Kalp Hızı Değişkenliği ve Elektrodermal Aktivite Verilerinden Anestezi Durumlarının Makine Öğrenmesi Tabanlı Sınıflandırılması

Öz

Anestezi esnasında nosisepsiyonun doğru şekilde değerlendirilmesi, ameliyat sırasında ilaçların yetersiz veya aşırı dozda uygulanmasının önüne geçmesi açısından kritiktir. Çalışmada yaşları 28–77 arasında değişen 101 hastaya ait anestezi sürecinde kaydedilmiş Elektrodermal Aktivite (EDA) ile Kalp Hızı Değişkenliği (HRV) sinyallerini içeren açık erişimli bir veri seti kullanılmıştır. Bu verilerden ortalama, çarpıklık, basıklık ve Shannon entropisi gibi lineer ve non-lineer özellikler çıkarılmıştır. Çıkarılan özellikler makine öğrenmesi yöntemleri kullanılarak sınıflandırılmıştır. En yüksek performans karar ağaçları yöntemi ile elde edilmiş olup %90,3 doğruluk ve %90 F1-skor değerine ulaşılmıştır. Çıkarılan özelliklerden, EDA özelliklerinin nosisepsiyona daha doğrudan yanıt verdiği, HRV’nin ise özellikle non-lineer parametreler aracılığıyla otonom sinir sistemi değişikliklerini yansıttığı görülmüştür. Sonuçlar, multimodal EDA-HRV temelli makine öğrenmesi modellerinin nosisepsiyon varlığının objektif olarak sınıflandırılmasında klinik karar destek açısından potansiyel taşıdığını ortaya koymaktadır.

Anahtar Kelimeler

• Nosisepsiyon
• Anestezi
• Elektrodermal Aktivite
• Kalp Hızı Değişkenliği
• Makine öğrenmesi

Destekleyen Kurum

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)

Proje Numarası

1919B012405886

Teşekkür

Çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) 2209-A grubu, 2024/1 dönem, 1919B012405886 numaralı proje kapsamında desteklenmiştir. Yazarlar, desteklerinden dolayı TÜBİTAK’a teşekkür eder.

Machine Learning-Based Classification of Anesthesia States from Heart Rate Variability and Electrodermal Activity Data

Öz

Accurate evaluation of nociception stages during anesthesia is critical to preventing under- or overdosing of drugs during surgery. In this study, an open-access dataset comprising Electrodermal Activity (EDA) and Heart Rate Variability (HRV) signals recorded during the anesthesia process from 101 patients aged between 28 and 77 years was utilized. Linear and non-linear features, including mean, skewness, kurtosis, and Shannon entropy, were extracted from these signals. The extracted features were subsequently classified using machine learning methods. The highest performance was achieved with the decision tree algorithm, reaching an accuracy of 90.3% and an F1-score of 90%. Among the extracted features, EDA features were found to respond more directly to nociception, while HRV stood out due to its nonlinear parameters. The results demonstrate that multimodal EDA-HRV–based machine learning models provide a promising objective framework for classifying nociception states and may support future clinical decision-support applications.

Anahtar Kelimeler

• Nociception
• Anesthesia
• Electrodermal Activity
• Heart Rate Variability
• Machine Learning

Destekleyen Kurum

The Scientific and Technological Research Council of Turkey (TÜBİTAK)

Proje Numarası

1919B012405886

Teşekkür

This study was supported by the Scientific and Technological Research Council of Turkey (TÜBİTAK) under the 2209-A program, 2024/1 term, project number 1919B012405886. The authors gratefully acknowledge TÜBİTAK for their support.

Kaynakça

1. 1. Becker, D.E. & Haas, D.A. (2007). Management of complications during moderate and deep sedation: Respiratory and cardiovascular considerations. Anesthesia Progress, 54(2), 59-68.
2. 2. Avidan, M.S., Jacobsohn, E., Glick, D., Burnside, B.A., Zhang, L., Villafranca, A., Karl, L., Kamal, S., Torres, B., O’Connor, M., Evers, A.S., Gradwohl, S., Lin, N., Palanca, B.J. & Mashour, G.A. (2011). Prevention of intraoperative awareness in a high-risk surgical population. New England Journal of Medicine, 365(7), 591-600.
3. 3. Liu, Z., Si, L., Shi, S., Li, J., Zhu, J., Lee, W.H., Lo, S.L., Yan, X., Chen, B., Fu, F., Zheng, Y. & Wang, G. (2024). Classification of three anesthesia stages based on near-infrared spectroscopy signals. IEEE Journal of Biomedical and Health Informatics, 28(9), 5270-5279.
4. 4. Boucsein, W. (2012). Electrodermal activity. Springer Science & Business Media, Berlin.
5. 5. Wang, Q., Liu, F., Wan, G. & Chen, Y. (2022). Inference of brain states under anesthesia with meta learning based deep learning models. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 30, 1081-1091.
6. 6. Boucsein, W. (2012). Principles of electrodermal phenomena. In Electrodermal activity, 1-86. Springer.
7. 7. Kirnö, K., Kunimoto, M., Lundin, S., Elam, M. & Wallin, B. G. (1991). Can galvanic skin response be used as a quantitative estimate of sympathetic nerve activity in regional anesthesia? Anesthesia & Analgesia, 73(2), 138-142.
8. 8. Tseng, B., Subramanian, S., Barbieri, R. & Brown, E.N. (2022). Tonic electrodermal activity is a robust marker of psychological and physiological changes during induction of anesthesia. In 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 418-421. IEEE.

9. 9. Jeanne, M., Logier, R., De Jonckheere, J. & Tavernier, B. (2009). Heart rate variability during total intravenous anesthesia: Effects of nociception and analgesia. Autonomic Neuroscience, 147(1-2), 91-96.
10. 10. Mazzeo, A.T., La Monaca, E., Di Leo, R., Vita, G. & Santamaria, L.B. (2011). Heart rate variability: A diagnostic and prognostic tool in anesthesia and intensive care. Acta Anaesthesiologica Scandinavica, 55(7), 797-811.
11. 11. Matava, C., Pankiv, E., Ahumada, L., Weingarten, B. & Simpao, A. (2020). Artificial intelligence, machine learning and the pediatric airway. Pediatric Anesthesia, 30(3), 264-268.
12. 12. Lee, H.C., Ryu, H.G., Chung, E.J. & Jung, C.W. (2018). Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: A deep learning approach. Anesthesiology, 128(3), 492-501.
13. 13. Tu, Z., Zhang, Y., Lv, X., Wang, Y., Zhang, T., Wang, J., Yu, X., Chen, P., Pang, S., Li, S., Yu, X. & Zhao, X. (2025). Accurate machine learning-based monitoring of anesthesia depth with EEG recording. Neuroscience Bulletin, 41(3), 449-460.
14. 14. Subramanian, S., Purdon, P., Barbieri, R. & Brown, E. (2021). Behavioral and autonomic dynamics during propofol-induced unconsciousness. PhysioNet.
15. 15. Niu, J., Lu, Y., Xu, R., Fang, F., Hong, S., Huang, L., Xue, Y., Fei, J., Zhang, X., Zhou, B., Zhang, P. & Jiang, R. (2023). The prognostic value of intraoperative HRV during anesthesia in patients presenting for non-cardiac surgery. BMC Anesthesiology, 23(1), 160.
16. 16. Fauchereau, C., Carimalo, F., Merienne, A., Laffon, M., Godat, E. & Aude, J.C. (2025). Heart rate fragmentation improves general anesthesia state classification using machine learning. medRxiv, 2025.01.07.25320157.
17. 17. Yeşilbaş, D., Batbat, T., Altınkaynak, M., Uğurgöl, E., Güven, A., Dolu, N., Demirci, E. & Izzetoglu, M. (2025). An efficient multimodal electroencephalography and functional near-infrared spectroscopy approach using Stroop task to evaluate internet gaming disorder with machine learning methods: A comprehensive study. Engineering Applications of Artificial Intelligence, 159, 111772.
18. 18. Yeşilbaş, D. ve Güven, A. (2021). Kütle spektrometresi verileri kullanılarak yumurtalık kanserinin yapay sinir ağlarıyla sınıflandırılması. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 36(3), 781-790.
19. 19. Çavdar, F., Günen, A. ve Sert, M. (2024). Borlanmış AISI H11 takım çeliğinin kaplama özellikleri ve korozyon oranının makine öğrenmesi temelli modellenmesi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(3), 625-638.
20. 20. Akça, Ş. ve Şanlı, F.B. (2022). Kıyı çizgisinin makine öğrenmesi tabanlı Mean-Shift, rastgele orman ve destek vektör makinaları ile belirlenmesi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 37(3), 835-842.
21. 21. Zhan, J., Wu, Z.X., Duan, Z.X., Yang, G.Y., Du, Z.Y., Bao, X. H. & Li, H. (2021). Heart rate variability-derived features based on deep neural network for distinguishing different anaesthesia states. BMC Anesthesiology, 21(1), 66.
22. 22. Posada-Quintero, H.F., Kong, Y. & Chon, K.H. (2021). Objective pain stimulation intensity and pain sensation assessment using machine learning classification and regression based on electrodermal activity. American Journal of Physiology-Regulatory, Integrative and Comparative Physiology, 321(2), R186-R196.
23. 23. Riganello, F., Dolce, G. & Sannita, W.G. (2012). Heart rate variability and the central autonomic network in the severe disorder of consciousness. Journal of Rehabilitation Medicine, 44(6), 495-501.
24. 24. Chouchou, F. & Desseilles, M. (2014). Heart rate variability: A tool to explore the sleeping brain? Frontiers in Neuroscience, 8, 402.
25. 25. Ledowski, T., Pascoe, E., Ang, B., Schmarbeck, T., Clarke, M.W., Fuller, C. & Kapoor, V. (2010). Monitoring of intra-operative nociception: Skin conductance and surgical stress index versus stress hormone plasma levels. Anaesthesia, 65(10), 1001-1006.
26. 26. Storm, H., Myre, K., Rostrup, M., Stokland, O., Lien, M.D. & Ræder, J.C. (2002). Skin conductance correlates with perioperative stress. Acta Anaesthesiologica Scandinavica, 46(7), 887-895.