基于脑电图（EEG）的深度学习方法可以估算早产儿的脑龄：其中慢波成分和跨频率耦合效应的贡献

《iScience》：EEG-based deep learning estimates preterm infants’ cerebral age: Contribution of slow-wave and cross-frequency coupling

　　亮点
• 一个CNN模型通过分析165名早产新生儿的神经活动爆发来估算月经后年龄
• 移除低频（<4Hz）信号会严重影响预测效果
• 移除高频（>12Hz）信号对预测准确性的影响微乎其微
• 扰破坏相位-幅度耦合会在月经后34周之前降低预测能力

摘要
可靠地评估早产新生儿的脑成熟度对于早期识别异常神经发育至关重要。我们开发了一个基于深度学习框架的模型，使用卷积神经网络（CNN）从165名健康早产儿（月经后28-38周）的脑电图（EEG）记录中预测月经后年龄（PMA）。该模型的平均绝对误差为0.75 ± 0.60周，其中73.9%的预测误差在一周范围内。为了确定关键的神经生理驱动因素，我们系统地改变了信号成分。结果显示，移除低频活动（<4Hz）会显著降低性能，而破坏相位-幅度耦合会在月经后34周之前选择性地降低预测准确性，而高频活动（>12Hz）的影响则很小。我们的结果表明，成熟特征主要由慢波动态及其与更快振荡的层次耦合驱动，这是早期神经发育的基本特征。

图形摘要

引言
在过去40年中，研究早产新生儿的皮层活动与其妊娠年龄之间的关系为非常早期的神经发育提供了宝贵的神经生理学见解。可靠地评估脑成熟度和早期检测偏离预期成熟轨迹的情况不仅具有理论和基础研究的意义，还具有重要的实际意义，这为在神经可塑性增强期间及时进行个性化干预提供了机会，以减少神经/认知缺陷和障碍。这需要能够捕捉这一时期脑成熟动态的强大且可解释的模型。
在妊娠的第三孕期，人脑经历了快速而深刻的结构和功能变化。神经活动逐渐从零星的、不连续的爆发发展为更有组织、更持久的模式，反映了丘脑-皮层和皮层-皮层网络的逐步建立和成熟。皮层和皮下功能相互作用的发展导致了不同振荡模式的出现和调节，这些又影响了脑电图（EEG）信号的内容和特征。EEG提供了一个非侵入性的、实时的窗口，可用于评估脑成熟的进展。随着大脑的发育，EEG背景显示出典型的成熟变化，包括连续性的增加、特定年龄模式的出现（例如，带有慢波的θ波、δ波等）以及警觉状态的区别。这些动态EEG模式的时间、空间和频谱特性为功能脑成熟提供了有价值的见解，并提供了关于早产儿长期神经发育结果的预后信息。尽管EEG是目前用于定性评估脑成熟度和辅助估计年龄的临床标准，但视觉EEG解释的精确度和重复性有限。即使在专家神经生理学家之间，基于EEG的脑年龄估计也存在较大的平均预测误差（±12天）。这一数值反映了群体水平的预测性能和个体间的差异，而不是EEG成熟与实际年龄之间的确定性关系。这种有限的准确性源于EEG信号本质上的复杂性、多维性和年龄依赖性，从而导致评分者间的显著差异，凸显了需要客观和定量替代方法的需求。自动化分析方法——特别是基于人工智能的方法——因能够捕捉复杂的发育特征并从EEG中提取高度区分性的神经生理特征而受到了广泛关注。这些工具已经证明了它们在评估从婴儿期到成人的脑功能及其成熟方面的潜力，也适用于早产儿和足月新生儿。尽管取得了这些进展，但仍需更好地理解驱动模型决策的潜在机制和EEG特征。开发可解释的模型不仅有助于提高信任度和促进临床应用，还有助于识别支撑脑成熟的EEG特征，从而推进我们对早期大脑发育的理解。

我们提出了一种基于EEG的脑成熟度图表，该图表捕捉了妊娠第三孕期（相当于月经后28至38周，wPMA）期间自发神经活动爆发的特征。为此，我们开发了一种卷积神经网络（CNN）架构，用于编码自发神经活动的爆发周期以估计PMA。此外，为了理解模型的决策过程，我们实施了一种数据操作策略来提取区分成熟阶段的关键EEG特征。

结果
在我们的研究中，165名早产新生儿中有53%（n = 87）为女性。EEG记录的均值间隔为出生（妊娠31.3 ± 1.9周）与记录（月经后33.1 ± 2.0周，wPMA）之间为1.9 ± 1.7周，从而得到了图1A所示的PMA分布。出生时的妊娠年龄是通过第一孕期超声检查估计的。平均出生体重为1,480 ± 390克，记录时的平均体重为1,600 ± 390克。有关参与者的更多人口统计信息，请参见补充信息中的表S1。

图1 研究设计
（A）参与者的分布：记录时165名新生儿按照月经后年龄（28–38 wPMA）的分布情况。
（B）EEG预处理流程：将获得的原始信号准备成20秒的周期以供CNN使用。该过程分为三个阶段：预处理、爆发提取和后处理。
（C）CNN架构：使用10折交叉验证训练模型以预测图（A）中所示早产新生儿的PMA。20秒的EEG爆发窗口输入到第一层，经过四个模块——每个模块包含一个卷积层和一个池化层。为了清晰起见，这里仅详细说明了第一个模块，它包含一个64个核（大小为200 × 2）的卷积层、一个ReLU激活函数和一个10 × 1窗口的最大池化层。各模块之间有一个标准化层。网络最后是一个展平层、一个dropout层和两个密集层。
（D）传感器配置：用于创建自定义双极阵列的传感器位置。
（E）卷积的空间表示：四个模块中的卷积示例；例如，左侧的两个双极通道（编号为I，相当于Fp1-T7和T7-O1）与第一个卷积层的64个核进行卷积。

在预处理EEG数据后，检测到了自发活动爆发（图1B）。新生儿之间的平均爆发持续时间为7.82 ± 1.61秒，从165名早产儿的EEG中提取了总共17,221个20秒的爆发周期（每个新生儿平均104 ± 68个周期）。所有EEG数据都被转换为自定义的16通道双极阵列（图1C）。CNN模型（图1D和1E）通过10折交叉验证进行了训练。训练和测试的周期分别为15,499 ± 230个周期（范围：15,063–15,759）和1,722 ± 230个周期（范围：1,462–2,158）。然后根据统一流形近似（UMAP）和预测性能对模型进行了评估。最后，通过三种不同的场景对EEG数据进行了操作：（i）高频内容（>12 Hz）；（ii）低频内容（<4 Hz）；以及（iii）爆发中的低频和高频内容之间的相互作用。在不同PMA和不同亚组（28–32 wPMA、32–34 wPMA和34–38 wPMA）中评估了操作和预测准确性的影响。

UMAP分析
图2A中的UMAP显示了网络激活在各个模块中的演变——即一个卷积层后跟一个池化层——从第一个模块的随机模式逐渐发展为根据PMA的系统性组织。这种演变最终导致爆发根据PMA的不同而呈现出不同的聚类。

图2 脑成熟度的预测和EEG特征的影响
（A）CNN层内的学习降维表示：每个点代表一个20秒的周期，所有参与者汇总在一起；颜色编码表示记录时的月经后年龄（PMA）。
（B）逐层影响分析：通过计算每个层周围15个邻点的平均年龄差异来研究每层的影响。小提琴图显示了每层之后的平均年龄差异。
（C）交叉验证结果：基于EEG的脑年龄预测的10折交叉验证结果。x轴表示记录时的PMA，由临床医生验证。y轴表示网络预测的年龄。每个点代表一个新生儿，预测年龄差异为0.75 ± 0.60 wPMA。实线表示身份线（R2 = 0.77）。虚线表示±一周的误差范围，73.9%的预测落在这一范围内。
（D–F）信号操作的影响：在不同操作后每个新生儿的预测年龄与实际年龄之间的关系：（D）去除高频内容（过滤范围为0.5–12 Hz），平均绝对误差（MAE）为0.78 ± 0.67 wPMA，R2 = 0.74，73.3%的预测在一周内；（E）去除低频内容（过滤范围为4–20 Hz），MAE = 1.58 ± 1.26 wPMA，R2 = 0.008，38.2%的预测在一周内；以及（F）破坏低频和高频活动之间的相位-幅度关系，MAE = 1.09 ± 0.87 wPMA，R2 = 0.53，56.4%的预测在一周内。
（G）调制效应的亚组分析：进一步研究了三种年龄组（28–32 wPMA、32–34 wPMA和34–38 wPMA）中每种调制的效果。小提琴图显示了每个年龄组在交叉验证数据上的预测误差以及三种调制情况（D–F）下的预测误差。每个点代表一个新生儿的预测误差。NS：无显著差异（p > 0.05），*：p < 0.05，***：p < 0.005。在所有图中，灰色代表原始数据，蓝色表示过滤范围为0.5–12 Hz的数据，绿色表示过滤范围为4–20 Hz的数据，红色表示破坏了相位-幅度耦合的数据。

为了进一步分析，计算了每对数据（148,272,810对）之间的距离与其PMA绝对差之间的皮尔逊相关性。每个模块后的相关性增加：第一个模块r = 0.005（p < 0.0001），第二个模块r = 0.018（p < 0.0001），第三个模块r = 0.21（p < 0.0001），第四个模块r = 0.70（p < 0.0001）。相邻点之间的平均年龄差异在第二个模块后开始减小（图2B）：第一个模块为15.3 ± 6.4 wPMA，第二个模块为18.1 ± 9.1 wPMA，第三个模块为11.7 ± 5.2 wPMA，第四个模块为6.4 ± 3.0 wPMA。对相邻点之间平均年龄差异的方差分析显示模块之间存在显著的主效应（F[3, 68,880] = 10,889，p < 0.0001，?p2 = 0.32）。Tukey的Honest Significant Difference事后分析（详见补充信息中的表S2）表明，根据PMA对周期的分组在各模块之间存在显著差异。

月经后年龄的预测
在交叉验证结果之后，54.6%和85.2%的周期的预测年龄差异分别小于一周和小于两周。平均预测年龄差异为1.10 ± 0.90 wPMA。对每个新生儿的周期进行平均后，预测准确性得到提高；73.9%的新生儿预测年龄在一周范围内，95.2%的新生儿预测年龄在两周范围内。群体层面的平均预测年龄差异为0.75 ± 0.60 wPMA（R2 = 0.77）。群体层面的交叉验证结果显示在图2C中。群体层面的平均预测年龄差异（0.75 ± 0.60 wPMA）小于预定义的基线，即每个参与者的年龄与群体平均年龄（33.1 wPMA）之间的平均差异（1.61 ± 1.23 wPMA）。将人群分为三个亚组后，28–32 wPMA亚组的平均预测年龄差异为1.01 ± 0.62，32–34 wPMA亚组为0.51 ± 0.35，34–38 wPMA亚组为0.81 ± 0.71。此外，在28–32 wPMA亚组中，51.1%的新生儿预测年龄在一周范围内；在32–34 wPMA亚组中为90.6%；在34–38 wPMA亚组中为74.1%。这表明32–34 wPMA的新生儿具有更高的预测准确性。对预测误差的方差分析显示年龄组之间存在显著的主效应（F[2, 162] = 10.64，p < 0.0001，?p2 = 0.12）。事后分析（详见补充信息中的表S2）表明，中间组与其他两组之间存在显著差异，但最年轻组和最年长组之间没有差异。

**EEG操作**

1. **高频内容调制（方案i）**：如图2D所示，这略微增加了平均预测误差，预测年龄差异为0.78 ± 0.67周（R2 = 0.74），73%的早产儿预测年龄差异小于1周。
2. **过滤4-20 Hz范围内的数据（方案ii）**：预测年龄差异显著增加（1.58 ± 1.26周，R2 = 0.008），且预测年龄差异小于1周的新生儿比例显著下降（38%），如图2E所示。
3. **破坏相位振幅耦合（PAC）（方案iii）**：预测年龄差异增加（1.09 ± 0.87周，R2 = 0.53），预测年龄差异小于1周的新生儿比例降至56%，如图2F所示。

**方差分析（ANOVA）**：
- 以“方案”作为组内因素、“年龄”作为组间因素进行分析，发现“方案”有显著的主效应（F[3, 486] = 49.4, p < 0.0001, μ = 24.57, ?p2 = 0.23），“年龄”也有显著的主效应（F[2, 162] = 19.3, p < 0.0001, μ = 24.97, ?p2 = 0.19）。
- 两个因素的交互作用也具有显著性（F[6, 486] = 6.97, p < 0.0001, μ = 3.47, ?p2 = 0.08）。
- 事后分析（图2G，详见补充信息中的表S2）进一步评估了每种操作对各个亚组的影响。对于最年轻的亚组（28–32周孕龄（wPMA），“方案i”的影响不显著（BF = 0.446）。对于32–34周wPMA的年龄组，“方案i”的影响也不显著（BF = 0.195），而“方案ii”和“方案iii”的影响显著。对于最年长的亚组（34–38周wPMA），“方案ii”的影响显著，而其他两个方案的影响不显著（BF = 0.267和BF = 0.851）。

**讨论**

我们的卷积神经网络（CNN）表现优异，73.9%的婴儿预测年龄差异小于1周，95.2%的婴儿预测年龄差异小于2周，平均预测年龄差异为0.75 ± 0.60周。研究进一步表明，所提出的模型（以及可能直接在神经发育这一阶段基于自发神经活动训练的其他模型，而非提取的特征）能够捕捉慢振荡的调制及其与更快自发活动的协调，而不是仅依赖于完整频谱内容的振幅或更快的神经活动。与之前结合整个EEG信号的研究不同，我们的模型有意排除了不连续期，而是关注与导致神经活动演变机制相关的自发活动爆发。这些发现展示了深度学习架构通过编码EEG信号中的自发活动的空间分布和时间动态来提取与年龄相关的神经生理特征的能力。

EEG已被证明是评估早产儿大脑成熟度和神经风险评估的基本且可靠的工具，因为其时间、空间和频谱特性随着孕龄（PMA）和大脑成熟度的增加而迅速变化。实验数据显示，间歇性爆发是早期神经活动的普遍特征，有助于神经回路的发展和完善。基于这一实证基础，本研究展示了基于EEG的机器学习模型（特别是CNN）基于自发活动“内容”预测早产儿功能性大脑成熟度的强大潜力。我们的模型准确估计了早产儿的EEG大脑年龄，在预测一周以内的准确性方面，与之前发表的机器学习方法相当。更准确地说，模型紧密跟踪了预期的成熟度，平均绝对误差接近1周。这一精度接近临床估计PMA的固有不确定性。这些结果证实，基于EEG的模型可以可靠地捕捉早期生活中皮质和皮下功能的成熟度，尽管存在显著的个体间变异。

信号操作实验提供了更多关于自动编码策略的见解：该模型主要依赖于低频动态及其与更快振荡的层次耦合，而不仅仅是宽频谱或高频功率。去除低频成分（<4 Hz）显著降低了模型性能，这一结果强调了该年龄段δ带的重要性。此外，当将人群分为代表孕晚期早期、中期和晚期的三个亚组时，这一效应仍然存在。相比之下，去除高频成分（>12 Hz）对模型性能的影响不大，无论是在整体人群水平上还是亚组内部。

破坏慢振荡相位与更快振荡振幅之间的耦合，同时保持两个频段的功率，导致预测精度显著下降。有趣的是，破坏PAC对28–32周wPMA的婴儿影响最为明显，这一发展阶段的特点是嵌套振荡模式的出现，其中更快振荡发生在慢波的特定相位。在这一阶段，这些电模式构成了活动爆发的主要电生理特征，包括从24–25周wPMA开始出现的θ振荡，以及27–28周wPMA左右出现在慢波中的σ带振荡（在人类EEG中称为δ刷）。除了这些经典神经生物标志物外，慢振荡还调节自发爆发期间更快活动的振幅。这些跨频率相互作用随大脑成熟度系统性地演变。这种调制可能反映了丘脑皮层通路的发展以及局部皮质-皮质和亚皮质回路的成熟。计算研究表明，丘脑皮层和海马皮层突触强度的变化可以影响慢振荡的形态和相位-振幅关系。尽管本研究无法提供关于潜在网络的直接证据，但结果表明，模型捕捉到了由导致这一阶段慢振荡特征和相位-振幅关系变化的关键神经回路产生的发育性EEG特征。值得注意的是，当通过孕龄表征的神经生物标志物逐渐从新生儿EEG中消失时，模型似乎较少依赖于相位-振幅关系。

我们的工作表明，基于低密度EEG和原始活动爆发可以实现大脑年龄的准确估计，并具有自动数据处理的优势。在所提出的基于CNN的模型中，PMA预测主要依赖于低频活动的成熟及其与更快振荡的耦合，这是早期功能性大脑发育的关键特征。通过专注于正常发育的早产儿，本研究为早期功能性大脑成熟建立了规范参考。未来的工作应表征偏离这一正常轨迹的情况，以识别面临不良神经发育结果的早产儿。纵向的个体水平EEG监测对于描绘发育轨迹和确定早期病理事件如何干扰神经发育并影响长期结果至关重要。在这方面，脑龄差异成为早期神经发育偏离的有希望的定量标志。

**研究的局限性**

我们的研究有几个局限性：
1. 没有考虑睡眠-觉醒状态。整个自发脑活动记录中检测到了活动爆发，尽管这不太可能影响发育趋势，但针对睡眠状态特定地分析这些爆发（例如，类似于Iyer和Moghadam的方法）可以提供对自发神经活动演变的更详细理解。此外，安静睡眠的EEG模式比活跃睡眠和清醒状态更为简单且“不成熟”，因此纳入警觉状态信息可以减少不同参与者之间的变异，从而可能提高模型的敏感性和准确性。
2. 由于临床和后勤限制，PMA分布不均匀，导致在妊娠第三期的中部预测性能较高，而在发育极端情况下准确性较低。为了减少抽样偏差并在整个早产谱范围内稳定性能，需要更平衡的年龄分布。
3. 尽管对于新生儿研究来说规模相对较大，但我们的样本量仍相对较小，而当前的方法学建议通常需要数百名参与者。这些局限性不是次要的；它们定义了临床转化前的关键步骤。在将这种基于EEG的模型作为客观和定量评估功能性大脑成熟度和神经发育轨迹的临床可用工具之前，需要在大型多中心早产儿队列中进行验证，以确保其在不同记录系统、临床环境和人口统计变量中的泛化能力。最近的一项研究强调了使用连续低空间和时间分辨率EEG记录结合基于深度学习的脑龄建模来纵向评估早产儿功能性大脑成熟的可行性。
4. 由于临床和后勤限制，PMA分布不均匀，导致在妊娠第三期的中部预测性能较高，在发育的两个极端情况下准确性较低。为了减轻样本偏差并稳定整个早产范围的性能，需要更平衡的年龄分布。
5. 虽然对于新生儿研究来说规模较大，但我们的样本量相对于当前方法学建议仍然较小，后者通常建议使用数百名参与者。
6. 未来研究还应考虑使用镇静剂和止痛药的影响，这些药物可能会显著影响新生儿EEG活动，从而增加参与者之间的变异。
7. 此外，包括具有更多其他母体和新生儿人口统计特征（如性别或分娩方式）的参与者将有助于研究这些特征对PMA预测的影响。

总之，我们的工作表明，基于低密度EEG和原始活动爆发可以实现大脑年龄的准确估计，并具有自动数据处理的优势。在所提出的基于CNN的模型中，PMA预测主要依赖于低频活动的成熟及其与更快振荡的耦合，这是早期功能性大脑发育的关键标志。通过专注于正常发育的早产儿，本研究为早期功能性大脑成熟建立了规范参考。未来的工作应表征偏离这一规范轨迹的情况，以识别面临不良神经发育结果的早产儿。纵向的个体水平EEG监测对于描绘发育轨迹和确定早期病理事件如何干扰神经发育和影响长期结果至关重要。在这方面，脑龄差异成为早期神经发育偏离的有希望的定量标志。

**资源可用性**

- **信息请求**：有关进一步信息和资源的请求应发送给主要联系人Alban Gallard（[e-mail]）。
- **材料可用性**：
- 由于参与者未同意在研究联盟之外共享数据，因此本研究中报告的数据不能存放在公共仓库中。如需访问数据，请联系Alban Gallard（[e-mail]）。
- 所有原始代码已存放在以下GitHub仓库中：https://github.com/AlbanGallardGramfc/EEG-based-functional-cerebral-maturation-modelduring-the-third-trimester-of-gestation。
- 如需重新分析本研究报告中的数据，可向主要联系人请求额外信息。

**致谢**
我们感谢Amiens大学医院的EEG技术人员提供数据支持，以及同意参与研究的父母和家庭。本研究得到了法国国家研究机构（ANR）的资助，项目编号分别为ANR-22-CE45-0034（HINT）和ANR226CPJ1-0067-01。

作者贡献：
A.G.：概念构思、形式分析、方法论、软件开发、验证、可视化以及初稿撰写；
A.B.：概念构思、研究方法、软件开发及验证；
é.B.-P.：数据管理、资源整理、撰写及审稿编辑；
P.B.：研究方法及资源协调；
C.C.：资源管理及撰写审稿编辑；
G.K.：资源管理及撰写审稿编辑；
G.G.：资源管理及撰写审稿编辑；
F.W.：资金申请、资源调配及撰写审稿编辑；
L.R.：概念构思、数据管理、资源协调及初稿撰写；
S.M.：概念构思、资金申请、项目管理、监督、验证以及初稿撰写。

利益声明：
作者声明没有竞争性财务利益。

**STAR**
**关键资源表**

| REAGENT/RESOURCES | SOURCE | IDENTIFIER |
|-------------|---------|---------|
| 数据存储 | https://github.com/AlbanGallardGramfc/EEG-based-functional-cerebral-maturation-modelduring-the-third-trimester-of-gestation | |

**软件和算法**
Python 3.12.6（Python软件基金会，官网：https://www.python.org）

**实验模型和参与者详情**
共有165名早产新生儿参与了本研究，他们的出生后孕周（PMA）在28至38周之间，其中87名为女性（占53%）。脑电图（EEG）记录时的PMA分布见图1A。更多关于参与者的人口统计信息详见补充信息中的表S1。在法国阿米昂-皮卡第大学医院的新生儿重症监护病房中，共记录了73.5小时的EEG数据（每位新生平均记录时间为24.8 ± 16.9分钟）。所有参与者均符合以下纳入标准：出生孕周在24至37周之间，记录时年龄在28至38周之间；出生体重、体型及头围与EEG记录时的PMA相匹配；临床和神经系统检查结果正常；颅部超声检查未见严重的颅内病变（如高级室间隔出血或室周白质软化）。排除标准包括头皮皮肤病变、头皮上的静脉穿刺装置，或任何阻碍EEG电极放置的头皮损伤。根据法国临床神经生理学会的指南，所有参与者均接受了后续的EEG评估，结果均为正常。

**伦理声明**
父母已被告知研究内容并签署了书面知情同意书。该研究已获得伦理委员会的批准（Comité de Protection des Personnes Ouest，ID-RCB: 2019-A01534-53）。

**方法细节**
EEG记录采用128通道或64通道的HydroCel Geodesic Sensor Net传感器网络（取决于头围大小），并通过Electrical Geodesic Net Amps 200放大器将信号数字化，再传输至Electrical Geodesics Net Station软件（版本5）进行处理。EEG采样率为1000 Hz，参考电极为Cz顶点电极。记录后的信号使用Python（MNE及自定义函数）按照图1B所述的步骤进行处理：首先对原始EEG信号应用零相位FIR滤波器（Hamming窗口，滤波器阶数相当于低频截止值的3个周期，即0.5至20 Hz，滤波器长度为6000个样本，采样率为1000 Hz）；接着去除较大的电源线干扰（使用50 Hz无限冲激响应滤波器）。随后通过Local Outlier Factor算法识别异常通道，并采用球形样条插值法进行处理。为未来开发临床工具，保留了10个电极，EEG信号重新参照了一个自定义的16通道双极 montage（图1C：Fp1-T7、T7-O1、Fp1-C3、C3-O1、Fp2-T8、T8-O2、Fp2-C4、C4-O2、Fz-C3、C3-Pz、Fz-C4、C4-Pz、Fp1-Fp2、O1-O2、T7-C3和C4-T8）。通过幅度和一阶导数阈值识别并排除含有伪迹的EEG片段（绝对幅度超过400 μV的点被标记为伪迹，并同时剔除该伪迹前后2秒的数据）。计算每个点的一阶导数，若导数平均值超过400 μV/样本，则该片段被标记为伪迹并移除。对无伪迹的EEG数据进一步处理以检测神经活动爆发。我们将分析限制在神经活动爆发期间，以更好地理解其动态变化与大脑成熟度的关系。

**卷积神经网络（CNN）训练与测试**
模型基于CNN架构，使用可在时间轴上滑动核来编码不同时间尺度上的动态变化，并通过通道捕捉不同脑区之间的空间相关性。与更现代的方法（如Transformer）相比，CNN在数据量较少的情况下表现更优。CNN架构如图1D所示，包含四个模块，每个模块包含一个带有ReLU激活函数的卷积层，其后是一个池化层。具体来说，第一个模块包含一个具有64个200 × 2像素核的卷积层及ReLU激活函数，接着是一个10样本池化层的最大池化层；其余三个模块的卷积层分别具有32、16和8个10 × 2像素核及ReLU激活函数。第二个模块还包括一个10 × 1窗口的最大池化层；第三个模块使用平均池化层；最后一个模块采用全局平均池化层。每个模块的卷积层编码了图1E所示的蒙太奇图像中的神经活动空间分布。在相邻两个模块之间进行z轴时间评分。最终池化层的输出被展平为一维数组，然后通过dropout层防止过拟合。最后，两个连续的全连接（密集）层（大小分别为64和1）生成预测结果（此处用于预测PMA）。CNN的架构经过一系列训练和测试步骤确定。

在训练过程中，采用分层10折交叉验证策略，确保：（1）训练过程中模型不会接触到任何被排除的参与者的数据；（2）各折中的新生儿比例相对均衡。CNN训练目标是最小化预测PMA与真实PMA之间的均方差异。预测结果通过以下方式评估：（1）计算每个时间点的预测年龄差异（预测PMA与实际PMA之间的绝对误差）；（2）统计预测年龄差异小于1周的时间段占比。为了获得每个新生儿的统一成熟度估计值，将该新生儿所有记录时期的预测值进行平均。在总体水平上绘制身份线，并计算相关决定系数（R2）。定义基线为每个参与者年龄与平均队列年龄（33.1 wPMA）之间的平均差异。随后将全局模型预测误差（平均预测年龄差异）与基线值进行比较。

**模型分析**
首先，通过使用交叉验证中每一折的未见数据作为输入来可视化并评估CNN内部各模块的学习过程，计算每个模块的输出。为降低网络激活的高维表示，使用15个邻居计算每个模块输出的UMAP（Umap of Activations）。保留前两个UMAP分量进行后续分析。接着计算每对数据点之间的二维距离及其对应的PMA差异，并计算这两者之间的皮尔逊相关系数。此外，为了评估每个模块对预测年龄差异的影响，对每个点与其15个邻居之间的PMA差异进行单因素方差分析（ANOVA）。进一步通过Tukey Honest Significant Difference事后分析验证了模块对预测年龄差异的逐步影响。为了评估模型在不同孕周段预测成熟度的能力，将受试者分为三个组，每组新生儿数量相近：28 wPMA - 31 wPMA + 6 d（N = 46）、32 wPMA - 33 wPMA + 6 d（N = 65）和34 wPMA - 37 wPMA + 6 d（N = 54）。这些组大致对应标准临床PMA分类。在亚组水平上计算平均预测年龄差异以进行进一步统计分析。为了评估每个年龄组的预测准确性，对预测误差进行了单因素方差分析（包含年龄因素28-32 wPMA、32-34 wPMA和34-38 wPMA）。之后进行Tukey Honest Significant Difference事后分析，验证了模型在各个年龄范围内的预测准确性。

**调优**
为了解释CNN模型的学习过程，我们在交叉验证阶段修改了测试数据，同时保持训练好的CNN结构不变。这些修改虽不能完全解释学习过程，但有助于了解模型学习的EEG特征及其与大脑年龄的关联。修改内容包括：（i）高频成分；（ii）低频成分；（iii）神经活动爆发中的低频与高频成分的相互作用。在场景（i）中，数据在0.5至12 Hz范围内进行带通滤波（滤波器阶数为低频截止值的3个周期），以评估去除高频成分对预测结果的影响（尤其是在28 wPMA之后的情况）。在场景（ii）中，数据在4-20 Hz范围内进行带通滤波（滤波器阶数为低频截止值的3个周期），以评估去除低频成分的影响。这些成分对应于慢速的δ波振荡，是神经发育的典型特征。在场景（iii）中，我们破坏了快速和慢速激活之间的相位-幅度关系（PAC），这种关系是早期和后期发育阶段自主神经活动的标志。如果这种关系的改变影响了结果，说明这一特征对预测PMA至关重要。为此，我们计算了每个时间点的傅里叶变换，并随机替换了低于4 Hz频率的相位，从而破坏了相位-幅度关系，而不改变功率谱密度。每个时期的时间序列通过逆傅里叶变换进行了处理。为了量化和比较每种处理方法的影响，计算了平均预测年龄差异、相对于零线的R2值以及一周内的预测差异百分比，并对这些结果进行了进一步的统计分析。为了研究情景（i）-（iii）中的调制对大脑成熟度预测的影响，我们进行了4×3的方差分析（ANOVA）。情景被视为一个组内因素[原始状态、0.5-12Hz、4-20Hz和PAC]，而年龄则是一个组间因素[28-32周孕龄（wPMA）、32-34周孕龄和34-38周孕龄]。随后对“情景”这一因素进行了Tukey's Honest Significant Difference事后分析，分别在各年龄亚组内进行。这提供了关于每个特征对于孕龄（PMA）重要性的证据。在必要时，我们采用了贝叶斯t检验统计方法来得出贝叶斯因子，从而对零假设做出无偏见的判断。

所有统计分析都是使用Python完成的。第一个统计分析是在“模型分析”小节中解释的UMAPs比较，其结果显示在“UMAPs分析”小节中。关于年龄对孕龄预测影响的统计分析在“模型分析”小节中有解释，结果展示在“月经后年龄预测”小节中。关于调制影响的统计分析在“调制”小节中有解释，结果展示在图2和“EEG处理”小节中。所有统计测试的显著性标准定义为P值小于0.05。在图2中，NS表示没有显著差异，*表示P值<0.05，***表示P值<0.005。

补充信息（1）PDF（216.15 KB）文件S1。表S1和表S2。