2D波形电平图深度学习用于发作在早产胎儿绵羊的后低氧性-缺血性EEG中的模式识别

科学领域:

• 新生儿神经学 新生儿神经学
• 计算神经科学是一种计算神经科学.
• 医学成像分析分析 医学成像分析

背景情况:

• 过早出生新生儿的缺氧-缺血 (HI) 事件可能导致发作,神经损伤和大脑发育受损.
• 产前新生儿发作往往没有被发现或被低估,这凸显了改善诊断工具的需要.
• 准确识别发作对于及时干预和了解形态差异至关重要.

研究的目的:

• 引入基于深度学习的实时模式融合方法,用于识别高幅度刻板印象发育 (HAS) 在早产新生儿后HI.
• 开发和验证一种新型的17层深卷积神经网络 (CNN) 分类器,使用2D波形电平图 (WS) 图像对EEG模式进行分类.
• 评估WS-CNN分类器在早产新生儿脑电图数据中检测HI相关的准确性.

主要方法:

• 设计了一个17层深层卷积神经网络 (CNN) 分类器.
• 从HI后的早产胎儿羊模型中获得的EEG数据被转换为2D波形电平图 (WS) 图像.
• WS-CNN分类器在HI后6至48小时记录的1812个手动注释的EEG段上进行了训练和交叉验证.

主要成果:

• 在识别HAS模式时,WS-CNN分类器实现了97.19%的整体准确性 (AUC = 0.96).
• 该模型在严重的大脑能量衰竭之前的潜伏阶段识别发作时表现出高准确度.
• 该分类器在256Hz采样的EEG数据中成功识别了HI相关的,这是临床相关的频率.

结论:

• 拟议的WS-CNN模式分类器显示,对准确识别早产新生儿大脑中HI相关的发作有显著的希望.
• 这种深度学习方法可以帮助在缺氧缺血事件后早期诊断和管理新生儿发作.
• 这些发现支持使用256HzEEG数据与先进的算法来检测脆弱新生儿的发作的临床相关性.