早产儿 EEG 睡眠状态分类与成熟度评估的自动化

基于摘要分析。本研究针对早产儿 EEG 监测依赖专家判读的问题，微调 ImageNet 预训练的 ResNet-50，对 EEG 片段图像进行分类，并据此联合开展噪声检测、睡眠状态分类与成熟度评估；其研究对象是新生儿 EEG 自动评估，而非 EEG 基础模型预训练。 数据与方法：研究收集了 65 名早产儿的 165 份 EEG 记录，将 8 通道 EEG 按每 30 秒分段，划分为三类早产等效状态、四类足月等效状态及一类噪声，共八类。模型以分段 EEG 图像为输入；摘要未说明图像构建方式、训练细节，以及数据划分是否按被试隔离。作者提出“maturity rate”（成熟率），定义为每份 EEG 记录中足月等效标签所占比例，用于从分类输出汇总记录级成熟度。 结果：作者报告，在上述八分类任务中，macro F1 为 0.58，Cohen's Kappa 为 0.58；将标签合并为活动睡眠、安静睡眠和噪声三类后，F1 为 0.84，Kappa 为 0.74，摘要未注明合并后三分类 F1 的平均方式。两组结果对应不同分类粒度，不能视为同一任务下的直接性能提升。作者还报告，成熟率随记录时的月经后年龄连续增加，并将其解释为反映超越足月与早产二分的脑功能发育。 证据边界：摘要支持该流程能够从分类结果构建睡眠与成熟度评估输出，但成熟率与年龄的关联尚不能单独确立其临床效度。全文需核对被试划分、类别分布、标注一致性、成熟率的独立验证及人工干预环节；实验协议、消融及统计信息尚未验证。作者所称少量人工干预下的端到端评估，仍需结合具体工作流程和外部验证判断。该研究不直接证明 BCI 解码能力或 EEG 基础模型的通用性。