Aim To examine the relationship between electrographic seizures and long‐term outcome in neonates with hypoxic–ischemic encephalopathy ( HIE ). Method Full‐term neonates with HIE born in Cork University Maternity Hospital from 2003 to 2006 (pre‐hypothermia era) and 2009 to 2012 (hypothermia era) were included in this observational study. All had early continuous electroencephalography monitoring. All electrographic seizures were annotated. The total seizure burden and hourly seizure burden were calculated. Outcome (normal/abnormal) was assessed at 24 to 48 months in surviving neonates using either the Bayley Scales of Infant and Toddler Development, Third Edition or the Griffiths Mental Development Scales; a diagnosis of cerebral palsy or epilepsy was also considered an abnormal outcome. Results Continuous electroencephalography was recorded for a median of 57.1 hours (interquartile range 33.5–80.5h) in 47 neonates (31 males, 16 females); 29 out of 47 (62%) had electrographic seizures and 25 out of 47 (53%) had an abnormal outcome. The presence of seizures per se was not associated with abnormal outcome ( p =0.126); however, the odds of an abnormal outcome increased over ninefold (odds ratio [ OR ] 9.56; 95% confidence interval [95% CI ] 2.43–37.67) if a neonate had a total seizure burden of more than 40 minutes ( p =0.001), and eightfold ( OR : 8.00; 95% CI : 2.06–31.07) if a neonate had a maximum hourly seizure burden of more than 13 minutes per hour ( p =0.003). Controlling for electrographic HIE grade or treatment with hypothermia did not change the direction of the relationship between seizure burden and outcome. Interpretation In HIE , a high electrographic seizure burden is significantly associated with abnormal outcome, independent of HIE severity or treatment with hypothermia.

Abstract This study investigates the functional network underlying response inhibition in the human brain, particularly the role of the basal ganglia in successful response inhibition. We provide evidence that the canonical inhibition pathways may not be recruited during successful response inhibition during the stop signal task (SST). Instead, subcortical nodes including the substantia nigra, subthalamic nucleus, thalamus, and ventral tegmental area are more likely to be activated during failed stop trials, suggesting that successful inhibition does not rely on the recruitment of these nodes. The findings challenge previous functional magnetic resonance imaging (fMRI) studies of the SST and suggest the need to ascribe a separate function to these networks. We also highlight the substantial effect smoothing can have on the conclusions drawn from task-specific GLMs. This study presents a proof of concept for meta-analytical methods that enable the merging of extensive, unprocessed or unreduced datasets. It demonstrates the significant potential that open-access data sharing can offer to the research community. With an increasing number of datasets being shared publicly, researchers will have the ability to conduct meta-analyses on more than just summary data.

Abstract The human brain is a complex organ comprising billions of interconnected neurons which enables interaction with both physical and social environments. Neural dynamics of the whole brain go far beyond just the sum of its individual elements; a property known as “synergy”. Previously it has been shown that synergy is crucial for many complex brain functions and cognition, however, it remains unknown how and when the large number of discrete neurons evolve into the unified system able to support synergistic interactions. Here we analysed high-density electroencephalography data from late fetal to early postnatal period. We found that the human brain transitions from redundancy-dominated to synergy-dominated system around birth. Frontal regions lead the emergence of a synergistic scaffold comprised of overlapping subsystems, while the integration of sensory areas developed gradually, from occipital to central regions. Strikingly, early developmental trajectories of brain synergy were modulated by environmental enrichment associated with enhanced mother-infant interactions, and the level of synergy near term equivalent age was associated with later neurocognitive development.

Study objectivesTo develop a non-invasive and practical wearable method for long-term tracking of infants' sleep.MethodsAn infant wearable, NAPping PAnts (NAPPA), was constructed by combining a diaper cover and a movement sensor (triaxial accelerometer and gyroscope), allowing either real-time data streaming to mobile devices or offline feature computation stored in the sensor memory. A sleep state classifier (wake, N1/REM, N2/N3) was trained and tested for NAPPA recordings (N=16649 epochs of 30 seconds), using hypnograms from co-registered polysomnography (PSG) as a training target in 33 infants (age 2 weeks to 18 months; Mean=4). User experience was assessed from an additional group of 16 parents.ResultsOvernight NAPPA recordings were successfully performed in all infants. The sleep state classifier showed good overall accuracy (78%; Range 74 - 83%) when using a combination of five features related to movement and respiration. Sleep depth trends derived were generated from the classifier outputs to visualise sleep state fluctuations, which closely aligned with PSG-derived hypnograms in all infants. Consistently positive parental feedback affirmed the effectiveness of the NAPPA-design.ConclusionsNAPPA offers a practical and feasible method for out-of-hospital assessment of infants' sleep behaviour. It can directly support large-scale quantitative studies and development of new paradigms in scientific research and infant healthcare. Moreover, NAPPA provides accurate and clinically informative computational measures for body positions, respiration rates, and activity levels, each with their respective clinical and behavioural value.

Objective A major challenge in the care of preterm infants is the early identification of compromised neurological development. While several measures are routinely used to track anatomical growth, there is a striking lack of reliable and objective tools for tracking maturation of early brain function; a cornerstone of lifelong neurological health. We present a cot-side method for measuring the functional maturity of the newborn brain based on routinely-available neurological monitoring with electroencephalography (EEG).Methods We used a dataset of 177 EEG recordings from 65 preterm infants to train a multivariable prediction of functional brain age (FBA) from EEG. The FBA was validated on an independent set of 99 EEG recordings from 42 preterm infants. The difference between FBA and postmenstrual age (PMA) was evaluated as a predictor for neurodevelopmental outcome.Results The FBA correlated strongly with the PMA of an infant, with a median prediction error of less than 1 week. Moreover, individual babies follow well-defined individual trajectories. The accuracy of the FBA applied to the validation set was statistically equivalent to the training set accuracy. In a subgroup of infants with repeated EEG recordings, a persistently negative predicted age difference was associated with poor neurodevelopmental outcome.Interpretation The FBA enables the tracking of functional neurodevelopment in preterm infants. This establishes proof of principle for growth charts for brain function, a new tool to assist clinical management and identify infants who will benefit most from early intervention.

Abstract In children, objective, quantitative tools that determine functional neurodevelopment are scarce and rarely scalable for clinical use. Direct recordings of cortical activity using routinely acquired electroencephalography (EEG) offer physiologically reliable measures of brain function. Here, we develop a novel measure of functional brain age (FBA) using a residual neural network based interpretation of the pediatric EEG. We show that the FBA from a 10 to 15 minute segment of 18-channel EEG during light sleep (stages 1 and 2) in typically developing children and adolescents was strongly associated with chronological age (R 2 = 0.96, 95%CI: 0.94 - 0.96, n = 1062, age range: 1 month to 18 years). The mean absolute error (MAE) between FBA and age was 0.6 years ( n = 1062), with an MAE of 2.1 years following validation on an independent set of EEG recordings ( n = 723). The FBA detected group level maturational delays in a small cohort of children with abnormal neurodevelopment ( p = 0.00053, n = 40). Our work offers a practical, scalable and powerful automated tool for tracking maturation of brain function throughout childhood with an accuracy comparable to that of widely used physical growth charts.

Abstract Background and Objective To develop a computational algorithm that detects and identifies different artefact types in neonatal electroencephalography (EEG) signals. Methods As part of a larger algorithm, we trained a Residual Deep Neural Network on expert human annotations of EEG recordings from 79 term infants recorded in a neonatal intensive care unit (112 h of 18-channel recording). The network was trained using 10 fold cross validation in Matlab. Artefact types included: device interference, EMG, movement, electrode pop, and non-cortical biological rhythms. Performance was assessed by prediction statistics and further validated on a separate independent dataset of 13 term infants (143 h of 3-channel recording). EEG pre-processing steps, and other post-processing steps such as averaging probability over a temporal window, were also included in the algorithm. Results The Residual Deep Neural Network showed high accuracy (95%) when distinguishing periods of clean, artefact-free EEG from any kind of artefact, with a median accuracy for individual patient of 91% (IQR: 81%-96%). The accuracy in identifying the five different types of artefacts ranged from 57%-92%, with electrode pop being the hardest to detect and EMG being the easiest. This reflected the proportion of artefact available in the training dataset. Misclassification as clean was low for each artefact type, ranging from 1%-11%. The detection accuracy was lower on the validation set (87%). We used the algorithm to show that EEG channels located near the vertex were the least susceptible to artefact. Conclusion Artefacts can be accurately and reliably identified in the neonatal EEG using a deep learning algorithm. Artefact detection algorithms can provide continuous bedside quality assessment and support EEG review by clinicians or analysis algorithms. Highlights We applied a Residual Deep Neural Network as part of an artefact detection algorithm in neonatal electroencephalograms. The algorithm shows high accuracy in identifying artefactual data in general and for specific artefact types. EEG channels near the top of the head are less prone to artefact.