Neugeborenes EEG, bewertet nach Schwere der Hintergrundanomalien bei Hypoxie

Scientific Data Band 10, Artikelnummer: 129 (2023) Diesen Artikel zitieren

1125 Zugriffe

3 Altmetrisch

Details zu den Metriken

In diesem Bericht wird eine Reihe von Elektroenzephalogrammen (EEG) von Neugeborenen beschrieben, die nach der Schwere der Anomalien im Hintergrundmuster eingestuft sind. Der Datensatz besteht aus 169 Stunden Mehrkanal-EEG von 53 Neugeborenen, die auf einer Intensivstation für Neugeborene aufgezeichnet wurden. Bei allen Neugeborenen wurde eine hypoxisch-ischämische Enzephalopathie (HIE) diagnostiziert, die häufigste Ursache für Hirnverletzungen bei reifen Säuglingen. Für jedes Neugeborene wurden mehrere einstündige EEGs mit guter EEG-Qualität ausgewählt und dann auf Hintergrundanomalien hin bewertet. Das Bewertungssystem bewertet EEG-Attribute wie Amplitude, Kontinuität, Schlaf-Wach-Wechsel, Symmetrie und Synchronität sowie abnormale Wellenformen. Der Hintergrundschweregrad wurde dann in vier Stufen eingeteilt: normales oder leicht abnormales EEG, mäßig abnormales EEG, stark abnormales EEG und inaktives EEG. Die Daten können als Referenzsatz des Mehrkanal-EEG für Neugeborene mit HIE, für EEG-Trainingszwecke oder zur Entwicklung und Bewertung automatisierter Bewertungsalgorithmen verwendet werden.

Eine beeinträchtigte Sauerstoffversorgung oder Durchblutung des Gehirns zum Zeitpunkt der Geburt kann zu Hirnschäden führen. Säuglinge können eine Enzephalopathie namens hypoxisch-ischämische Enzephalopathie (HIE) entwickeln, die die häufigste Ursache für Tod und Behinderung bei reifen Neugeborenen ist. Die Inzidenzraten von HIE liegen in Ländern mit hohem Einkommen bei etwa 2 pro 1.000 Entbindungen, während sie in Ländern mit niedrigem bis mittlerem Einkommen höher sind1. HIE kann zum Tod von Neugeborenen oder zu erheblichen neurologischen und neurologischen Entwicklungsstörungen wie Zerebralparese, Epilepsie oder Lernbehinderungen führen2. HIE ist eine sich entwickelnde Hirnverletzung. Auf die primäre Verletzung folgt eine Latenzphase, die etwa 6 Stunden dauert. Darauf folgt die sekundäre Verletzungsphase, eine verzögerte Phase des programmierten Zelltods. Therapeutische Hypothermie ist die einzige verfügbare Intervention für Säuglinge mit mittelschwerer bis schwerer HIE und muss vor dem Einsetzen der sekundären Verletzungsphase eingeleitet werden, um wirksam zu sein.

Das Elektroenzephalogramm (EEG) ermöglicht eine kontinuierliche Überwachung der Gehirnfunktion am Kinderbett. Ein hypoxisch-ischämischer Insult kann das normale Hintergrundmuster des EEG verändern und einen einzigartigen Einblick in die zerebrale Dysfunktion ermöglichen3. Diese Abweichung vom normalen EEG-Hintergrund ist mit ungünstigen neurologischen Entwicklungsergebnissen verbunden4,5,6. Da das EEG ein wertvolles Maß für den Schweregrad einer bestehenden Enzephalopathie ist, kann es besonders nützlich sein, wenn es in der Primärphase der Verletzung begonnen wird, um festzustellen, welche Säuglinge von einer therapeutischen Hypothermie profitieren können7.

Die Überprüfung des EEG erfordert Fachwissen, das auf Neugeborenen-Intensivstationen nicht immer verfügbar ist. Computergestützte Methoden haben das Potenzial, den Prozess der Einstufung der Hintergrund-EEG-Aktivität hinsichtlich der Schwere der Verletzung zu automatisieren. Diese automatisierten Methoden könnten eine kontinuierliche objektive Messung der EEG-Aktivität liefern, die leicht skaliert werden könnte, um eine große Anzahl von Neugeborenen zu überwachen, weit über das menschenmögliche Maß hinaus. Es wurden viele Methoden entwickelt, um Hintergrundbewertungssysteme zu erstellen8,9,10,11,12,13,14,15,16,17. Diese bestehende Arbeit unterstreicht das Potenzial von Signalverarbeitungs- und maschinellen Lernmethoden zur Erstellung genauer Klassifikatoren des Hintergrund-EEG. Trotz dieser erheblichen Fortschritte kann in diesem Bereich noch mehr erreicht werden. Bisher waren die Fortschritte auf einzelne Forschungsgruppen beschränkt, die unterschiedliche Ansätze verfolgten. Der Vergleich von Methoden ist aus vielen Gründen schwierig17, einschließlich des Fehlens eines akzeptierten Standardbewertungsschemas3 und frei verfügbarer EEG-Daten. Mit dem Ziel, einige dieser Einschränkungen zu beseitigen – und inspiriert vom Erfolg eines frei zugänglichen EEG-Datensatzes für Neugeborene mit Anmerkungen18 – präsentieren wir einen frei zugänglichen EEG-Datensatz, der innerhalb der ersten Tage nach der Geburt für Säuglinge mit einer HIE-Diagnose aufgezeichnet wurde. Mehrere einstündige EEG-Epochen für jeden Säugling wurden nach dem Schweregrad der Hintergrundanomalie bewertet. Diese Daten könnten verwendet werden, um neue Algorithmen zu entwickeln oder bestehende zu vergleichen. Die Daten könnten auch zur Schulung der Überprüfung des Hintergrund-EEG von Neugeborenen verwendet werden.

Eine Teilmenge der EEG-Aufzeichnungen wurde aus Daten abgerufen, die während eines Medizingeräteversuchs gesammelt wurden. Die klinische Untersuchung bewertete die Wirksamkeit eines maschinellen Lernalgorithmus zur Erkennung von Anfällen19,20. Neugeborene, bei denen klinisch festgestellt wurde, dass sie einem Anfallsrisiko ausgesetzt sind, deren Gestationsalter zwischen 36 und 44 Wochen liegt und die auf der Neugeborenen-Intensivstation (NICU) aufgenommen wurden, wurden für die Aufnahme in die Studie in Betracht gezogen. Nach schriftlicher und informierter Zustimmung eines Erziehungsberechtigten oder Elternteils wurden Neugeborene über einen Zeitraum von Januar 2011 bis Februar 2017 aufgenommen. Die Daten wurden in 8 Neugeborenenzentren in Irland, den Niederlanden, Schweden und dem Vereinigten Königreich gesammelt.

Im Rahmen der Medizinproduktestudie wurden 472 Neugeborene rekrutiert20. Aus dieser Gruppe wurden 284 Neugeborene mit einer klinischen HIE-Diagnose und einer gültigen EEG-Aufzeichnung von mindestens 6 Stunden Dauer ausgewählt. Achtzehn Säuglinge wurden aufgrund einer kombinierten Diagnose ausgeschlossen, 68 wurden für eine zukünftige Validierung zur Entwicklung eines EEG-Algorithmus zurückgehalten und 17 wurden ausgeschlossen, weil das EEG nicht innerhalb von 48 Stunden nach der Geburt begann. Von den verbleibenden 181 haben wir nur 54 Neugeborene einbezogen, für die wir die Erlaubnis hatten, die Daten weiterzugeben. Dabei handelt es sich um die EEGs, die im Entbindungskrankenhaus der Universität Cork, Irland, aufgezeichnet wurden. Nach genauerer Untersuchung des EEG wurde ein weiteres Neugeborenes aufgrund der geringen Qualität der EEG-Aufzeichnung ausgeschlossen. Für diese Kohorte von 53 Neugeborenen betrug das mittlere Gestationsalter 40 Wochen, die meisten waren männlich (62 %) und die meisten (58 %) erhielten therapeutische Hypothermie, wie in Tabelle 1 dargestellt.

Die Studie zur Erfassung von EEG-Daten am Entbindungsheim der Universität Cork wurde vom Cork Ethics Research Committee genehmigt. Die gleiche Ethikkommission genehmigte auch die Open-Access-Veröffentlichung der vollständig und unwiderruflich anonymisierten EEG-Aufzeichnungen. Die Erlaubnis zur Weitergabe der Daten wurde vom Datenschutzbeauftragten des University College Cork, Irland, eingeholt.

Das EEG wurde so bald wie möglich nach der Geburt über einen längeren Zeitraum bis zu 100 Stunden nach der Geburt aufgezeichnet. Es wurden zwei EEG-Geräte verwendet, der NicoletOne ICU Monitor (Natus, Middleton, WI, USA) für 24 Neugeborene und der Neurofax EEG-1200 (Nihon Kohden, Tokio, Japan) für 29 Neugeborene. Das EEG wurde mit einer Frequenz von 256 Hz (NicoletOne) und 200 Hz (Neurofax) abgetastet. Entsorgungselektroden wurden über den zentralen (C3 und C4), frontalen (F3 und F4), okzipitalen (O1 und O2) und temporalen (T3 und T4) Regionen sowie an der Mittellinie (Cz) platziert, wobei eine reduzierte Version der 10 verwendet wurde :20 internationales System20. Das EEG wurde relativ zu einem Referenzkanal aufgezeichnet: ein Durchschnitt zwischen C3 und C4 für die Neurofax-Aufzeichnungen und FCz, eine Mittellinienpositionierung zwischen Fz und Cz, für die NicoletOne-Aufzeichnungen.

Das EEG wurde aus dem proprietären Format der NicoletOne- und Neurofax-Geräte in das offene European Data Files (EDF)-Format exportiert und für die Offline-Analyse sicher gespeichert. Alle Daten wurden vollständig anonymisiert. Für jedes Neugeborene wurden maximal 5 einstündige Epochen aus der kontinuierlichen EEG-Aufzeichnung herausgeschnitten. Artefakte sind keine Seltenheit bei Langzeit-EEGs, die in einer geschäftigen Intensivpflegeumgebung aufgezeichnet werden. Die Epochen wurden so ausgewählt, dass möglichst viele Artefakte vermieden wurden, und für alle Epochen war der Großteil der Epoche frei von Artefakten. Sie verteilten sich zeitlich über die Dauer der kontinuierlichen Aufzeichnung, beschränkten sich jedoch auf die ersten 48 Stunden nach der Geburt. Insgesamt wurden 169 Epochen mit einer Dauer von genau 60 Minuten in den Datensatz einbezogen. Die mittlere Anzahl der Epochen pro Neugeborenem betrug 3, mit einem Interquartilbereich von 2 bis 4. Abbildung 1a zeigt die Verteilung der Epochen pro Neugeborenes.

Verteilung der EEG-Epochen. Einhundertneunundsechzig 1-Stunden-Epochen wurden aus kontinuierlichen EEG-Aufzeichnungen von 53 Neugeborenen herausgeschnitten. Verteilung der Epochen pro Baby in (a) und der Grade der hypoxisch-ischämischen Enzephalopathie (HIE) im EEG in (b). Einige Neugeborene haben im Laufe der Epochen mehr als einen Grad: (c) zeigt die Verteilung aller möglichen Kombinationen von Gradsätzen pro Neugeborenem.

Zwei klinische Physiologen mit Erfahrung im Neugeborenen-EEG (Autoren SRM und GBB) bewerteten jede Epoche unabhängig voneinander anhand eines häufig verwendeten EEG-Klassifizierungsschemas6,8,9,16. Tabelle 2 gibt einen Überblick über dieses Bewertungssystem. Wenn die Noten zwischen den beiden Experten nicht übereinstimmten, überprüften sie gemeinsam die Epoche und entschieden sich für eine Konsensnote. Das Bewertungssystem umfasst Messungen unterschiedlicher Grade diskontinuierlicher Aktivität, normaler und abnormaler Muster, Symmetrie und Synchronität der Aktivität über die Hemisphären hinweg sowie die Qualität oder das Fehlen des Schlaf-Wach-Rhythmus. Ausführliche Informationen zum Bewertungssystem finden Sie in Murray et al.6. Obwohl Anfälle nicht Teil des Bewertungssystems sind, gab es in einigen Epochen Anfälle von kurzer Dauer. Aufgrund der kurzen Dauer dieser Anfälle im Vergleich zur einstündigen Epoche gab es genügend Hintergrundaktivität, um eine Einstufung zuzuweisen, die nicht ausschließlich auf dem Vorliegen von Anfällen beruhte. Grad 0 (normales EEG) und Grad 1 (leicht abnormales EEG) wurden zu einem neuen Grad 1 zusammengefasst, um sowohl normales als auch leicht abnormales EEG darzustellen. Die Verteilung dieser 4 Grade für die 169 Epochen ist in Abb. 1b dargestellt. Die überwiegende Mehrheit der Epochen ist Grad 1: 104 für Grad 1, 31 für Grad 2, 22 für Grad 3 und 12 für Grad 4. Nicht alle Neugeborenen hatten in allen Epochen den gleichen Grad, wie in Abb. 1c dargestellt. Die häufigste Notengruppe war {1} (n = 25), gefolgt von {1, 2} (n = 10) und {1, 2, 3} (n = 4). Ein Neugeborenes hatte alle 4 Klassen über 5 Epochen hinweg. Beispielhafte EEG-Segmente für jede Klasse sind in Abb. 2 dargestellt.

Beispiele für verschiedene EEG-Grade. 36 Sekunden EEG von verschiedenen Neugeborenen. (a) normales oder leicht abnormales EEG (Grad 1); (b) mäßig abnormales EEG (Grad 2); (c) schwerwiegende Anomalien (Grad 3); (d) inaktives EEG (Grad 4). Inter-Burst-Intervalle (IBI) werden in den Beispielen der Klassen 2 und 3 erläutert. Alle EEGs sind bipolar zusammengestellt, mit der gleichen Zeit- und Amplitudenskala aufgezeichnet und von 0,3 bis 35 Hz bandpassgefiltert.

Die EEG-Daten mit Noten für jede Epoche sind bei Zenodo (https://doi.org/10.5281/zenodo.7477575)21 verfügbar. Die Daten werden als EDF-Dateien und als komprimierte CSV-Dateien (Comma Separated Values) bereitgestellt. Die EDF-Dateien werden im Ordner EDF_format/ und die CSV-Dateien im Ordner CSV_format/ gespeichert. Jede einstündige Epoche wird als separate Datei unter Verwendung der Dateinamenskonvention IDXX_epochY gespeichert. Beispielsweise ist die Datei ID10_epoch3 die 3. Epoche für Baby 10. Eine separate Datei namens eeg_grades.csv im CSV-Format enthält die jeder Epoche zugewiesenen Noten. Eine weitere CSV-Datei (metadata.csv) enthält zusätzliche Informationen zu den Epochen: eine Beschreibung der Qualität des EEG, ob Anfälle vorliegen oder nicht, die bei der Aufzeichnung verwendete Referenzelektrode und die Abtastfrequenz.

Das EEG wurde gemäß den klinischen Standards auf der neonatologischen Intensivstation aufgezeichnet. Die EEG-Epochen wurden so ausgewählt, dass sie von hoher Qualität und mit reduzierten Artefakten waren. Da diese EEGs jedoch in einer intensiven Intensivumgebung aufgezeichnet werden, sind sie nicht völlig frei von Artefakten. Abbildung 3 zeigt ein Beispiel einiger Artefakte. Die Art der Artefakte variiert je nach biologischem Ursprung, z. B. Schweißartefakte, Muskel- oder Atmungsartefakte. auf Artefakte nichtbiologischen Ursprungs, wie z. B. Störungen der 50-Hz-Stromversorgung durch in der Nähe befindliche Geräte. Regelmäßige Überprüfungen der Elektrodenimpedanz führen zu einer Pause der EEG-Aufzeichnung, was zu Phasen mit flachem EEG nahe Null führt. Die mittlere Dauer der flachen Spur in den 60-Minuten-Epochen betrug 0,7 Sekunden, mit einem Interquartilbereich von 0,4 bis 1,0 Sekunden und einem Bereich von 0 bis 431,1 Sekunden.

Beispiele einiger typischer EEG-Artefakte. 36 Sekunden EEG von verschiedenen Neugeborenen. EEG-Segment mit (a) Bewegungsartefakt mit hoher Amplitude (EEG Grad 1); (b) Schweißartefakt (auch EEG Grad 1); (c) EKG-Artefakt auf C4–O2 und C4–T4 und hochfrequentes Muskelartefakt, am deutlichsten auf F3–C3 (EEG Grad 3); (d) Atmungsartefakt über die Kanäle der linken Hemisphäre, deutlich sichtbar auf C3–O1 (EEG Grad 4). Alle EEGs sind in bipolarer Montage und bandpassgefiltert von 0,1 bis 35 Hz.

Im Rahmen einer Qualitätskontrolle der EEG-Aufzeichnung vergleichen wir die EEG-Leistung bei niedrigeren und höheren Frequenzen. Die niederfrequente Aktivität ist ein Maß für die kortikale Aktivität, während die höhere Frequenz wahrscheinlich nicht die kortikale Aktivität misst und eher nichts anderes als das Grundrauschen ist18. Wir berechnen die Leistung pro Kanal über die bipolare Montage F3–C3, T3–C3, O1–C3, C3–Cz, Cz–C4, F4–C4, T4–C4 und O2–C4. Jeder Kanal wird mit einem Infinite-Impulse-Response-Filter (IIR), einem Tschebyscheff-Filter vom Typ II der Ordnung 21, bandpassgefiltert. Die Leistung wird dann innerhalb der Durchlassbänder 0,5 bis 16 Hz (Niederfrequenz) und 77 bis 99 Hz (Hochfrequenz) berechnet. Die mittlere Leistung über alle Epochen beträgt für das Niederfrequenzband 175,4 μV2 (Interquartilbereich, IQR: 83,7 bis 419,8 μV2) und 8,4 μV2 (IQR: 1,6 bis 36,2 μV2) für das höhere Frequenzband. Daher stellen wir fest, dass unsere Schätzungen des Grundrauschens erheblich niedriger sind als die Aufzeichnung der EEG-Gehirnaktivität.

Um die technische Qualität des EEG weiter zu validieren, haben wir als Nächstes die Frequenzantwort für alle Epochen berechnet und eine Reihe quantitativer EEG-Merkmale (qEEG) generiert22,23. Die spektralen Leistungsdichten (PSD) wurden mithilfe der Welch-Methode mit einem 8-Sekunden-Hamming-Fenster und 75 % Überlappung geschätzt. PSDs wurden pro Kanal unter Verwendung derselben zuvor beschriebenen bipolaren Montage berechnet. Die Schätzung jedes Kanals wird dann für die einstündige Epoche über alle acht Kanäle gemittelt. Abbildung 4 fasst die PSDs für alle Epochen pro Klasse zusammen. Die Klassen 1 bis 3 weisen auf eine lineare Log-Log-Frequenzantwort hin, die als Potenzgesetz-Reaktion bezeichnet wird und im Einklang mit dem aktuellen Verständnis des Neugeborenen-EEG10,22,24,25 steht. Für die 4. Klasse scheint die Reaktion eher nichtlinear zu sein, aber die geringere Anzahl von Epochen in dieser Gruppe (12 im Vergleich zu 23, 31 und 105) könnte hier ein Faktor sein.

Auf einer Log-Log-Skala aufgezeichnete Spektren aus Epochen für jede Klasse (a) und ein Gesamtdurchschnitt für alle Epochen (b). Dicke Linien stellen den Medianwert über alle Epochen dar, und schattierte Bereiche stellen den Interquartilbereich in (a) und (b) und den 95. Perzentilbereich in (b) dar. Es gibt 104 Epochen für die 1. Klasse, 31 für die 2. Klasse, 22 für die 3. Klasse und 12 für die 4. Klasse.

Der qEEG-Funktionssatz bestand aus 5 Funktionen: Spektralleistung, Entfernungs-EEG (rEEG), interhemisphärische Kohärenz, fraktale Dimension und spektrale Kantenfrequenz22,23. Die Merkmale werden mithilfe derselben bipolaren Montage geschätzt, die zuvor beschrieben wurde. Spektrale Leistung und Kohärenzmerkmale werden separat in 4 Frequenzbändern generiert: Delta (0,5–4 Hz), Theta (4–7 Hz), Alpha (7–13 Hz) und Beta (13–30 Hz). Das rEEG wird innerhalb der Bandbreite von 1–20 Hz berechnet und am unteren, mittleren und oberen Rand bewertet23. Die interhemisphärische Kohärenz ist ein gemittelter Kohärenzwert, der zwischen den folgenden Kanalpaaren berechnet wird: F3–C3 und F4–C4, T3–C3 und T4–C4 sowie O1–C3 und O2–C4. Spektrale Leistung, Kohärenz, fraktale Dimension und spektrale Kantenfrequenz (95 %) werden anhand eines 64-sekündigen EEG-Segments mit 50 % Überlappung geschätzt. Der Medianwert aller Segmente wird verwendet, um das Feature über die einstündige Epoche zusammenzufassen. Alle Merkmale, mit Ausnahme der Kohärenz, werden kanalweise geschätzt und durch den Medianwert aller Kanäle zusammengefasst. Features wurden mit der NEURAL-Toolbox (https://github.com/otoolej/qEEG_feature_set, Version 0.4.4) generiert.

Abbildung 5 stellt die Verteilung der fünf Merkmale dar und hebt die Unterschiede für viele Merkmale in den vier Klassen hervor. Das rEEG in Abb. 5a, ein Maß für die Spitze-zu-Spitze-Spannung, zeigt eine abnehmende EEG-Amplitude über die 4 Stufen hinweg, wobei der Unterschied zwischen den Stufen im mittleren rEEG-Merkmal besonders ausgeprägt ist. In ähnlicher Weise ist der Unterschied in der spektralen Leistung für die vier Qualitäten in den vier Frequenzbändern in Abb. 5b ersichtlich. In allen vier Frequenzbändern ist eine signifikante, wenn auch niedrigwertige interhemisphärische Kohärenz vorhanden, wobei im Delta-Band (0,5–4 Hz) im Vergleich zu den anderen drei Frequenzbändern ein höheres Kohärenzniveau vorliegt. Sowohl die fraktale Dimension als auch die spektralen Kantenfrequenzdiagramme weisen auf einen Unterschied in der Spektralform der Gehalte hin, und zwar in Form einer abnehmenden Steigung der Log-Log-Spektren mit steigenden Gehalten.

Quantitative zusammenfassende Messungen des EEG für die 4 HIE-EEG-Klassen. Drei zusammenfassende Messungen des Entfernungs-EEG (rEEG) in (a), der spektralen Leistung in (b), der interhemisphärischen Kohärenz in (c), der fraktalen Dimension in (d) und der spektralen Kantenfrequenz in (e). Spektrale Leistungs- und Kohärenzmerkmale werden für 4 verschiedene Frequenzbänder berechnet.

Die EEG-Dateien werden sowohl im EDF- als auch im CSV-Format gespeichert. Das EDF-Format wurde 1992 für Schlaf-EEG-Dateien entwickelt und ist bis heute ein offenes Standardformat für EEG-Dateien26. EDF-Dateien können in den meisten EEG-Überprüfungsprogrammen angezeigt werden, einschließlich kostenloser Versionen wie EDFbrowser (https://www.teuniz.net/edfbrowser/). Das Format speichert Daten in 16-Bit-Ganzzahlen und wird daher wahrscheinlich vor der Analyse oder Anzeige der Daten in 64-Bit-Gleitkommazahlen konvertiert. Das Speichern von EEG in 16-Bit-Ganzzahlen reduziert die Dateigröße im Vergleich zu 64-Bit-Gleitkommazahlen, allerdings auf verlustbehaftete Weise; Allerdings können viele verlustfreie Komprimierungsalgorithmen diese Komprimierung jetzt ohne Informationsverlust erreichen. Trotz seiner veralteten Struktur bleibt es immer noch ein offenes Standardformat für die EEG-Überprüfung.

Für die Analyse mit Softwaretools sind spezielle Bibliotheken zum Lesen von EDF-Dateien erforderlich, da dieses Format für andere Datentypen nicht verwendet wird. Um das Laden der Daten zur Analyse zu vereinfachen, stellen wir daher auch das allgemein zugängliche CSV-Format zur Verfügung. Unser CSV-Format speichert Zeit (in Sekunden) und Spannung (in Mikrovolt) an jedem der 9 Kanäle. Die erste Zeile jeder CSV-Datei enthält eine Kopfzeile mit dem Namen jeder Spalte. Diese Dateien werden mit dem plattformübergreifenden XZ-Format komprimiert, das den Lempel-Ziv-Markov-Kettenalgorithmus verwendet. Zum Dekomprimieren der Dateien können frei verfügbare Komprimierungstools verwendet werden. Zum Beispiel 7z (https://www.7-zip.org/) für Windows-Betriebssysteme oder XZ Utils (https://tukaani.org/xz/) für Linux-Betriebssysteme. Alternativ können viele Programmiersprachen diese Dekomprimierung beim Importieren der Daten bereitstellen. In der Python-Programmierumgebung (Python Software Foundation, https://www.python.org/) kann beispielsweise die Funktion read_csv aus dem Pandas-Paket die mit XZ27 komprimierten Tabellendaten direkt einlesen:

Pandas als pd importieren eeg_df = pd.read_csv("ID10_epoch3.csv.xz")

zum Beispiel Datei ID10_epoch3.csv.xz. Ebenso kann die R-Programmierumgebung (R Core Team, https://www.R-project.org/) mit der Funktion read.csv Daten im komprimierten XZ-Format direkt importieren.

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

Für Matlab (The Mathworks, Inc., USA) und Julia (The Julia Project, https://julialang.org/)28 müssen die CSV-Dateien vor dem Import dekomprimiert werden. In Matlab,

eeg_tb = readtable("ID10_epoch3.csv");wobei ID10_epoch3.csv die unkomprimierte Version von ID10_epoch3.csv.xz ist. Bei Julia,

Verwenden von CSV mithilfe von DataFrames eeg_df = CSV.read("ID10_epoch3.csv", DataFrame)

Die Daten könnten für Schulungszwecke genutzt werden. Zu diesem Zweck können die Daten in einem EEG-Viewer sowohl in einer referenziellen als auch in einer bipolaren Montage angezeigt werden. Die Daten werden zu Verarbeitungszwecken im rohen Referenzformat bereitgestellt, die visuelle Analyse erfolgt jedoch typischerweise mithilfe einer bipolaren Montage. Die während der Aufzeichnung angezeigte und für die Hintergrundbewertung verwendete bipolare Montage enthält die folgenden bipolaren Elektrodenpaare: F4–C4, C4–O2, F3–C3, C3–O1, T4–C4, C4–Cz, Cz–C3, C3–T3. Dieses enthält sowohl antero-posteriore als auch transversale Elemente. Zu den typischen Anzeigeeinstellungen für die Überprüfung des Neugeborenen-EEG gehören: Empfindlichkeit 70–100 μV/cm, Zeitbasis 15–20 mm/s und Bandpassfilter 0,5–70 Hz. Amplitudenintegrierte EEG-Kanäle (aEEG) sind in der klinischen Prüfung beliebt und in dieser Montage könnten aEEG-Kanäle für F4–C4, F3–C3 und C4–C3 enthalten sein.

Die EEG-Daten könnten auch zur Entwicklung eines automatisierten EEG-Bewertungsalgorithmus verwendet werden. Diese Klassifizierungsalgorithmen nutzen Methoden der Signalverarbeitung und des maschinellen Lernens, um Informationen aus dem EEG zu extrahieren, die für den jeweiligen EEG-Grad charakteristisch sind8,9,10,11,12,13,14,15,16,17. Der erste Schritt in der Algorithmusentwicklung besteht in der Vorverarbeitung der Daten. Dazu gehört ein Bandpassfilter, dem typischerweise ein Downsampling folgt. Der Bandpassfilter entfernt beispielsweise bei 0,5 bis 30 Hz das 50-Hz-Stromleitungsrauschen und die sehr langsame Aktivität (<0,5 Hz), die häufig mit Artefakten wie Gleichstromdrift oder Schweißartefakten verbunden sind. Der Bandpassfilter ermöglicht außerdem ein Downsampling ohne Aliasing. Downsampling wird üblicherweise angewendet, um die Rechenlast des Algorithmus bei vernachlässigbarem Leistungsverlust zu reduzieren. Das vorverarbeitete EEG kann dann in einem Klassifikator zur Einstufung des EEG verwendet werden.

Es gibt zwei Ansätze zur Entwicklung eines Bewertungsalgorithmus, die Modelle des maschinellen Lernens integrieren. Die erste besteht darin, Signalverarbeitungsmethoden zu verwenden, um eine Reihe von Merkmalen aus dem vorverarbeiteten EEG zu extrahieren und diese Merkmale dann mithilfe eines maschinellen Lernmodells zu kombinieren8,9,10,11,12,13,14,15,17. Für diesen Ansatz müssen wir eine Reihe von Merkmalen entwickeln und kuratieren, die die wichtigsten Unterscheidungsfaktoren zwischen den vier Klassenstufen angemessen verallgemeinern. Wie Abb. 5 zeigt, gibt es möglicherweise viele verschiedene Merkmale, die mit unterschiedlichem Genauigkeitsgrad zwischen den vier Klassen unterscheiden könnten. Der zweite Ansatz besteht darin, Deep-Learning-Methoden zu verwenden, die eine End-to-End-Lösung (EEG bis zur Benotung) bieten16,29. Diese Methoden extrahieren und kombinieren die Merkmale automatisch in einem einzigen neuronalen Netzwerk. Für diesen Ansatz müssen wir den Typ des zu verwendenden neuronalen Netzwerks auswählen, beispielsweise ein Faltungsnetzwerk oder ein rekurrentes neuronales Netzwerk, und dann die spezifische Architektur des Netzwerks entwerfen.

Für beide Ansätze wird das maschinelle Lernmodell mithilfe eines datengesteuerten Ansatzes durch Training und Tests erstellt. Wir empfehlen, das Modell mithilfe einer Form der Kreuzvalidierung zu trainieren und zu testen, idealerweise eine davon wegzulassen. Die Aufteilung der Trainings- und Testdaten sollte auf Neugeborenenebene und nicht auf Epochenebene erfolgen. Dadurch wird vermieden, dass ein Modell getestet wird, das mit Epochen desselben Neugeborenen trainiert wurde. Unabhängig davon, welcher Ansatz verwendet wird, gibt es leider kein einheitliches Modell. Das heißt, unterschiedliche Anwendungen erfordern unterschiedliche Modelle. Die Entwicklung eines genauen und robusten Klassifikators erfordert erhebliche Sorgfalt und Aufmerksamkeit im Designprozess, aber angesichts des potenziellen klinischen Nutzens eines solchen Algorithmus zur Verbesserung der Gesundheitsergebnisse für Säuglinge mit HIE ist die Mühe auf jeden Fall wert.

Zum Generieren der Daten wurde kein benutzerdefinierter Code verwendet. EEG-Dateien wurden mithilfe der zugehörigen EEG-Überprüfungssoftware für die EEG-Geräte NicoletOne und Neurofax aus einem proprietären Format in EDF-Dateien exportiert. Einzelheiten zum Anzeigen der EEG-Daten und zum Importieren in Programmierumgebungen finden Sie im Abschnitt „Nutzungshinweise“.

Um die computergestützte Analyse des EEG zu unterstützen, stellen wir frei verfügbaren Code zur Verfügung, um das EEG auf eine niedrigere und einheitliche Abtastrate herunterzurechnen. Für quantitative oder maschinelle Lernanalysen wird das Neugeborenen-EEG häufig auf eine niedrigere Abtastrate heruntergesampelt, da der Großteil der Leistung typischerweise unter 10 bis 20 Hz liegt. Abb. 5e zeigt beispielsweise, dass 95 % der spektralen Leistung unter 25 Hz liegen. Die Verarbeitungsroutinen enthalten vor dem Downsampling einen Anti-Aliasing-Filter. Sowohl Matlab- als auch Python-Versionen des Codes sind unter https://github.com/otoolej/downsample_open_eeg (Commit: 22e92db) enthalten.

Kurinczuk, JJ, White-Koning, M. & Badawi, N. Epidemiologie der neonatalen Enzephalopathie und der hypoxisch-ischämischen Enzephalopathie. Frühes Summen. Entwickler 86, 329–338 (2010).

Artikel PubMed Google Scholar

Perez, A. et al. Langfristiges neurologisches Entwicklungsergebnis mit hypoxisch-ischämischer Enzephalopathie. J. Pädiatr. 163, 454–459 (2013).

Artikel PubMed Google Scholar

Walsh, BH, Murray, DM & Boylan, GB Die Verwendung des konventionellen EEG zur Beurteilung der hypoxischen ischämischen Enzephalopathie beim Neugeborenen: eine Übersicht. Klin. Neurophysiol. 122, 1284–1294 (2011).

Artikel CAS PubMed Google Scholar

Holmes, G. et al. Prognostischer Wert des Elektroenzephalogramms bei neonataler Asphyxie. Elektroenzephalologe Klin. Neurophysiol. 53, 60–72 (1982).

Artikel CAS PubMed Google Scholar

Pressler, RM, Boylan, GB, Morton, M., Binnie, CD & Rennie, JM Frühes serielles EEG bei hypoxischer ischämischer Enzephalopathie. Klin. Neurophysiol. 112, 31–37 (2001).

Artikel CAS PubMed Google Scholar

Murray, DM, Boylan, GB, Ryan, CA & Connolly, S. Frühe EEG-Befunde bei hypoxisch-ischämischer Enzephalopathie sagen Ergebnisse nach 2 Jahren voraus. Pädiatrie 124, 459–467 (2009).

Artikel Google Scholar

Tagin, MA, Woolcott, CG, Vincer, MJ, Whyte, RK & Stinson, DA Hypothermie bei neonataler hypoxischer ischämischer Enzephalopathie: eine aktualisierte systematische Überprüfung und Metaanalyse. Archiv für Pädiatrie und Jugendmedizin 166, 558–566 (2012).

Artikel PubMed Google Scholar

Korotchikova, I., Stevenson, NJ, Walsh, BH, Murray, DM & Boylan, GB Quantitative EEG-Analyse bei neonataler hypoxischer ischämischer Enzephalopathie. Klin. Neurophysiol. 122, 1671–1678 (2011).

Artikel CAS PubMed Google Scholar

Ahmed, R., Temko, A., Marnane, W., Lightbody, G. & Boylan, G. Einstufung des Schweregrads der hypoxisch-ischämischen Enzephalopathie im Neugeborenen-EEG mithilfe von GMM-Supervektoren und der Support-Vektor-Maschine. Klin. Neurophysiol. 127, 297–309 (2016).

Artikel PubMed Google Scholar

Stevenson, NJ et al. Ein automatisiertes System zur Einstufung von EEG-Anomalien bei Neugeborenen mit hypoxisch-ischämischer Enzephalopathie. Annalen Biomed. Ing. 41, 775–785 (2013).

Artikel CAS Google Scholar

Raurale, SA et al. Tracé Alternant-Detektor zur Einstufung der hypoxisch-ischämischen Enzephalopathie im Neugeborenen-EEG. Im 29. Eur. Signalprozess. Conf., 1177–1181, (IEEE 2021).

Raurale, SA, Nalband, S., Boylan, GB, Lightbody, G. & O'Toole, JM Eignung einer Inter-Burst-Erkennungsmethode zur Einstufung der hypoxisch-ischämischen Enzephalopathie im Neugeborenen-EEG. Im 41. Int. Konf. IEEE Eng. Med. Biol. Soc., 4125–4128, (IEEE 2019).

Matic, V. et al. Ganzheitlicher Ansatz zur automatisierten Hintergrund-EEG-Beurteilung bei erstickten reifen Säuglingen. J. Neural Eng. 11, 66007 (2014).

Artikel Google Scholar

Matic, V. et al. Verbesserung der Zuverlässigkeit der Überwachung der Hintergrund-EEG-Dynamik bei erstickten Säuglingen. IEEE Trans. Biomed. Ing. 63, 973–983 (2015).

Artikel PubMed Google Scholar

Guo, J., Cheng, X. & Wu, D. Bewertungsmethode für hypoxisch-ischämische Enzephalopathie basierend auf dem Neugeborenen-EEG. Computermodellierung in Ingenieurwissenschaften und Naturwissenschaften 122, 721–741 (2020).

Artikel Google Scholar

Raurale, SA et al. Einstufung der hypoxisch-ischämischen Enzephalopathie im Neugeborenen-EEG mit konvolutionellen neuronalen Netzen und quadratischen Zeit-Frequenz-Verteilungen. J. Neural Eng. 18, 046007 (2021).

Artikel ADS PubMed Central Google Scholar

Moghadam, SM et al. Aufbau eines Open-Source-Klassifikators für den EEG-Hintergrund von Neugeborenen: ein systematischer, merkmalsbasierter Ansatz von der Expertenbewertung bis zur klinischen Visualisierung. Vorderseite. Menschliche Neurowissenschaften. 15, 1–15 (2021).

Artikel Google Scholar

Stevenson, NJ, Tapani, K., Lauronen, L. & Vanhatalo, S. Ein Datensatz von EEG-Aufzeichnungen von Neugeborenen mit Anmerkungen zu Anfällen. Wissenschaft. Daten 6, 1–8 (2019).

Artikel CAS Google Scholar

Pavel, AM et al. Ein maschineller Lernalgorithmus zur Erkennung von Anfällen bei Neugeborenen: eine multizentrische, randomisierte, kontrollierte Studie. Lancet Child Adolesc. Heilen. 4, 740–749 (2020).

Artikel Google Scholar

Pavel, AM et al. Management von Anfällen bei Neugeborenen: Ist der Zeitpunkt der Behandlung entscheidend? J. Pädiatr. 243, 61–68 (2021).

Artikel PubMed Google Scholar

O'Toole, JM et al. Neugeborenen-EEG, bewertet nach Schweregrad der Hintergrundanomalien. Zenodo https://doi.org/10.5281/zenodo.7477575 (2022).

Finn, D., O'Toole, JM, Dempsey, EM & Boylan, GB EEG zur Beurteilung der neurologischen Funktion bei Neugeborenen unmittelbar nach der Geburt. Bogen. Dis. Kind. Fetale Neugeborene, Ed. 104, F510–F514 (2019).

Artikel PubMed Google Scholar

O'Toole, JM & Boylan, GB Quantitative Frühgeborenen-EEG-Analyse: Die Notwendigkeit der Vorsicht beim Einsatz moderner datenwissenschaftlicher Techniken. Vorderseite. Pädiatr. 7, 174 (2019).

Artikel PubMed PubMed Central Google Scholar

Korotchikova, I. et al. EEG beim gesunden Neugeborenen innerhalb von 12 Stunden nach der Geburt. Klin. Neurophysiol. 120, 1046–1053 (2009).

Artikel CAS PubMed Google Scholar

Stevenson, NJ, Mesbah, M., Boylan, GB, Colditz, PB & Boashash, B. Ein nichtlineares Modell des Neugeborenen-EEG mit instationären Eingaben. Annalen Biomed. Ing. 38, 3010–3021 (2010).

Artikel CAS Google Scholar

Kemp, B., Värri, A., Rosa, AC, Nielsen, KD & Gade, J. Ein einfaches Format für den Austausch digitalisierter polygraphischer Aufzeichnungen. Elektroenzephalologe Klin. Neurophysiol. 82, 391–393 (1992).

Artikel CAS PubMed Google Scholar

Das Pandas-Entwicklungsteam. pandas-dev/pandas: Pandas. Zenodo https://doi.org/10.5281/zenodo.3509134 (2022).

Bezanson, J., Edelman, A., Karpinski, S. & Shah, VB Julia: Ein neuer Ansatz für numerisches Rechnen. SIAM Review 59, 65–98 (2017).

Artikel MathSciNet MATH Google Scholar

Raurale, SA, Boylan, GB, Lightbody, G. & O'Toole, JM Einstufung des Schweregrads der hypoxisch-ischämischen Enzephalopathie im Neugeborenen-EEG mithilfe eines Faltungs-Neuronalen Netzwerks. Im 42. Int. Konf. IEEE Eng. Med. Biol. Soc., 6103–6106, (IEEE, 2020).

Referenzen herunterladen

Diese Arbeit wurde durch einen Innovator Award des Wellcome Trust (209325/Z/17/Z) unterstützt. Der Medizingeräteversuch, bei dem das EEG aufgezeichnet wurde, wurde durch einen Strategic Translational Award ebenfalls vom Wellcome Trust (098983) unterstützt. Der Artikel basiert auf der Arbeit der COST Action AI-4-NICU (CA20214), unterstützt von COST (European Cooperation in Science and Technology, https://www.cost.eu/).

INFANT Research Centre, University College Cork, Cork, Irland

John M. O'Toole, Sean R. Mathieson, Sumit A. Raurale, Fabio Magarelli, William P. Marnane, Gordon Lightbody und Geraldine B. Boylan

Abteilung für Pädiatrie und Kindergesundheit, University College Cork, Cork, Irland

John M. O'Toole, Sean R. Mathieson, Sumit A. Raurale, Fabio Magarelli und Geraldine B. Boylan

Fakultät für Elektrotechnik und Elektrotechnik, University College Cork, Cork, Irland

William P. Marnane & Gordon Lightbody

Sie können diesen Autor auch in PubMed Google Scholar suchen

GBB und WPM waren führende Forscher in der klinischen Studie, in der das EEG erhoben wurde. SRM bereitete die EEG-Epochen vor und GBB und SRM überprüften und bewerteten alle Epochen. JMOT führte die Analyse des EEG durch. JMOT, SRM und FM haben die Daten für den offenen Zugriff aufbereitet und formatiert. JMOT erstellte den ersten Entwurf und alle Autoren überprüften und überarbeiteten das Manuskript kritisch.

Korrespondenz mit John M. O'Toole.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

O'Toole, JM, Mathieson, SR, Raurale, SA et al. Neugeborenen-EEG, bewertet nach Schwere der Hintergrundanomalien bei hypoxisch-ischämischer Enzephalopathie. Sci Data 10, 129 (2023). https://doi.org/10.1038/s41597-023-02002-8

Zitat herunterladen

Eingegangen: 07. Juli 2022

Angenommen: 03. Februar 2023

Veröffentlicht: 10. März 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Blog

Neugeborenes EEG, bewertet nach Schwere der Hintergrundanomalien bei Hypoxie