深度学习用于在低氧-缺血症-临床前验证后对一般化EEG发作检测
Hamid Abbasi1,2, Joanne O Davidson1, Simerdeep K Dhillon1
1Department of Physiology, Faculty of Medical and Health Sciences, University of Auckland, Auckland 1023, New Zealand.
Bioengineering (Basel, Switzerland)
|March 27, 2024
概括
先进的深度学习精确地检测出新生儿在缺氧缺血 (HI) 后的发作,即使有脑冷却. 这种卷积神经网络 (CNN) 方法在不同大脑成熟度的临床翻译中显示出高可靠性.
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.
- 医疗信号处理 医疗信号处理
背景情况:
- 缺氧缺血症 (HI) 后的新生儿受大脑成熟度和治疗性低温症 (TH) 的影响.
- 准确,通用的自动发作识别对于临床管理至关重要.
研究的目的:
- 为了验证深度学习 (CNN) 分类器用于检测胎儿羊的后HI.
- 评估大脑成熟和冷却对发作检测准确性的影响.
主要方法:
- 利用卷积神经网络 (CNN) 来检测来自胎儿绵羊的EEG数据中的发作.
- 在包括HI-常温期,HI-低温期和HI-常温期前组的队列上,雇员一次休假和k倍交叉验证 (>17300小时的记录).
主要成果:
- 经过长期训练的检测器在早产性发作中获得了高准确率 (99.5%).
- 预产期训练数据导致预产期和低温数据的表现下降.
- 在所有探测器中,总体平均准确率为99.7% (AUC为99.4%).
结论:
- 深度学习算法可靠地识别后HI发作,无论成熟度如何,低温的影响最小.
- 在早产和满期新生儿之间,的谱特征有所不同.
- 这一进步为256HzEEG记录中发作检测提供了一个临床可翻译的工具.
