极度早产婴儿非营养吸动态的光谱特征
Steven M Barlow1, Chunxiao Liao2, Jaehoon Lee3
1Department of Communication Disorders and Department of Biological Systems Engineering, Center for Brain, Biology & Behavior, University of Nebraska, Lincoln, NE, USA.
Pediatric medicine (Hong Kong, China)
|October 30, 2023
概括
这项研究使用频域分析和机器学习对早产婴儿的非营养吸 (NNS) 模式进行了建模. 结果揭示了不同的NNS发育轨迹,为神经调节和新生儿重症监护室 (NICU) 的食准备提供了洞察力.
科学领域:
- 新生儿生理学 新生儿生理学
- 神经发育儿科 神经发育儿科
- 计算神经科学是一种神经科学.
背景情况:
- 非营养吸 (NNS) 对于新生儿重症监护室 (NICU) 内早产婴儿口服养的准备性至关重要.
- 当前的时间域NNS测量提供了对潜在的吸入模式生成的有限洞察力.
- 使用富里埃和机器学习 (ML) 技术的频域分析对于极度早产婴儿 (EPI) 的NNS发育仍未得到充分研究.
研究的目的:
- 在极度早产婴儿 (EPI) 中模拟非营养吸 (NNS) 模式的发育变化.
- 应用福里埃变换和机器学习 (ML) 技术用于NNS的频域分析.
- 在EPI中识别不同的NNS发展轨迹.
主要方法:
- 117名极早产婴儿 (EPI) 在输管养期间接受了脉冲或假的口皮干预,持续4周.
- 非营养吸收 (NNS) 信号在频域中使用Welch和Yule-Walker功率光谱密度 (PSD) 方法进行数字化和分析.
- 机器学习 (ML) 集群分析确定了不同的NNS增长模式,其次是线性混合建模 (LMM) 来评估影响因素.
主要成果:
- 机器学习 (ML) 分析揭示了频率域中三种不同类型的非营养吸入 (NNS) 发展.
- 关键的NNS频率域测量 (峰值频率,PSD振幅,AUC) 受到月经后年龄 (PMA) 的显著影响.
- 呼吸系统状态 (RDS,BPD) 和干预类型没有显著影响这些频率域NNS特征.
结论:
- 频域分析,特别是使用ML,有效地描述了早产婴儿中独特的非营养吸 (NNS) 发育模式.
- 了解频率域中的NNS节律生成,可以更深入地了解EPI中吸入中心模式发生器 (sCPG).
- 识别不变性与可修改性NNS特征可以为早产婴儿的食干预改善治疗策略.
