Computational features of neonatal EEG monitoring after asphyxia

Abstract

The aim of this thesis was to find out if computational electroencephalography (EEG) features can be used in the automated monitoring of newborns after asphyxia. EEG is already widely used in the neonatal intensive care units but there is a need for quantitative measures that can be obtained without the presence of a clinical expert. One of the biggest challenges in the treatment of newborns with asphyxia is also to correctly estimate the severity of the resulting neurological problems.

Eight different feature classes were computed for 42 full-term babies from periods of quiet and active sleep. These feature classes measured correlations of amplitude and phase, interhemispheric synchrony, multifractality and spectral properties. We then studied the ability of these features to distinguish between different severity groups and also tested a classification algorithm to predict the outcome of the babies. Quiet sleep was noted to be more sensitive when separating groups with different grades of severity and most of the used feature classes showed significant results in statistical testing between the groups. The babies with the normal outcome were classified more accurately with the EEG based classification algorithm, than with only the clinical estimation.

Työn tarkoituksena oli selvittää, onko aivosähkökäyrästä (EEG) laskettuja parametreja mahdollista käyttää happivajeesta kärsineiden vastasyntyneiden automaattisessa monitoroinnissa. EEG on jo nyt yleisesti käytössä vastasyntyneiden teho-osastoilla, mutta tarve kvantitatiivisille mittareille, joiden tulkintaan ei tarvita lääketieteen asiantuntijaa, on suuri. Lisäksi yksi suurimmista haasteista on pystyä arvioimaan tarkasti, kuinka vakaviin neurologisiin ongelmiin happivaje johtaa.

Työssä laskettiin kahdeksan erilaista muuttujajoukkoa 42 täysiaikaiselle vauvalle sekä hiljaisen että aktiivisen unen aikana. Nämä muuttujat mittasivat amplitudin ja vaiheen korrelaatioita, aivopuoliskojen välistä synkroniaa, multifraktaalisuutta sekä taajuusjakaumaa. Tämän jälkeen tutkittiin muuttujien kykyä erotella eri vakavuusasteisia ryhmiä ja testattiin luokittelualgoritmia vauvojen tulevan terveydentilan ennustamiseen. Hiljaisen unen huomattiin olevan herkempi havaitsemaan eroja eri vakavuusasteisten ryhmien välillä ja tilastollisen testauksen perusteella suurin osa valituista muuttujajoukoista erotteli merkittävästi eri vakavuusryhmiä. Ne vauvat, jotka toipuivat hapenpuutteesta täysin, pystyttiin löytämään EEG-pohjaisella luokittimella tarkemmin kuin pelkän kliinisen arvion avulla.