Despite their widespread use, many self‐report mood scales have very limited normative data. To rectify this, Crawford et al. have recently provided percentile norms for a series of self‐report scales. The present study aimed to extend the work of Crawford et al. by providing percentile norms for additional mood scales based on samples drawn from the general Australian adult population. Participants completed a series of self‐report mood scales. The resultant normative data were incorporated into a computer programme that provides point and interval estimates of the percentile ranks corresponding to raw scores for each of the scales. The programme can be used to obtain point and interval estimates of the percentile ranks of an individual's raw scores on the Beck Anxiety Inventory, the Beck Depression Inventory, the Carroll Rating Scale for Depression, the Centre for Epidemiological Studies Rating Scale for Depression, the Depression, Anxiety, and Stress Scales (DASS), the short‐form version of the DASS (DASS‐21), the Self‐rating Scale for Anxiety, the Self‐rating Scale for Depression, the State–Trait Anxiety Inventory (STAI), form X, and the STAI, form Y, based on normative sample sizes ranging from 497 to 769. The interval estimates can be obtained using either classical or Bayesian methods as preferred. The programme (which can be downloaded at http://www.abdn.ac.uk/~psy086/dept/MoodScore_Aus.htm) provides a convenient and reliable means of obtaining the percentile ranks of individuals' raw scores on self‐report mood scales.

Limited understanding of infant pain has led to its lack of recognition in clinical practice. While the network of brain regions that encode the affective and sensory aspects of adult pain are well described, the brain structures involved in infant nociceptive processing are completely unknown, meaning we cannot infer anything about the nature of the infant pain experience. Using fMRI we identified the network of brain regions that are active following acute noxious stimulation in newborn infants, and compared the activity to that observed in adults. Significant infant brain activity was observed in 18 of the 20 active adult brain regions but not in the infant amygdala or orbitofrontal cortex. Brain regions that encode sensory and affective components of pain are active in infants, suggesting that the infant pain experience closely resembles that seen in adults. This highlights the importance of developing effective pain management strategies in this vulnerable population.

Abstract Preterm infants undergo substantial neurosensory development in the first weeks after birth. Infants born prematurely are more likely to have long-term adverse neurological outcomes and early detection of abnormal brain development is essential for timely interventions. We investigated whether sensory-evoked cortical potentials could be used to accurately estimate the age of an infant. Such a model could be used to identify infants who deviate from normal neurodevelopment by comparing the brain age to the infant’s postmenstrual age (PMA). Infants aged between 28- and 40-weeks PMA from a training and test sample (consisting of 101 and 65 recording sessions in 82 and 14 infants, respectively) received trains of approximately 10 visual and 10 tactile stimuli (interstimulus interval approximately 10 seconds). PMA could be predicted accurately from the magnitude of the evoked responses (training set mean absolute error (MAE and 95% confidence intervals): 1.41 [1.14; 1.74] weeks, p = 0.0001; test set MAE: 1.55 [1.21; 1.95] weeks, p = 0.0002. Moreover, we show with two examples that brain age, and the deviations between brain age and PMA, may be biologically and clinically meaningful. By firstly demonstrating that brain age is correlated with a measure known to relate to maturity of the nervous system (based on animal and human literature, the magnitude of reflex withdrawal is used) and secondly by linking brain age to long-term neurological outcomes, we show that brain age deviations are related to biologically meaningful individual differences in the rate of functional nervous system maturation rather than noise generated by the model. In summary, we demonstrate that sensory-evoked potentials are predictive of age in premature infants. It takes less than 5 minutes to collect the stimulus electroencephalographic data required for our model, hence, increasing its potential utility in the busy neonatal care unit. This model could be used to detect abnormal development of infant’s response to sensory stimuli in their environment and may be predictive of later life abnormal neurodevelopmental outcome.

Preterm infant brain activity is discontinuous; bursts of activity recorded using EEG (electroencephalography), thought to be driven by subcortical regions, display scale free properties and exhibit a complex temporal ordering known as long-range temporal correlations (LRTCs). During brain development, activity-dependent mechanisms are essential for synaptic connectivity formation, and abolishing burst activity in animal models leads to weak disorganised synaptic connectivity. Moreover, synaptic pruning shares similar mechanisms to spike-timing dependent plasticity (STDP), suggesting that the timing of activity may play a critical role in connectivity formation. We investigated, in a computational model of leaky integrate-and-fire neurones, whether the temporal ordering of burst activity within an external driving input could modulate connectivity formation in the network. Connectivity evolved across the course of simulations using an approach analogous to STDP, from networks with initial random connectivity. Small-world connectivity and hub neurones emerged in the network structure - characteristic properties of mature brain networks. Notably, driving the network with an external input which exhibited LRTCs in the temporal ordering of burst activity facilitated the emergence of these network properties, increasing the speed with which they emerged compared with when the network was driven by the same input with the bursts randomly ordered in time. Moreover, the emergence of small-world properties was dependent on the strength of the LRTCs. These results suggest that the temporal ordering of burst activity could play an important role in synaptic connectivity formation and the emergence of small-world topology in the developing brain.

Abstract The preterm neonate can experience stressors that affect the rate of brain maturation and lead to long-term neurodevelopmental deficits. However, some neonates who are born early follow normal developmental trajectories. Extraction of data from electroencephalography (EEG) signals can be used to calculate the neonate’s brain age which can be compared to their true age. Discrepancies between true age and brain age (the brain age delta) can then be used to quantify maturational deviation, which has been shown to correlate with long-term abnormal neurodevelopmental outcomes. Nevertheless, current brain age models that are based on traditional analytical techniques are less suited to clinical cot-side monitoring due to their dependency on long-duration EEG recordings, the need to record activity across multiple EEG channels, and the manual calculation of predefined EEG features which is time-consuming and may not fully capture the wealth of information in the EEG signal. In this study, we propose an alternative deep-learning approach to determine brain age, which operates directly on the EEG, using a Convolutional Neural Network (CNN) block based on the Inception architecture (called Sinc). Using this deep-learning approach on a dataset of preterm infants with normal neurodevelopmental outcomes (where we assume brain age = postmenstrual age), we can calculate infant brain age with a Mean Absolute Error (MAE) of 0.78 weeks (equivalent to a brain age estimation error for the infant within +/− 5.5 days of their true age). Importantly, this level of accuracy can be achieved by recording only 20 minutes of EEG activity from a single channel. This compares favourably to the degree of accuracy that can be achieved using traditional methods that require long duration recordings (typically >2 hours of EEG activity) recorded from a higher density 8-electrode montage (MAE = 0.73 weeks). Importantly, the deep learning model’s brain age deltas also distinguish between neonates with normal and severely abnormal outcomes (Normal MAE = 0.71 weeks, severely abnormal MAE = 1.27 weeks, p=0.02, one-way ANOVA), making it highly suited for potential clinical applications. Lastly, in an independent dataset collected at an independent site, we demonstrate the model’s generalisability in age prediction, as accurate age predictions were also observed (MAE of 0.97 weeks). Highlights Preterm stress exposure leads to long-term neurodevelopmental deficits Deficits are quantifiable using EEG-based brain age prediction errors Our deep-learning solution for brain age prediction outperforms previous approaches Predictions are achieved with only 20 mins EEG and a single bipolar channel Prediction errors correlate with long-term Bayley scale neurodevelopmental outcomes

Abstract Apnoea – the cessation of breathing – is commonly observed in premature infants. These events can reduce cerebral oxygenation and are associated with poorer neurodevelopmental outcomes. However, relatively little is known about how apnoea and shorter pauses in breathing impact brain function in infants, which will provide greater mechanistic understanding of how apnoea affects brain development. We analysed simultaneous recordings of respiration, electroencephalography (EEG), heart rate, and peripheral oxygen saturation in 124 recordings from 118 infants (post-menstrual age: 38.6 ± 2.7 weeks [mean ± standard deviation]) during apnoeas (pauses in breathing greater than 15 seconds) and shorter pauses in breathing between 5 and 15 seconds. EEG amplitude significantly decreased during both apnoeas and shorter pauses in breathing compared with normal breathing periods. Change in EEG amplitude was significantly associated with change in heart rate during apnoea and breathing pauses and, during apnoeas only, with oxygen saturation change. No associations were found between EEG amplitude and pause duration or post-menstrual age. The decrease in EEG amplitude may be a result of the changing metabolism and/or homeostasis following changes in oxygen and carbon dioxide concentrations, which alters the release of neurotransmitters. As apnoeas often occur in premature infants, frequent disruption to brain activity may impact neural development and result in long-term neurodevelopmental consequences.