综述：婴儿脑电图预处理流程：能力框架与实际应用中的现有差距

《Journal of Neuroscience Methods》：Infant EEG preprocessing pipelines: A capability framework and current gaps in practice

　　

Efthymios Papatzikis

• •
  首个针对十种主流婴儿脑电图预处理工具的能力框架。
• •
  五个能力维度，采用1到5的分级标准，并配有基于证据的描述。
• •
  在全部评估维度上，两位评估者的评分一致性达到Krippendorff’s α =?.69。
• •
  没有一种预处理流程能在五个维度上都达到最高成熟度。
• •
  在发展敏感性和跨数据集验证方面存在行业性缺陷。

引言

婴儿脑电图已成为了解早期大脑发育的重要工具，为研究人员提供了从出生到生命最初几年神经过程的见解。然而，从婴儿身上记录脑电图所面临的技术挑战——频繁的肢体活动、较低的信噪比以及快速的发展变化——并非简单的干扰问题，而是需要预处理工具专门设计的特殊需求。例如，在自然环境中，婴儿的频繁动作会产生大量运动伪迹，这些伪迹会改变脑电图的频谱特征，从而以与成人运动伪迹不同的方式影响数据解读（Georgieva等人，2020年）。这些伪迹包括下颌和四肢的运动，主要会影响β频率带和边缘电极位置的信号，但其具体影响取决于记录条件、电极密度以及婴儿的年龄，因此不存在一种适用于所有婴儿脑电图场景的伪迹处理方法。

要获得足够的信噪比则更为困难。由于婴儿头骨较薄、头围较小且头皮结构不成熟，这些解剖学差异会改变信号的幅度和空间分布，而传统的成人分析流程并未针对这些问题进行设计。加权平均和自适应阈值等针对性技术可以提高高危新生儿的信噪比（Papatzikis等人，2025年；Falkner和Abedi，2010年），而基于快速傅里叶变换的频谱分析方法则能减少伪迹干扰，提升早产儿脑电图数据的可靠性（Victor等人，2005年）。不过，这些方法并非可以互相替代：在新生儿重症监护室中有效的提升信噪比的方法，与在实验室中对9个月大婴儿进行研究时适用的方法有很大不同。这种情境依赖性意味着，任何关于婴儿脑电图预处理的比较分析，都应围绕反映不同研究场景需求的各类能力维度展开，而非仅依据单一的性能指标。

或许最关键的是，这些预处理流程所适用的发育阶段内，脑电图信号本身也会发生显著变化。例如，生命最初几周的睡眠状态成熟会伴随脑电图熵值、频谱功率以及连接模式的快速变化（Wielek等人，2019年），而从新生儿脑电图到婴儿脑电图再到幼儿脑电图的转变，则会带来头骨密度、髓鞘形成以及皮质结构的改变，进而影响信号的幅度、频率成分和空间特征。专为2天大的新生儿设计的预处理流程，可能会系统性地错误识别9个月大婴儿的神经信号，反之亦然。这些发育动态不仅要求使用复杂的自适应技术——包括针对不同年龄的阈值设置，以及越来越多的机器学习分类器——还要求在对比各种预处理工具时，明确评估每种流程与其所针对的发育阶段的匹配程度。

正是在这样的背景下——因年龄和记录环境不同而产生的各异伪迹处理需求、在不同场景下无法互换的情境依赖型信噪比提升策略，以及脑电图信号本身在发育过程中发生的根本性变化——一个结构化的能力框架不仅十分有用，更是不可或缺的。近年来，已有越来越多专为婴儿和新生儿脑电图设计的专用预处理流程出现，每一种都有不同的设计重点、伪迹处理方法和适用人群。将这些流程与一套统一的能力维度进行对照，能为研究人员和临床医生提供选择流程的依据，揭示当前领域存在的持续缺陷，并为推动行业标准化进程奠定基础。

在相关领域，对处理工具进行结构化能力评估已有先例。在软件工程领域，能力成熟度模型提出了一种五级框架，用于评估流程的成熟度，这一框架后来被广泛应用于多个学科（Paulk等人，1993年）。在功能神经成像领域，随着预处理方法的增多，人们不仅开发了标准化的流程（Esteban等人，2019年），还对不同流程的去噪策略进行了系统比较（Parkes等人，2018年），同时也有针对成人脑电图伪迹去除方法的综述（Jiang等人，2019年）。然而，目前尚未有针对婴儿脑电图预处理流程的类似结构化评估。现有文献大多聚焦于特定流程的技术细节——要么单独研究，要么小范围比较——但关于不同流程的能力、缺陷以及与研究情境的适配性的跨流程分析十分有限，这使得研究人员和临床医生难以判断哪种流程最适合他们的具体研究需求。

综合以上因素，本文提出了一个针对十种核心婴儿脑电图预处理工具的能力框架（九种专为婴儿设计的工具以及模块化通用方法），从五个最易量化评估的维度，梳理了这些工具的已证实优势、现有缺陷以及与研究情境的适配程度。这十种工具分别是：APICE（Fló等人，2022年），该工具利用自适应阈值和连续数据上的独立成分分析自动检测伪迹；Adjusted-ADJUST（Leach等人，2020年），该工具针对婴儿的几何网络记录优化了ADJUST算法；GADS（Stevenson等人，2014年），这是一种基于支持向量机的新生儿伪迹检测系统；NEAR（Kumaravel等人，2022年），该工具利用局部异常因子和校准后的伪迹子空间重建技术处理新生儿脑电图；HAPPE（Gabard-Durnam等人，2018年），该工具可自动对低密度婴儿数据集应用小波增强型独立成分分析来去除伪迹；HAPPE?+?ER（Monachino等人，2022年），这是针对事件相关电位的优化版HAPPE；HAPPILEE（Lopez等人，2022年），这是HAPPE框架的低密度版本；BEAPP（Levin等人，2018年），这是一个集成EEGLAB、FieldTrip和PREP功能的批量处理平台，适用于多地点和纵向研究；模块化流程（Coelli等人，2024年），这是一个用于系统比较不同预处理方法的框架；最后是MADE（Debnath等人，2020年），该工具专为婴儿、儿童和青少年的发育脑电图设计。本文从批判性角度分析了这些工具的贡献与改进空间。这些工具是根据四个预先设定的标准筛选出的——同行评审过的论文、代码是否可用或是否有足够的操作细节、在婴儿/新生儿脑电图研究中的实际应用情况，以及是否涵盖了发育脑电图领域的各类主要设计模式，详细内容见下文“搜索与语料库构建”部分。

章节节选

方法

我们对所选的婴儿脑电图预处理流程进行了结构化的能力评估，从一系列通过分析得出的能力维度出发，记录它们的优势、劣势以及与研究情境的适配程度。因此，我们将分析聚焦在五个与婴儿脑电图数据特性尤为相关的能力维度上——即伪迹处理、自动化与可扩展性、灵活性与适应性、发展敏感性，以及验证能力

单项分析

以下简述总结了每种工具的核心方法及其在五个维度上的成熟度水平（1到5级；具体描述见表1至表5）。这些是已记录的能力定位，而非评分结果。关于每种流程的完整分析内容，包括各项评分的依据，详见补充材料S1-D.2，所有评分均汇总在表8中。

APICE（Fló等人，2022年）结合迭代式自适应阈值检测与DSS技术

讨论

上述成熟的分析结果表明，目前还没有一种预处理流程能够在五个维度上都展现出全面的能力，每种流程都因其设计目标和适用人群而占据独特的定位。这一现状具有实际意义：在婴儿脑电图研究中，流程选择不能采取“一刀切”的方式，而必须根据研究问题、发育阶段、记录环境等因素进行针对性选择

局限性

尽管取得了这些令人鼓舞的成果，但在开展这项全面综述时仍需谨慎考虑若干局限性。首先，虽然发展敏感性在婴儿脑电图分析中至关重要，但能力框架显示，各流程在这一维度上对发展因素的整合程度存在不一致性和缺陷。例如APICE、NEAR和MADE等流程确实表现出对发育变化的敏感性，但这种敏感性并不一致

结论

未来，研究人员和临床医生应考虑将本文提出的能力框架纳入方法决策过程，利用各流程的成熟度评估结果和针对不同维度的分析结果，使流程能力与具体的研究情境和需求相匹配。尽管在伪迹去除、自动化处理以及流程灵活性等方面已经取得了显著进展，但由于婴儿脑电图数据的固有复杂性，这一领域仍需不断探索

CRediT作者贡献说明

Efthymios Papatzikis：撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件开发、资源提供、项目管理、方法设计、研究实施、形式分析、数据整理、概念构思。

伦理声明

本研究未涉及人类受试者、人类数据或动物实验。整个研究工作仅基于已发表的十种婴儿脑电图预处理流程的同行评审文章及官方文档进行评估，无需伦理委员会批准或知情同意。

资金支持

本研究未获得公共部门、商业机构或非营利组织提供的任何专项资助。

利益冲突声明

作者声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢

作者感谢Kaya Smilova在能力成熟度评分的评分者间一致性评估中担任第二位独立评估者。她对这十种流程和五个能力维度所采用的标准化评估标准的应用，对于本研究中得出的可靠性结论起到了关键作用。