverses méthodes de classification de données EEG similaires: analyse statistique standard (analyse de la variance), reconnaissance visuelle, analyse discriminante et analyse par réseau neuronal. Vingt-neuf volontaires ont reçu soit du thiopental (n = 9), soit du midazolam (n = 10), ou soit du propofol (n = 10) à doses sédatives. Les drogues produisent des modifications similaires des spectres de puissance EEG. A l’exception de la puissance béta2 lors de la perfusion de thiopental, les différences entre les drogues n’ont pu être détectées en utilisant l’analyse de la variance. La classification visuelle a été correcte dans 72% des EEG de base, 70% des EEG sous thiopental, 27% des EEG sous propofol, et 46% des EEG sous midazolam. Une classification par réseau neuronal (réseau quantique d’apprentissage vectoriel) contenant une couche de Kohonen comportant un réseau neuronal a été capable de reconnaitre avec succés 57 échantillons EEG (de durée 4 minutes) parmi 58. L’analyse discriminante a un pourcentage de succés similaire. Ce niveau de performance a été réalisé en divisant le spectre de puissance EEG de 1 à 30 Hz en 15 bandes de largeur 2Hz. Lorsque les spectres de puissance EEG furent divisés en bandes de fréquence classique (alpha, béta 1, béta 2, theta, delta), les performances aussi bien du réseau neuronal que de l’analyse discriminante se sont détériorées. En apprenant au réseau neuronal un nombre limité de données, nous avons été capables d’identifier des bandes de fréquence spécifiques des drogues qui jouent un rôle important dans la classification des EEG. Nous concluons que le propofol, le thiopental et le midazolam produisent des effets différents sur I∝EEG et que, aussi bien les réseaux neuromaux que l’analyse discriminante, sont utiles à l’identification de ces différences. Nous concluons aussi que le spectre EEG pourrait être analysé sans l’utilisation des bandes de fréquence classiques (alpha, beta, etc...). De plus, les réseaux neuronaux peuvent être utilisés pour identifier des bandes de fréquences “importantes” sur lesquelles reposent les effets EEG spécifiques des drogues. Si un algorithme de classification est obtenu en utilisant, soit un réseau neuronal, soit une analyse discriminante, il pourrait être utilisé pour la reconnaissance, continue, en temps réel, des caractéristiques EEG spécifiques des drogues.KurzfassungUnterschiede in elektroenzephalographischen (EEG) Powerspektren, die unter ähnlichen, jedoch nicht identischen Bedingungen gewonnen wurden, können bei der Anwendung von Standardtechniken schwer zu erkennen sein. Eine statistische Analyse mag wegen der großen Anzahl der notwendigen Vergleiche nicht zweckmäßig sein. Ein visuelles Erkennen der Unterschiede kann ebenso schwierig sein. Eine neue Technik, die Analyse mit Neuronalen Netzen, wurde bei anderen Problemen der Mustererkennung und Klassifizierung erfolgreich angewendet. Wir untersuchten eine Anzahl von Methoden zur Klassifizierung ähnlicher EEG-Daten: normale statistische Analyse (Varianzanalyse), visuelles Erkennen, Diskriminanzanalyse und Analyse mit neuronalen Netzen. 29 Freiwillige erhielten in drei verschiedenen Untersuchungen entweder Thiopental (n = 9), Midazolam (n = 10) oder Propofol (n = 10) in sedativen Dosierungen. Diese Drogen erzeugten im EEG-Powerspekrum sehr ahnliche Veränderungen. Mit Ausnahme der Beta2-Leistung wahrend der Thiopental-Infusion, konnten mit der Varianzanalyse Unterschiede zwischen den Drogen nicht festgestellt werden. Die visuelle Kategorisierung war bei 72% der Referenz-EEGs, bei 70% der Thiopental-EEGs, bei 27% der Propofol-EEGs und bei 46% der Midazolam-EEGs richtig. Ein neuronales Netz zur Klassifizierung (Learning Vector Quantization network) mit einer verborgenen Kohonen-Schicht konnte erfolgreich 57 von 58 EEG-Proben (von 4 Minuten Dauer) klassifizieren. Die Diskriminanzanalyse hatte eine ähnliche Erfolgsrate. Dieser Leistungsgrad wurde durch die Teilung des EEG-Powerspektrums von 1 bis 30 Hz in 15 Bandbreiten von 2 Hz erreicht. Wurde das EEG-Powerspektrum in die “klassischen” Frequenz-Bandbreiten unterteilt (Alpha, Beta, Beta2, Theta, Delta), verschlechterten sich die Leistungen sowohl der Analyse mit neuronalem Netz wie auch der Diskriminanzanalyse. Durch die Adaption des Systems durch Anwendung nur bestimmter Eingaben waren wir in der Lage, drogenspezifische Bandbreiten zu identifizieren, die für die richtige Klassifizierung wichtig erschienen. Wir schließen daraus, daß Propofol, Thiopental und Midazolam unterschiedliche Wirkungen auf die EEGs erzeugen, und daß sowohl die Analyse mit neuronalen Netzen als auch die Diskriminanzanalyse fur die Identifizierung dieser Unterschiede anwendbar sind. Desweiteren folgern wir, daß die EEG-Spektren ohne Verwendung der klassischen EEG-Bänder (Alpha, Beta usw.) analysiert werden sollten. Zusätzlich können neuronale Netze zur Identifizerung von Frequenzbändern benutzt werden, die bei bestimmten Auswirkungen von Drogen auf das EEG “wichtig” sind. Wenn einmal ein Algorithmus zur Klassifizierung gewonnen ist, entweder durch Verwendung einer Analyse mit neuronalen Netzen oder einer Diskriminanzanalyse, konnte er als online-Überwachung zur Erkennung drogenspezifischer EEG-Muster verwendet werden.ResumenLas diferencias entre espectros de potencia electroencefalográficos (EEG) obtenidos bajo condiciones similares pero no idénticas pueden ser difíciles de discernir usando técnicas habituales. El análisis estadístico puede no ser útil debido al gran número de comparaciones necesario. El reconocimiento visual de las diferencias puede asimismo ser dificultoso. Una nueva técnica, análisis por redes neuronales, ha sido usada con éxito en otros problemas de reconocimiento y clasificación de patrones. Examinamos varios métodos de clasificación de informatión semejante al EEG: analisis estadístico habitual (análisis de varianza), reconocimiento visual, análisis discriminante, y análisis por redes neuronales. Veintinueve voluntaries recibieron tiopental (n = 9), midazolam (n = 10), o propofol (n = 10), en dosis sedante en tres estudios diferentes. Estas drogas producen cambios muy semejantes en el espectro de potencia del EEG. A exceptión de la potencia beta2 durante infusión de tiopental, las diferencias entre drogas no pudieron ser detectadas por el análisis de varianza. La categorizatión visual fue correcta en 72% de los EEG basalcs, 70% de los EEG con tiopental, 27% de los EEG con propofol y en 46% de los EEG con midazolam. Una red neuronal de clasificación (Red adaptiva de cuantificación vectorial) conteniendo una capa escondida de Kohonen fue capaz de clasificar exitosamente 57 de 58 muestras de EEG de 4 minutos de duratión. Similar éxito se obtuvo usando análisis discriminante. Este nivel de rendimiento se obtuvo dividiendo el espectro de potencia del EEG en 15 bandas de 2 Hz, emtre 1 y 30 Hz. Cuando el espectro EEG se dividió en las bandas de frecuencia “clasicas” alfa, beta 1, beta2, teta y delta, tanto las redes neuron