基于卷积神经网络的早产儿脑电图睡眠状态分类与成熟度自动评估研究

《Neuroscience Research》：Automation in sleep state classification and maturity evaluation of EEG in preterm-born infants

　　

新生儿脑电图（EEG）是监测危重新生儿（包括早产儿）脑功能的重要工具。通过多年的临床经验，新生儿脑电图专家已建立了基于脑电波形视觉判读来评估新生儿状况的可靠方法。该技术能够检测潜在的脑损伤、识别惊厥发作、评估脑成熟度以及刻画睡眠状态。值得注意的是，早产儿的脑电图成熟度并不总是与校正胎龄（PMA）一致；功能性成熟延迟可能作为预测神经发育结局的重要生物标志物。此外，越来越多的证据表明，早产儿的睡眠模式与后续神经发育结局相关。 尽管脑电图评估具有重要的临床意义，但脑电图模式标注、睡眠状态分类及其发育轨迹评估需要专业知识、大量培训以及大量时间，这是因为新生儿脑电图的复杂性、变异性和动态性。因此，开发融合专家知识的模型具有重要价值。近年来，机器学习和深度学习技术被越来越多地探索用于新生儿脑电图分析的自动化，包括足月儿和早产儿的活跃睡眠（AS）/安静睡眠（QS）分类、足月儿睡眠分期、伪迹检测以及脑电图成熟度评估等。然而，以往研究多聚焦于脑电图分析的单一环节，尚未有研究成功开发整合所有三个组成部分的集成模型。 本研究作为实现完全自动化且临床适用的新生儿脑电图评估的关键一步，尝试开发一种能够同时分类脑电图模式（反映睡眠状态）并区分足月等效与早产等效脑电图模式的模型。此外，在构建端到端脑电图评估系统时，正确处理噪声数据至关重要。为此，研究人员将噪声数据纳入分类任务，设计模型将脑电图分为八类：三种早产等效模式、四种足月等效模式和一类噪声。在临床实践中，新生儿脑电图专家根据积累的经验从脑电波形中识别这些模式。据此，研究人员旨在通过使用标注的脑电波形视觉表征训练卷积神经网络（CNN）来开发一个传递专家知识的系统。CNN是一种专门用于图像特征提取的深度神经网络，能够模拟专家进行的视觉评估。对模型分类性能的详细分析表明，该模型能够自动分类睡眠状态，同时评估脑电图成熟度。

一、研究背景与目的

新生儿脑电图是监测危重新生儿（尤其是早产儿）脑功能的关键手段。临床专家通过视觉判读脑电波形，可检测潜在脑损伤、识别惊厥、评估脑成熟度及刻画睡眠状态。然而，早产儿脑电图成熟度并不总是与校正胎龄（PMA）一致，功能性成熟延迟可能成为预测神经发育结局的重要生物标志物；同时，早产儿睡眠模式也与后续神经发育结局相关。尽管脑电图评估具有重要临床意义，但模式标注、睡眠状态分类及发育轨迹评估需要高度专业化的知识、大量培训和大量时间。以往机器学习研究多聚焦于脑电图分析的单一环节，如睡眠分期、伪迹去除或成熟度估计，尚无研究成功开发整合所有三个组成部分的集成模型。为此，本研究旨在开发一种能够同时分类脑电图模式（反映睡眠状态）并区分足月等效与早产等效脑电图模式的模型，并将噪声数据纳入分类任务，实现八分类（三种早产等效模式、四种足月等效模式和一类噪声），以迈向完全自动化且临床适用的新生儿脑电图评估。

二、研究设计与主要技术方法

研究收集了名古屋大学医院2020年4月至2022年8月期间65名早产儿（胎龄<35.0周）的165份脑电图记录，以及2021年10月至2023年6月期间50名健康足月儿的50份脑电图记录。排除疑似先天性疾病的婴儿。早产儿出生时胎龄中位数（范围）为31.6（24.6–34.9）周，记录时PMA中位数为36.7（31.4–46.7）周；足月儿相应为38.9（37.1–40.7）周和39.3（37.9–41.3）周。两队列男女比例大致相同（女性婴儿比例均为48%）。研究经名古屋大学医院伦理委员会批准，并获得所有婴儿父母的书面知情同意。

主要技术方法包括：采用ResNet-50作为基础架构，利用ImageNet预训练模型进行迁移学习微调；将30秒脑电数据以8通道双极导联（Fp1-C3、C3-O1、Fp2-C4、C4-O2、Fp1-T3、T3-O1、Fp2-T4、T4-O2）绘制为224×224方形图像作为输入；输出层由1000通道改为8通道，对应八种分类标签；使用PyTorch框架实现。研究以记录为单位按8:2比例随机划分训练集和测试集，再从训练集中以记录为单位随机选取20%作为验证集。

三、研究结果

3.1 数据分布与人工分类

两名新生儿脑电图专家（AS和HK）以30秒间隔将脑电图记录目视评分至八个预定义标签：三种早产等效模式（Pt2、Pt3、Pt7）、四种足月等效模式（T2、T3、T5、T7）和一类噪声（N）。Pt2和Pt3代表早产活跃睡眠的连续脑电图模式，Pt7对应早产安静睡眠的不连续模式（tracé discontinu）；T2和T3分别代表低电压不规则和混合模式，T5和T7分别代表高电压慢波和交替性tracé模式。早产等效或足月等效标签的分配基于脑电图年龄（专家以两周间隔评估，分别对AS和QS评估后取平均），≤36周PMA分配早产等效标签，≥38周PMA分配足月等效标签。排除36.5–37.5周PMA的记录后，共得到18906个30秒脑电图像段（训练集12223个、验证集3108个、测试集3575个）。

3.2 模型分类性能

模型采用ResNet-50架构，通过ImageNet预训练权重进行迁移学习微调。输入图像调整为224×224像素，输出通道改为8通道。模型对每个30秒脑电图像段独立分配八种标签之一，允许同一记录内同时出现足月和早产标签。评估指标包括召回率（Recall）、精确率（Precision）、宏F1（Macro F1）和Cohen's kappa。详细分析模型分类性能后发现，该模型能够自动分类睡眠状态，同时评估脑电图成熟度。

3.3 成熟度评估

研究定义了成熟度比率（Maturity rate），即单个记录中足月等效标签占足月与早产等效标签总和（排除N标签）的比例，分别对AS相关模式（T2、T3 vs Pt2、Pt3）和QS相关模式（T5、T7 vs Pt7）计算后取平均。由于模型逐段独立分类，同一记录内可同时出现足月和早产标签，成熟度比率可反映记录的总体成熟水平。

四、讨论与结论

讨论部分指出，本研究首次成功开发了整合噪声检测、睡眠状态分类和成熟度评估的集成模型，填补了以往研究仅聚焦单一环节的空白。模型通过模仿新生儿脑电图专家的视觉模式识别方式，利用CNN对脑电波形图像进行特征提取，实现了专家知识的有效迁移。将噪声类别纳入分类任务，有助于构建临床可用的端到端脑电图评估系统。研究结论表明，该模型能够自动分类睡眠状态并同时评估脑电图成熟度，为实现完全自动化、客观、可重复且实时的临床新生儿脑电图监测迈出了关键一步。