Forecasting depth of anesthesia in laboratory pigs using mixed-data neural network
Author
Duncker, Tobias Brinkmann
Term
4. term
Publication year
2021
Submitted on
2021-06-01
Abstract
For let eller for dyb anæstesi i forsøgsdyr kan skade dyrevelfærd, forringe datakvalitet og skabe etiske problemer. Dette speciale undersøger, om ændringer i anæstesidybe hos forsøgsgrise kan forudsiges forud for tiden for at støtte en mere stabil vedligeholdelse. Med udgangspunkt i elektroencefalogram (EEG) signaler udvikles og sammenlignes tre neurale netværk: et simpelt netværk trænet på forbehandlede, udtrukne EEG-features, et mere komplekst netværk der selv udtrækker mønstre direkte fra det fulde EEG som tidsserie, og et mixed-data netværk der kombinerer begge datatyper. Data gennemgår forbehandling, og ændringer i anæstesidybe mærkes data-drevet (herunder ved k-means-klyngedannelse). Målet er at forudsige ændringer i dybden 12 minutter frem. Resultaterne viser, at modellen der kombinerer simple features med analyse af det fulde EEG bedre kan forudsige skift i anæstesidybe end modeller, der kun anvender én datakilde. Desuden peger enkelte prøver på høj sikkerhed i forudsigelser af fremtidige skift. Arbejdet peger på potentialet for EEG-baseret beslutningsstøtte til at forbedre styring af anæstesi i dyreforsøg, med perspektiver for både datakvalitet og dyrevelfærd.
Too light or too deep anesthesia in laboratory animals can harm welfare, degrade data quality, and raise ethical concerns. This thesis investigates whether changes in depth of anesthesia in laboratory pigs can be forecast in advance to support more stable maintenance. Using electroencephalogram (EEG) signals, three neural network approaches are developed and compared: a simple network trained on preprocessed, hand-crafted EEG features; a more complex network that learns directly from the full EEG time series; and a mixed-data network that combines both inputs. Data are preprocessed, and changes in anesthesia depth are labeled in a data-driven manner (including k-means clustering). The objective is to predict changes 12 minutes into the future. Results show that the combined model, which integrates simple features with full-EEG analysis, better predicts shifts in anesthesia depth than models relying on a single data source. Additionally, some samples exhibit high-confidence forecasts of future shifts. The work highlights the potential of EEG-based decision support to improve anesthesia control in animal experiments, with implications for both data quality and animal welfare.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents