用于早产儿单通道脑电图中爆发检测的多特征分类器

研究早产儿的脑电图 (EEG) 爆发可提供关于成熟度或围产期窒息后预后的重要信息。在过去二十年中，许多工作提出了自动检测早产儿 EEG 爆发的算法，但它们是针对胎龄后月经龄 (PMA) 低于 35 周的人群设计的。然而，由于大脑活动在出生后迅速演变，随着 PMA 的增加，这些解决方案的性能可能会下降。在本工作中，我们专注于达到足月年龄（PMA $\geq$ 36 周）的早产儿，利用单通道 EEG 进行多特征分类。比较了五种依赖不同机器学习方法的 EEG 爆发检测器：逻辑回归 (LR)、线性判别分析 (LDA)、k-近邻 (kNN)、支持向量机 (SVM) 和阈值法 (Th)。分类器使用 14 名极早产儿（妊娠 28 周后出生）的视觉标记 EEG 记录进行训练，其 PMA 为 36 - 41 周。表现最佳的分类器达到了约 95% 的准确率（kNN、SVM 和 LR），而 Th 为 84%。与人工 - 自动一致性相比，LR 提供了最高分数（Cohen's kappa = 0.71），并且仅使用三个 EEG 特征就实现了最佳的计算效率。将该分类器应用于包含 21 名 PMA $\geq$ 36 周婴儿的测试数据库，我们发现长 EEG 爆发和短爆发间期是 PMA 和体重最高婴儿的特征。鉴于这些结果，基于 LR 的爆发检测可能是使用单通道 EEG 在监测或便携式设备中研究成熟度的合适工具。