低酸素状態におけるバックグラウンド異常の重症度を等級分けした新生児脳波

Scientific Data volume 10、記事番号: 129 (2023) この記事を引用

1125 アクセス

3 オルトメトリック

メトリクスの詳細

このレポートでは、背景パターンの異常の重症度に従って等級付けされた一連の新生児脳波 (EEG) 記録について説明します。このデータセットは、新生児集中治療室で記録された 53 人の新生児からの 169 時間のマルチチャネル EEG で構成されています。すべての新生児は、正期産児の脳損傷の最も一般的な原因である低酸素性虚血性脳症（HIE）の診断を受けました。各新生児について、良質の脳波の 1 時間エポックを複数選択し、バックグラウンド異常について等級付けしました。等級付けシステムは、振幅、連続性、睡眠覚醒サイクル、対称性と同期性、異常な波形などの EEG 属性を評価します。次に、バックグラウンドの重症度を 4 つのグレードに分類しました:正常または軽度異常な EEG、中程度に異常な EEG、重度に異常な EEG、および非活動性 EEG。このデータは、HIE の新生児のマルチチャネル EEG のリファレンスセットとして、EEG トレーニングの目的で、または自動採点アルゴリズムの開発および評価に使用できます。

出生前後に酸素供給や脳への血流が障害されると、脳損傷を引き起こす可能性があります。乳児は低酸素性虚血性脳症（HIE）と呼ばれる脳症を発症する可能性があり、これは正期産新生児の死亡および障害の主な原因となっています。 HIE の発生率は、高所得国では出産 1,000 件あたり約 2 件であり、低所得国から中所得国では発生率が高くなります1。 HIE は新生児の死亡、または脳性麻痺、てんかん、学習障害などの重大な神経障害および神経発達障害を引き起こす可能性があります2。 HIE は進行性の脳損傷です。一次損傷の後には、約 6 時間続く潜伏期が続きます。この後に、プログラム細胞死の遅延期である二次損傷期が続きます。治療的低体温療法は、中等度から重度の HIE の乳児に利用できる唯一の介入であり、効果を発揮するには、損傷の二次段階が始まる前に開始する必要があります。

脳波（EEG）により、ベッドサイドで脳機能を継続的にモニタリングできます。低酸素性虚血性障害は、EEG の正常な背景パターンを変化させ、脳機能障害に対する独自の洞察を提供する可能性があります 3。正常な脳波背景からのこの逸脱は、神経発達の悪影響と関連しています4、5、6。 EEG は進行中の脳症の重症度を測る貴重な尺度であるため、損傷の初期段階で開始すると、どの乳児が低体温療法の恩恵を受けるかを判断するのに特に役立ちます7。

EEG の検査には専門知識が必要ですが、新生児集中治療室では常に利用できるわけではありません。コンピュータベースの方法には、損傷の重症度についてバックグラウンドの脳波活動を等級付けするプロセスを自動化できる可能性があります。これらの自動化された方法は、人間の能力をはるかに超えて、大量の新生児を監視するために簡単に拡張できるEEG活動の継続的な客観的な測定値を生成することができます。バックグラウンドグレーディングシステムを生成するための多くの方法が開発されています8、9、10、11、12、13、14、15、16、17。この既存の一連の研究は、バックグラウンド EEG の正確な分類器を構築するための信号処理および機械学習手法の可能性を強調しています。この大きな進歩にもかかわらず、この分野ではさらに多くのことを達成できる可能性があります。これまでのところ、進歩はさまざまなアプローチを追求する個々の研究グループに限定されています。方法を比較することは、受け入れられた標準的な採点方式 3 や自由に入手できる EEG データの欠如など、多くの理由により困難です 17。これらの制限のいくつかに対処することを目的として、また注釈付きのオープンアクセス新生児 EEG データセットの成功に触発されて、HIE と診断された乳児について生後 1 日以内に記録されたオープンアクセス EEG データセットを紹介します。各乳児の複数の 1 時間 EEG エポックにより、バックグラウンド異常の重症度が等級付けされました。このデータは、新しいアルゴリズムの開発や既存のアルゴリズムのベンチマークに使用できます。このデータは、背景の新生児 EEG のレビューのトレーニングを支援するために使用することもできます。

EEG 記録のサブセットは、医療機器の治験中に収集されたデータから取得されました。臨床調査では、発作を検出するための機械学習アルゴリズムの有効性が評価されました19,20。発作のリスクがあると臨床的に判定され、在胎週数36～44週で新生児集中治療室（NICU）に入院した新生児が研究に含められると考慮された。保護者または親からの書面による同意を得た後、2011 年 1 月から 2017 年 2 月までの期間、新生児が登録されました。データは、アイルランド、オランダ、スウェーデン、英国の 8 つの新生児センターで収集されました。

医療機器の治験の一環として、472 人の新生児が募集されました20。このグループから、臨床 HIE 診断と少なくとも 6 時間の有効な EEG 記録を持つ 284 人の新生児が選ばれました。 18人の乳児は複合診断のため除外され、68人はEEGアルゴリズム開発のための将来の検証セットのために保留され、17人はEEGが生後48時間以内に開始されなかったため除外された。残りの 181 人のうち、データを共有する許可を得た新生児 54 人だけを含めました。それは、アイルランドのコーク大学産科病院で記録された脳波です。脳波を詳しく検査した結果、脳波記録の品質が低かったため、さらに新生児が除外されました。表 1 に示すように、53 人の新生児からなるこのコホートでは、在胎週数の中央値は 40 週で、ほとんどが男性 (62%) で、ほとんど (58%) が低体温療法を受けていました。

コーク大学産科病院で脳波データを収集する研究は、コーク倫理研究委員会によって承認されました。同じ倫理委員会は、完全かつ取り消し不能に匿名化された脳波記録のオープンアクセス公開も承認した。データ共有の許可は、アイルランドのコーク大学ユニバーシティカレッジのデータ保護責任者から得ています。

脳波は、出生後できるだけ早く、生後100時間までの長期間記録されました。 2 台の EEG 装置、NicoletOne ICU Monitor (Natus、米国ウィスコンシン州ミドルトン) が 24 人の新生児に、Neurofax EEG-1200 (日本光電、東京、日本) が 29 人の新生児に使用されました。 EEG は 256 Hz (NicoletOne) および 200 Hz (Neurofax) のレートでサンプリングされました。使い捨て電極は、10 個の電極の縮小バージョンを使用して、中央 (C3 および C4)、前頭部 (F3 および F4)、後頭部 (O1 および O2)、側頭部 (T3 および T4) 領域および正中線 (Cz) に配置されました。：20国際システム20． EEG は基準チャネルに対して記録されました。つまり、Neurofax 記録の場合は C3 と C4 の間の平均、NicoletOne 記録の場合は FCz、Fz と Cz の間の正中位置です。

EEG は、NicoletOne および Neurofax マシンの独自形式からオープンな European Data Files (EDF) 形式にエクスポートされ、オフライン分析のために安全に保存されました。すべてのデータは完全に匿名化されました。各新生児について、連続 EEG 記録から最大 5 つの 1 時間エポックが取り除かれました。多忙な集中治療環境で記録された長時間の EEG ではアーチファクトが発生することは珍しいことではありません。エポックはアーティファクトをできる限り避けるように選択され、すべてのエポックで大部分のエポックにはアーティファクトがありませんでした。それらは、連続記録の期間中、時間内に配信されましたが、生後最初の 48 時間に限定されました。合計 169 のエポック (正確に 60 分) がデータセットに含まれていました。新生児あたりのエポック数の中央値は 3 で、四分位間の範囲は 2 ～ 4 でした。図 1a は、新生児あたりのエポックの分布を示しています。

EEG エポックの分布。 53 人の新生児からの連続 EEG 記録から 169 の 1 時間エポックが切り取られました。 (a) は赤ちゃんごとのエポックの分布、(b) は EEG 低酸素性虚血性脳症 (HIE) のグレード。一部の新生児は、エポック全体を通じて複数の等級を持ちます。(c) は、新生児ごとの等級のセットのすべての可能な組み合わせの分布を示しています。

新生児 EEG の専門知識を持つ 2 人の臨床生理学者 (著者 SRM および GBB) は、一般的に使用される EEG 分類スキームを使用して各時期を独立して等級付けしました 6、8、9、16。表 2 に、この評価システムの概要を示します。 2 人の専門家間でグレードが一致しない場合は、共同でエポックをレビューし、合意されたグレードを決定しました。等級付けシステムには、さまざまな程度の不連続な活動、正常および異常なパターン、半球全体の活動の対称性と同期性、および睡眠と覚醒のサイクルの質または欠如の尺度が含まれます。グレーディングシステムの詳細については、Murray et al.6 を参照してください。発作は等級付けシステムの一部ではありませんが、一部のエポックには短期間の発作が含まれていました。これらの発作は 1 時間のエポックに比べて持続時間が短いため、発作の存在のみに基づいて等級を割り当てるのに十分な背景活動が存在しました。グレード 0 (正常な EEG) とグレード 1 (軽度異常な EEG) が新しいグレード 1 に統合され、正常と軽度の異常な EEG の両方を表します。 169 エポックにおけるこれら 4 つのグレードの分布を図 1b に示します。大部分のエポックはグレード 1 です。グレード 1 は 104 人、グレード 2 は 31 人、グレード 3 は 22 人、グレード 4 は 12 人です。図 1c に示すように、すべての新生児がすべてのエポックを通じて同じグレードを持っていたわけではありません。最も一般的な成績セットは {1} (n = 25) で、次に {1, 2} (n = 10)、{1, 2, 3} (n = 4) でした。 1 人の新生児は 5 つの時期にわたって 4 つのグレードすべてを持っていました。各グレードのEEGセグメントの例を図2に示します。

さまざまな脳波グレードの例。さまざまな新生児の 36 秒間の脳波。 (a) 正常または軽度異常な脳波 (グレード 1)。 (b) 中程度に異常な脳波 (グレード 2)。 (c) 重大な異常（グレード 3）。 (d) 非活動性脳波 (グレード 4)。バースト間隔 (IBI) は、グレード 2 およびグレード 3 の例に注釈が付けられています。すべての EEG は双極モンタージュで表示され、同じ時間と振幅スケールでプロットされ、0.3 ～ 35 Hz のバンドパスフィルターがかけられています。

各エポックのグレードを含む脳波データは Zenodo (https://doi.org/10.5281/zenodo.7477575) で入手できます21。データは、EDF ファイルおよび圧縮されたカンマ区切り値 (CSV) ファイルとして提供されます。 EDF ファイルは EDF_format/ フォルダーに保存され、CSV ファイルは CSV_format/ フォルダーに保存されます。各 1 時間エポックは、ファイル名規則 IDXX_epochY を使用して、別個のファイルとして保存されます。たとえば、ファイル ID10_epoch3 は、赤ちゃん 10 の 3 番目のエポックです。CSV 形式の eeg_grades.csv という別のファイルには、各エポックに割り当てられた等級が含まれています。別の CSV ファイル (metadata.csv) には、エポックに関する追加情報 (EEG の品質の説明、発作の有無、記録に使用された参照電極、サンプリング周波数) が含まれています。

EEG は NICU の臨床基準に従って記録されました。 EEG のエポックは、アーティファクトが低減された高品質なものが選択されました。ただし、これらの脳波は忙しい集中治療環境で記録されるため、アーティファクトが完全にないわけではありません。図 3 は、いくつかのアーティファクトの例を示しています。アーチファクトの種類は、汗アーチファクト、筋肉、呼吸など、生物学的起源によって異なります。近くのデバイスからの 50 Hz 電源干渉など、非生物起源のアーティファクト。電極インピーダンスを定期的にチェックすると、EEG 記録が一時停止され、その結果、一定期間の EEG がほぼゼロになります。 60 分エポックにおけるフラットトレースの継続時間の中央値は 0.7 秒で、四分位範囲は 0.4 ～ 1.0 秒、範囲は 0 ～ 431.1 秒でした。

いくつかの典型的な EEG アーチファクトの例。さまざまな新生児の 36 秒間の脳波。 (a) 高振幅の運動アーチファクトを伴う EEG セグメント (グレード 1 EEG)。（b）汗アーチファクト（グレード1EEGも）、（c）C4–O2およびC4–T4のECGアーチファクト、およびF3–C3（グレード3EEG）で最も顕著な高周波筋肉アーチファクト。（ d ）左半球チャネルにわたる呼吸アーチファクト。C3〜O1（グレード4 EEG）ではっきりと見えます。すべての EEG はバイポーラモンタージュで、0.1 ～ 35 Hz のバンドパスフィルター処理されています。

EEG 記録の品質チェックの一環として、低周波数と高周波数での EEG パワーを比較します。低周波の活動は皮質活動の尺度ですが、高周波は皮質活動を測定する可能性は低く、ノイズフロアにすぎない可能性が高くなります 18。バイポーラモンタージュ F3 ～ C3、T3 ～ C3、O1 ～ C3、C3 ～ Cz、Cz ～ C4、F4 ～ C4、T4 ～ C4、および O2 ～ C4 にわたるチャネルごとのパワーを計算します。各チャネルは、無限インパルス応答 (IIR) フィルター、つまり次数 21 のタイプ II チェビシェフフィルターでバンドパスフィルター処理されます。次に、パワーは 0.5 ～ 16 Hz (低周波数) および 77 ～ 99 Hz (高周波数) の通過帯域内で計算されます。すべてのエポックにわたる、低周波数帯域の電力中央値は 175.4 μV2 (四分位範囲、IQR: 83.7 ～ 419.8 μV2)、高周波数帯域では 8.4 μV2 (IQR: 1.6 ～ 36.2 μV2) です。したがって、ノイズフロアの推定値は、EEG 脳活動の記録よりもかなり低いことがわかります。

次に、EEG の技術的品質をさらに検証するために、すべてのエポックの周波数応答を計算し、一連の定量的 EEG (qEEG) 特徴を生成しました 22,23。パワースペクトル密度 (PSD) は、8 秒のハミングウィンドウと 75% のオーバーラップを備えたウェルチ法を使用して推定されました。 PSD は、前述と同じバイポーラモンタージュを使用してチャネルごとに計算されました。次に、各チャネルの推定値が 1 時間エポックの 8 チャネルすべてで平均化されます。図 4 は、グレードごとのすべてのエポックの PSD をまとめたものです。グレード 1 から 3 は、新生児 EEG10、22、24、25 の現在の理解に沿って、べき乗則応答として知られる線形対数対対数周波数応答を示します。グレード 4 の場合、応答はより非線形であるように見えますが、このグループのエポック数が少ない (23、31、および 105 と比較して 12) ことが要因である可能性があります。

各グレードのエポック (a) とすべてのエポックの総平均 (b) から対数対数スケールでプロットされたスペクトル。太線はすべてのエポックにわたる中央値を表し、影付きの領域は (a) と (b) の四分位間の範囲と、(b) の 95 百分位範囲を表します。グレード 1 には 104 エポック、グレード 2 には 31 エポック、グレード 3 には 22 エポック、グレード 4 には 12 エポックがあります。

qEEG 特徴セットは、スペクトルパワー、範囲 EEG (rEEG)、半球間コヒーレンス、フラクタル次元、およびスペクトルエッジ周波数の 5 つの特徴で構成されていました 22,23。特徴は、前述したのと同じ双極性モンタージュを使用して推定されます。スペクトルパワーとコヒーレンス機能は、デルタ (0.5 ～ 4 Hz)、シータ (4 ～ 7 Hz)、アルファ (7 ～ 13 Hz)、およびベータ (13 ～ 30 Hz) の 4 つの周波数帯域で個別に生成されます。 rEEG は 1 ～ 20 Hz の帯域幅内で計算され、下マージン、中央マージン、上マージンで評価されます23。半球間コヒーレンスは、F3-C3 と F4-C4、T3-C3 と T4-C4、O1-C3 と O2-C4 のチャネルペア間で計算されたコヒーレンスの平均値です。スペクトルパワー、コヒーレンス、フラクタル次元、スペクトルエッジ周波数 (95%) は、50% のオーバーラップを持つ EEG の 64 秒セグメントで推定されます。すべてのセグメントの中央値は、1 時間のエポックにわたる特徴を要約するために使用されます。コヒーレンスを除くすべての特徴は、チャネルごとに推定され、チャネル全体の中央値によって要約されます。特徴は、NEURAL ツールボックス (https://github.com/otoolej/qEEG_feature_set、バージョン 0.4.4) を使用して生成されました。

図 5 は、5 つの機能の分布をプロットし、4 つのグレードにわたる多くの機能の違いを強調しています。図5aのrEEG（ピークツーピーク電圧の尺度）は、4つのグレードを通じてEEG振幅が減少していることを示しており、グレード間の差はrEEG特徴の中央値で特に顕著です。同様に、4 つの周波数帯域にわたる 4 つのグレードのスペクトルパワーの違いは、図 5b で明らかです。値は低いものの、重要な半球間コヒーレンスが 4 つの周波数帯域にわたって存在し、他の 3 つの周波数帯域と比較してデルタ (0.5 ～ 4 Hz) 帯域のコヒーレンスのレベルが高くなります。フラクタル次元とスペクトルエッジ周波数のプロットはどちらも、グレードが増加するにつれて対数対数スペクトルの傾きが減少する形で、グレードごとのスペクトル形状の違いを示しています。

4 つの HIE-EEG グレードの EEG の定量的概要測定。範囲の 3 つの要約測定値 - (a) の EEG (rEEG)、(b) のスペクトルパワー、(c) の半球間コヒーレンス、(d) のフラクタル次元、(e) のスペクトルエッジ周波数。スペクトルパワーとコヒーレンスの特徴は、4 つの異なる周波数帯域に対して計算されます。

EEG ファイルは EDF 形式と CSV 形式の両方で保存されます。 EDF 形式は、睡眠 EEG ファイル用に 1992 年に開発され、EEG ファイルの標準オープン形式であり続けています26。 EDF ファイルは、EDFbrowser (https://www.teuniz.net/edfbrowser/) などの無料バージョンを含む、ほとんどの EEG レビューソフトウェアで表示できます。この形式ではデータが 16 ビット整数で保存されるため、データを分析または表示する前に 64 ビット浮動小数点数に変換される可能性があります。 EEG を 16 ビット整数で保存すると、64 ビット浮動小数点数に比べてファイルサイズが小さくなりますが、損失が大きくなります。ただし、多くの可逆圧縮アルゴリズムは、情報を失わずにこの圧縮に対応できるようになりました。構造が時代遅れであるにもかかわらず、EEG レビュー用の標準的なオープン形式のままです。

ソフトウェアツールを使用した分析の場合、EDF ファイルは他のデータタイプには使用されないため、EDF ファイルを読み取るために特別なライブラリが必要です。このため、分析のためにデータをロードするプロセスを簡素化するために、広くアクセス可能な CSV 形式も提供しています。当社の CSV 形式には、9 つの各チャネルの時間 (秒単位) と電圧 (マイクロボルト単位) が保存されます。各 CSV ファイルの最初の行には、各列の名前を含むヘッダーが含まれています。これらのファイルは、Lempel-Ziv-Markov チェーンアルゴリズムを使用するクロスプラットフォーム XZ 形式を使用して圧縮されます。ファイルを解凍するには、無料で利用できる圧縮ツールを使用できます。たとえば、Windows オペレーティングシステムの場合は 7z (https://www.7-zip.org/)、Linux オペレーティングシステムの場合は XZ Utils (https://tukaani.org/xz/) です。あるいは、多くのプログラミング言語では、データのインポート時にこの圧縮解除を行うことができます。たとえば、Python プログラミング環境 (Python Software Foundation、https://www.python.org/) では、Pandas パッケージの read_csv 関数を使用して、XZ27 で圧縮された表形式データを直接読み取ることができます。

pd eeg_df = pd.read_csv("ID10_epoch3.csv.xz") としてパンダをインポートします

たとえば、ファイル ID10_epoch3.csv.xz です。同様に、R プログラミング環境 (R コアチーム、https://www.R-project.org/) の read.csv 関数は、圧縮された XZ 形式でデータを直接インポートできます。

eeg_df < - read.csv("ID10_epoch3.csv.xz")

Matlab (The Mathworks, Inc.、米国) および Julia (The Julia Project、https://julialang.org/)28 の場合、インポートする前に CSV ファイルを解凍する必要があります。 MATLABでは、

eeg_tb = readtable("ID10_epoch3.csv");ここで、ID10_epoch3.csv は ID10_epoch3.csv.xz の非圧縮バージョンです。ジュリアでは、

CSV を使用する DataFrames を使用する eeg_df = CSV.read("ID10_epoch3.csv", DataFrame)

データはトレーニング目的に使用される可能性があります。このため、参照モンタージュまたは双極モンタージュの両方を使用して、EEG ビューアでデータを表示できます。データは処理目的で生の参照形式で提供されますが、視覚的な分析は通常、双極性モンタージュを使用して行われます。記録中に表示され、バックグラウンドスコアリングに使用される双極モンタージュには、次の双極電極ペアが含まれています: F4–C4、C4–O2、F3–C3、C3–O1、T4–C4、C4–Cz、Cz–C3、C3–T3。これには、前後方向と横方向の両方の要素が含まれます。新生児 EEG をレビューするための一般的な表示設定には、感度 70 ～ 100 μV/cm、タイムベース 15 ～ 20 mm/秒、バンドパスフィルター 0.5 ～ 70 Hz が含まれます。振幅統合 EEG (aEEG) チャネルは臨床レビューで人気があり、このモンタージュには F4 ～ C4、F3 ～ C3、および C4 ～ C3 の aEEG チャネルが含まれる可能性があります。

EEG データは、自動 EEG グレーディングアルゴリズムの開発にも使用できます。これらの分類アルゴリズムは、信号処理と機械学習手法を使用して、EEG 8、9、10、11、12、13、14、15、16、17 の特定のグレードに特徴的な情報を EEG から抽出します。アルゴリズム開発の最初の段階は、データの前処理です。これにはバンドパスフィルターが含まれ、通常はその後にダウンサンプリングが続きます。たとえば、0.5 ～ 30 Hz のバンドパスフィルターは、50 Hz の電力線ノイズと、DC ドリフトや汗によるアーチファクトなどのアーチファクトに関連することが多い非常に遅いアクティビティ (<0.5 Hz) を除去します。バンドパスフィルターにより、エイリアシングのないダウンサンプリングも可能になります。ダウンサンプリングは通常、パフォーマンスの損失を無視してアルゴリズムの計算負荷を軽減するために適用されます。前処理された EEG は、EEG を等級付けするための分類器で使用する準備が整います。

機械学習モデルを組み込んだグレーディングアルゴリズムを開発するには 2 つのアプローチがあります。 1 つ目は、信号処理手法を使用して前処理された EEG から一連の特徴を抽出し、機械学習モデルを使用してこれらの特徴を組み合わせる8、9、10、11、12、13、14、15、17。このアプローチでは、4 つのグレード間の主な識別要素を適切に一般化する一連の特徴を開発および厳選する必要があります。図 5 が示すように、さまざまなレベルの精度で 4 つのグレードを区別できるさまざまな特徴が潜在的に存在します。 2 番目のアプローチは、エンドツーエンド (EEG から採点まで) のソリューションを提供する深層学習手法を使用することです 16,29。これらの方法では、単一のニューラルネットワーク内の特徴が自動的に抽出され、結合されます。このアプローチでは、畳み込みニューラルネットワークやリカレントニューラルネットワークなど、使用するニューラルネットワークのタイプを選択し、ネットワークの特定のアーキテクチャを設計する必要があります。

どちらのアプローチでも、機械学習モデルはトレーニングとテストを通じてデータ駆動型のアプローチを使用して構築されます。何らかの形式の相互検証 (理想的には 1 つ抜き) を使用してモデルをトレーニングおよびテストすることをお勧めします。トレーニングデータとテストデータの分割は、エポックレベルではなく、新生児レベルで行う必要があります。これにより、同じ新生児からのエポックを使用してトレーニングされたモデルをテストすることが回避されます。どのアプローチが使用されるかに関係なく、残念ながら、すべてに適用できる万能のモデルはありません。つまり、アプリケーションが異なれば、必要なモデルも異なります。正確で堅牢な分類器を開発するには、設計プロセスに十分な注意と注意が必要ですが、HIE の乳児の健康転帰を改善するこのようなアルゴリズムの潜在的な臨床的有用性を考慮すると、努力する価値は確かにあります。

データの生成にカスタムコードは使用されませんでした。 NicoletOne および Neurofax EEG マシン用の関連する EEG レビューソフトウェアを使用して、EEG ファイルを独自の形式から EDF ファイルにエクスポートしました。 EEG データを表示してプログラミング環境にインポートする方法の詳細については、「使用上の注意」セクションで説明されています。

EEG のコンピューターベースの分析を支援するために、EEG をより低く均一なサンプリングレートにダウンサンプリングするためのコードを無償で提供しています。定量的または機械学習による分析では、パワーの大部分が通常 10 ～ 20 Hz 未満であるため、新生児 EEG はより低いサンプリングレートにダウンサンプリングされることがよくあります。たとえば、図 5e は、スペクトルパワーの 95% が 25 Hz 未満であることを示しています。処理ルーチンには、ダウンサンプリング前のアンチエイリアシングフィルターが含まれます。 Matlab バージョンと Python バージョンのコードは両方とも https://github.com/otoolej/downsample_open_eeg (コミット: 22e92db) に含まれています。

Kurinczuk, JJ、White-Koning, M. & Badawi, N. 新生児脳症および低酸素虚血性脳症の疫学。初期のハム。開発者 86、329–338 (2010)。

論文 PubMed Google Scholar

ペレス、A.ら。低酸素性虚血性脳症による長期の神経発達転帰。 J. Pediatr. 163、454–459 (2013)。

論文 PubMed Google Scholar

Walsh, BH、Murray, DM & Boylan, GB 新生児の低酸素性虚血性脳症の評価における従来の EEG の使用: レビュー。クリン。神経生理学。 122、1284–1294 (2011)。

論文 CAS PubMed Google Scholar

ホームズ、G.ら。新生児仮死における脳波の予後値。脳波計。クリン。神経生理学。 53、60–72 (1982)。

論文 CAS PubMed Google Scholar

Pressler, RM、Boylan, GB、Morton, M.、Binnie, CD & Rennie, JM 低酸素性虚血性脳症における初期の連続脳波図。クリン。神経生理学。 112、31–37 (2001)。

論文 CAS PubMed Google Scholar

Murray, DM、Boylan, GB、Ryan, CA、Connolly, S. 低酸素性虚血性脳症の初期のEEG所見は、2年後の転帰を予測します。小児科学 124、459–467 (2009)。

記事 Google Scholar

Tagin, MA、Woolcott, CG、Vincer, MJ、Whyte, RK & Stinson, DA 新生児低酸素性虚血性脳症に対する低体温療法: 最新の体系的レビューとメタ分析。小児科および青少年医学アーカイブ 166、558–566 (2012)。

論文 PubMed Google Scholar

Korotchikova, I.、Stevenson, NJ、Walsh, BH、Murray, DM & Boylan, GB 新生児低酸素性虚血性脳症における定量的脳波分析。クリン。神経生理学。 122、1671–1678 (2011)。

論文 CAS PubMed Google Scholar

Ahmed, R.、Temko, A.、Marnane, W.、Lightbody, G. & Boylan, G. GMM スーパーベクトルとサポートベクターマシンを使用した新生児 EEG における低酸素性虚血性脳症の重症度の等級付け。クリン。神経生理学。 127、297–309 (2016)。

論文 PubMed Google Scholar

ニュージャージー州スティーブンソンら。低酸素性虚血性脳症の正期産新生児の脳波異常を等級付けするための自動システム。年代記バイオメッド。工学 41、775–785 (2013)。

記事 CAS Google Scholar

Raurale、SA et al. 新生児脳波における低酸素性虚血性脳症を等級分けするためのトレース交互検出器。 29ユーロで。信号プロセス。会議、1177–1181、(IEEE 2021)。

Raurale, SA、Nalband, S.、Boylan, GB、Lightbody, G. & O'Toole, JM 新生児脳波における低酸素性虚血性脳症のグレード分けにおけるインターバースト検出法の適合性。第41回国際では会議 IEEE Eng. 医学。バイオル。学会、4125–4128、(IEEE 2019)。

マティック、V.ら。窒息した正期産児における自動バックグラウンド EEG 評価のための総合的なアプローチ。 J. Neural Eng. 11、66007 (2014)。

記事 Google Scholar

マティック、V.ら。窒息した乳児のバックグラウンドEEGダイナミクスのモニタリングの信頼性を向上します。 IEEEトランス。バイオメッド。工学 63、973–983 (2015)。

論文 PubMed Google Scholar

Guo, J.、Cheng, X.、Wu, D. 新生児 EEG に基づく低酸素性虚血性脳症の等級付け方法。工学および科学におけるコンピュータモデリング 122、721–741 (2020)。

記事 Google Scholar

Raurale、SA et al. 畳み込みニューラルネットワークと二次時間周波数分布を使用した新生児脳波における低酸素性虚血性脳症の等級付け。 J. Neural Eng. 18、046007 (2021)。

論文 ADS PubMed Central Google Scholar

モガダム、SM et al. 新生児脳波背景のためのオープンソース分類器の構築: 専門家のスコアリングから臨床視覚化までの体系的な特徴ベースのアプローチ。フロント。人間の神経科学。 15、1–15 (2021)。

記事 Google Scholar

Stevenson, NJ、Tapani, K.、Lauronen, L.、Vanhatalo, S. 発作の注釈が付いた新生児 EEG 記録のデータセット。科学。データ 6、1 ～ 8 (2019)。

記事 CAS Google Scholar

パベル、AM et al. 新生児発作認識のための機械学習アルゴリズム: 多施設無作為化対照試験。ランセット・チャイルド・アドルスク。癒す。 4、740–749 (2020)。

記事 Google Scholar

パベル、AM et al. 新生児発作の管理: 治療のタイミングは重要ですか? J. Pediatr. 243、61–68 (2021)。

論文 PubMed Google Scholar

オトゥール、JMら。背景異常の重症度について新生児脳波を等級分けします。ゼノド https://doi.org/10.5281/zenodo.7477575 (2022)。

Finn, D.、O'Toole, JM、Dempsey, EM、Boylan, GB 出生直後の新生児の神経機能を評価するための EEG。アーチ。ディス。子供。胎児新生児編 104、F510–F514 (2019)。

論文 PubMed Google Scholar

O'Toole, JM & Boylan, GB 定量的早産脳波分析: 最新のデータサイエンス技術を使用する場合は注意が必要です。フロント。小児科。 7、174（2019）。

記事 PubMed PubMed Central Google Scholar

Korotchikova、I. et al。生後12時間以内の健康な正期産新生児の脳波。クリン。神経生理学。 120、1046–1053 (2009)。

論文 CAS PubMed Google Scholar

Stevenson, NJ、Mesbah, M.、Boylan, GB、Colditz, PB & Boashash, B. 非定常入力による新生児 EEG の非線形モデル。年代記バイオメッド。工学 38、3010–3021 (2010)。

記事 CAS Google Scholar

Kemp, B.、Värri, A.、Rosa, AC、Nielsen, KD & Gade, J. デジタル化されたポリグラフィック記録を交換するための単純なフォーマット。脳波計。クリン。神経生理学。 82、391–393 (1992)。

論文 CAS PubMed Google Scholar

パンダ開発チームです。 pandas-dev/pandas: パンダ。ゼノド https://doi.org/10.5281/zenodo.3509134 (2022)。

Bezanson、J.、Edelman、A.、Karpinski、S. & Shah、VB Julia: A Fresh Approach to Numerical Computing。 SIAM レビュー 59、65–98 (2017)。

記事 MathSciNet MATH Google Scholar

Raurale, SA、Boylan, GB、Lightbody, G. & O'Toole, JM 畳み込みニューラルネットワークを使用した新生児脳波における低酸素性虚血性脳症の重症度の等級付け。第42回国際では会議 IEEE Eng. 医学。バイオル。 Soc.、6103–6106、(IEEE、2020)。

リファレンスをダウンロードする

この研究は、Wellcome Trust (209325/Z/17/Z) からの Innovator Award によって支援されました。脳波を記録した医療機器の臨床試験は、ウェルカムトラスト (098983) からの戦略的トランスレーショナルアワードによって支援されました。この記事は、COST (欧州科学技術協力、https://www.cost.eu/) の支援を受けた COST アクション AI-4-NICU (CA20214) の成果に基づいています。

アイルランド、コーク、ユニバーシティ・カレッジ・コーク、乳児研究センター

ジョン・M・オトゥール、ショーン・R・マシソン、スミット・A・ラウラーレ、ファビオ・マガレッリ、ウィリアム・P・マーナン、ゴードン・ライトボディ、ジェラルディン・B・ボイラン

アイルランド、コーク、ユニバーシティ・カレッジ・コーク小児科および小児保健学部

ジョン・M・オトゥール、ショーン・R・マシソン、スミット・A・ラウラーレ、ファビオ・マガレッリ、ジェラルディン・B・ボイラン

アイルランド、コーク、ユニバーシティ・カレッジ・コーク、電子電気工学科

ウィリアム・P・マーナン & ゴードン・ライトボディ

PubMed Google Scholar でこの著者を検索することもできます

GBB と WPM は、EEG を収集した臨床試験の主導的な研究者でした。 SRM は EEG エポックを準備し、GBB と SRM はすべてのエポックをレビューして等級付けしました。 JMOTは脳波の解析を実施した。 JMOT、SRM、FM はオープンアクセス用にデータを準備し、フォーマットしました。 JMOT が最初の草稿を作成し、著者全員がその原稿を批判的にレビューして改訂しました。

ジョン・M・オトゥールへの往復書簡。

著者らは競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

O'Toole、JM、Mathieson、SR、Raurale、SA 他。新生児脳波は、低酸素性虚血性脳症における背景異常の重症度を評価します。サイデータ 10、129 (2023)。 https://doi.org/10.1038/s41597-023-02002-8

引用をダウンロード

受信日: 2022 年 7 月 7 日

受理日: 2023 年 2 月 3 日

公開日: 2023 年 3 月 10 日

DOI: https://doi.org/10.1038/s41597-023-02002-8

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ブログ

低酸素状態におけるバックグラウンド異常の重症度を等級分けした新生児脳波