Een Gevorderd Neonataal Hersenmonitoring Raamwerk met behulp van Deep Learning

Na de geboorte worden ernstig zieke of premature baby's opgenomen op de dienst neonatale intensieve zorg voor intensieve zorgen en monitoring. Het meest informatieve hersensignaal is het EEG, waarbij verschillende patronen verband houden met hersenactiviteiten of abnormaliteiten. Voor het detecteren van deze patronen is echter speciale expertise vereist, die niet de klok rond beschikbaar is. Er bestaan al verschillende algoritmen voor automatische hersenanalyse, voornamelijk gebaseerd op alleen EEG. Volgens fysiologisch onderzoek is echter een multimodale benadering, gebruik makende van zowel EEG als andere informatie zoals hartslagvariabiliteit en de geschiedenis van de patiënt, nodig. Bovendien kunnen verschillende hersenactiviteiten met elkaar interageren. Zo kan bijvoorbeeld een epilepsie-aanval het slaappatroon verstoren. Daarom werken methoden die de problemen afzonderlijk oplossen niet nauwkeurig. Het belangrijkste doel van dit onderzoek is het ontwikkelen van een multi-input multi-output raamwerk dat gebruik maakt van alle beschikbare signalen en informatie voor slaapstadia classificatie, aanvalsdetectie, uitkomstvoorspelling, analyse van hersenontwikkeling en scoren van de achtergrond. Daartoe zal een complex raamwerk worden gemaakt dat gebaseerd is op een diep neuraal netwerk, inclusief verschillende modules die met elkaar interageren. De verwachting is dat een dergelijk diep raamwerk  de prestaties van algoritmen in neonatale hersenmonitoring kan verbeteren.