基于aEEG的新生儿脑功能状态自动辨识研究

对新生儿脑功能状态（包括脑损伤和脑发育）的评价临床意义重大。脑功能监护仪（CFM）床边监测在一些国家的重症监护室已逐渐日常化，而国内的相关研究则起步不久。在前期研制的国内首台具自主知识产权的振幅整合脑电（aEEG）CFM基础上，本课题将进一步研究实时信号预处理方法以提高aEEG信号质量，研究aEEG量化算法和自动辨识模型，进一步完善脑功能监护仪功能。研究适合于刻画aEEG的时频域、非线性和复杂度指标等多种特征，克服国际上仅从时域定性分析的局限，实现aEEG量化分析；改进特征提取和分类器实现方法，通过实时和离线两级层次实现脑功能状态的自动辨识，降低监护对医生的依赖。前期已通过数据预处理方法的改进和近似熵分析，发现了医生采用国际通用方法未能观察到的病症。利用我国数据样本多的优势，建立一套新生儿脑功能状态的自动辨识方法，可使我国的相关研究走在世界前列。

应用aEEG进行床边持续脑功能监护已逐渐成为国外许多NICU 日常监护工作的一部分，而国内的相关研究才起步不久。本课题的主要研究任务是完善前期自主研发的国内首台脑功能监护仪，研究适合于aEEG 的量化分析算法，建立基于aEEG 信号量化分析的新生儿脑功能状态自动辨识模型。目前国际上对 aEEG 信号的分析基本局限于时域上的定性分析, 未见新生儿脑功能状态的自动量化分析和辨识的相关工作，因此该研究工作处于前列。本课题的创新和贡献在于：1）对前期自主研发的CFM控制处理模块进行完善，通过预处理提高信号质量，以box-cox变换替代半对数变换，在实现信号压缩的同时保留了宽带和窄带的信号特性。采集了3百余例不同脑功能状态下的新生儿aEEG数据；2）突破国际上仅使用幅值特征的局限，实现了aEEG的多种量化特征提取和分析。结合统计特征、线性特征和非线性复杂度特征，既能从整体上把握aEEG信号的特点，又能从信号内部捕捉细节变化；3）从实时和离线两级层次实现新生儿脑功能状态的量化分析和自动辨识，降低新生儿床旁监护对医生的依赖，为医疗工作者提供有效的诊断建议; 4) 改进了D-S证据理论，将迁移学习引入aEEG信号自动识别，实现了特征和分类器的融合，提高了识别正确率；5）建立了基于随机森林的aEEG信号自动识别模型，对特征有效性进行了验证，对非平衡样本进行了处理，并与其它常用分类器的识别效果进行了对比。该模型可有效区分正常与异常的新生儿脑功能状态，并且可基于样本数据的增加进行自我调整与完善，对未知样本的预测和识别更准确可靠，较传统分类模型具有更高的鲁棒性和推广价值。