In dieser Studie wurde ein automatisierter Algorithmus zur Erkennung von Anfällen für mehrkanalige neonatale EEGs validiert. Dazu wurde eine zuvor veröffentlichte Methode an einen Datensatz mit weniger Elektroden angepasst. Die Python-basierte Implementierung SDApy wurde auf EEG-Aufzeichnungen von 23 Neugeborenen angewendet, um mithilfe einer Support-Vektor-Maschine, die auf einem unabhängigen Datensatz trainiert wurde, Anfalls- und Nicht-Anfalls-Epochen zu klassifizieren. Der Algorithmus nutzt Zeit- und Frequenzbereichsmerkmale und behält eine hohe Generalisierbarkeit über verschiedene Aufzeichnungskonfigurationen hinweg bei. Dadurch wird trotz der Verwendung von nur neun statt neunzehn Elektroden eine robuste Leistung erzielt. Bewertungsmetriken, darunter F1-Scores und Präzisions-Recall-Kurven, bestätigen für die meisten Patienten eine starke Übereinstimmung zwischen den Vorhersagen des Algorithmus und den Einschätzungen von Experten. Im Vergleich zu früheren MatLab-Versionen verbessert die Open-Source-Implementierung von SDApy die Zugänglichkeit und bietet einen transparenten und kostengünstigen Ansatz für die klinische EEG-Analyse. Die Pipeline kann mit Labels eines einzelnen Experten arbeiten, unterstützt die Vorab-Kennzeichnung von Daten für Deep Learning und lässt sich gut in die Überwachungsabläufe auf neonatologischen Intensivstationen integrieren. Insgesamt zeigt SDApy eine zuverlässige Anpassung an EEGs mit reduzierter Kanalanzahl und bietet Potenzial für die Echtzeit-Erkennung von Anfällen, die personalisierte Schwellenwertoptimierung und die Integration in multimodale neurophysiologische Überwachungssysteme.
Appl. Sci. 2026, 16(1), 52; doi.org/10.3390/app16010052 (registering DOI)
Cris Micheli, Antonia Thelen, Maarten De Vos, Anneleen Dereymaeker, Jens Haueisen,Patrique Fiedler
