Abstract: J. Kim, H. C. Glass, E. Amorim, V. R. Rao, D. Bernardo (2025)

Recent strategies to predict neonatal seizure risk using machine learning (ML) in combination with quantitative electroencephalography (QEEG) have primarily focused on subject-level predictions over several days during the postnatal period. Time-dependent neonatal preictal state classification with high temporal resolution remains unexplored. In this study, we utilized QEEG feature engineering for ML classification of preictal states and compared it to an end-to-end ML approach. We used two publicly available EEG seizure datasets with a total of 132 neonates containing a total of 281 h of EEG data and segmented data into preictal and interictal epochs of 20 s duration. We employed the Boruta algorithm with Shapley values for QEEG feature selection into ML models. The performance of ML models was assessed with cross-validation with area under the receiver operator characteristic curve (AUROC), area under the precision-recall curve (AUPRC), Matthews Correlation Coefficient (MCC), and F1 score. Feature selection demonstrated statistical moments, spectral power, and recurrence quantification analysis features as robust predictors of preictal states. QEEG feature selection combined with convolutional LSTM outperformed other ML models at preictal versus interictal classification, with AUROC 0.678, AUPRC 0.218, MCC 0.255, and F1 0.334. Our results demonstrate the feasibility of applying ML to facilitate prediction and understanding of neonatal preictal states.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Comparison of Feature Engineering and End-to-End Machine Learning for Neonatal Preictal State Classification