[论文解读] WU-NEAT: A clinically validated, open- source MATLAB toolbox for limited-channel neonatal EEG analysis

Zachary A. Vesoulis, Paul Gamble+4 more|arXiv (Cornell University)|May 11, 2018

Neonatal and fetal brain pathology参考文献 13被引用 3

一句话总结

WU-NEAT 是一个开源、经临床验证的 MATLAB 工具箱，用于分析有限导联的新生儿脑电图，实现了振幅整合脑电图（aEEG）和谱边缘频率（SEF）算法。其 aEEG 分类的组内一致性达 100%，组间一致性达 98%；SEF 计算的皮尔逊相关系数为 0.96，确保了设备无关、可重复的新生儿脑电图分析，支持协作研究。

ABSTRACT

Goal: Limited-channel EEG research in neonates is hindered by lack of open, accessible analytic tools. To overcome this limitation, we have created the Washington University- Neonatal EEG Analysis Toolbox (WU-NEAT), containing two of the most commonly used tools, provided in an open-source, clinically-validated package running within MATLAB. Methods: The first algorithm is the amplitude-integrated EEG (aEEG), which is generated by filtering, rectifying and time-compressing the original EEG recording, with subsequent semi-logarithmic display. The second algorithm is the spectral edge frequency (SEF), calculated as the critical frequency below which a user- defined proportion of the EEG spectral power is located. The aEEG algorithm was validated by three experienced reviewers. Reviewers evaluated aEEG recordings of fourteen preterm/term infants, displayed twice in random order, once using a reference algorithm and again using the WU-NEAT aEEG algorithm. Using standard methodology, reviewers assigned a background pattern classification. Inter/intra-rater reliability was assessed. For the SEF, calculations were made using the same fourteen recordings, first with the reference and then with the WU-NEAT algorithm. Results were compared using Pearson's correlation coefficient. Results: For the aEEG algorithm, intra- and inter-rater reliability was 100% and 98%, respectively. For the SEF, the mean (SD) Pearson correlation coefficient between algorithms was 0.96 (0.04). Conclusion: We have demonstrated a clinically-validated toolbox for generating the aEEG as well as calculating the SEF from EEG data. Open-source access will enable widespread use of common analytic algorithms which are device-independent and not subject to obsolescence, thereby facilitating future collaborative research in neonatal EEG.

研究动机与目标

• 为有限导联新生儿脑电图分析缺乏开源、可访问且经临床验证的工具提供解决方案。
• 开发一种标准化的开源 MATLAB 工具箱，支持关键新生儿脑电图指标的广泛应用。
• 通过专家评审的临床验证，确保算法的可靠性与可重复性。
• 通过消除厂商专用软件依赖和过时风险，促进未来协作研究。

提出的方法

• 通过原始脑电图信号的滤波、整流和时间压缩实现振幅整合脑电图（aEEG）的计算，随后进行半对数可视化。
• 将谱边缘频率（SEF）计算为累计谱功率中用户定义比例（例如 90%）以下的频率。
• 通过盲法随机评审流程，由三位经验丰富的评审员对背景模式进行分类，验证 aEEG 算法。
• 通过将 WU-NEAT 的 SEF 计算结果与参考实现进行比较，利用 14 例新生儿脑电图记录的皮尔逊相关系数验证 SEF 算法。
• 将工具箱以开源形式部署于 MATLAB 环境，确保可访问性、可重复性及设备独立性。
• 采用标准临床方法评估 aEEG 分类的组内与组间一致性。

实验结果

研究问题

• RQ1 WU-NEAT 生成的 aEEG 分类与参考算法相比，是否能实现高组内与组间一致性？
• RQ2 WU-NEAT 的 SEF 计算与参考实现的相关性有多高？
• RQ3 WU-NEAT 在不同临床与研究环境中，能在多大程度上确保可重复性与标准化？
• RQ4 开源、基于 MATLAB 的工具箱是否能有效支持可靠的新生儿脑电图分析，且避免厂商锁定？
• RQ5 在公共工具箱中集成经临床验证的算法，是否能增强新生儿脑电图研究中的协作与数据共享？

主要发现

• WU-NEAT 的 aEEG 算法在 14 例新生儿脑电图记录中，背景模式分类的组内一致性达 100%，组间一致性达 98%。
• WU-NEAT 与参考 SEF 计算结果之间的皮尔逊相关系数均值为 0.96（标准差 0.04），表明一致性极强。
• aEEG 算法在不同评审者间表现一致，同一记录在两次评估中分类结果无任何差异。
• SEF 算法表现出高度可重复性，所有测试记录中 WU-NEAT 与参考方法之间的差异极小。
• 该工具箱已成功通过临床可靠性验证，支持其在研究与临床环境中的应用。
• 开源可访问性确保了长期可用性，降低了过时风险，促进了新生儿脑电图研究的协作。