大脑对听觉刺激的反应复杂性有助于更准确地评估早产新生儿的脑部成熟情况

《Pediatric Research》：Brain complexity in response to auditory stimulation improves evaluation of cerebral maturation in premature newborns

　　摘要
背景
随着感觉通路和神经相互作用的发育，对外来输入的编码变得越来越复杂，这反映了大脑皮层和皮下网络中功能整合和分化的增强。我们假设，整合发育中的大脑如何处理外来信息有助于评估大脑的成熟度。

方法
我们开发了一个预测大脑年龄的模型，该模型结合了两个互补的维度：大脑对听觉刺激的处理和内源性自发性神经活动。从74名胎龄在27至35周之间的早产新生儿那里记录了高密度脑电图（EEG），并在他们出生后的第一周内，在休息和听觉刺激的情况下进行了测试。

结果
通过计算一种改进的扰动复杂性指数，我们证明了神经对听觉刺激的时空复杂性随着出生时胎龄的增加而增加。虽然基于自发性神经活动特征（非周期成分的线性斜率和爆发间隔）的模型能够提供可接受的大脑年龄估计，但结合对外来刺激反应的神经复杂性测量显著提高了预测准确性。

结论
这些发现表明，对听觉刺激的反应复杂性是一个稳健且自动化的脑成熟度生物标志物。这种整合内源性和外源性因素的框架可以用于识别有风险的早产新生儿，并改善神经发育评估。

影响
我们设计了一个复杂性指数来测量早产新生儿皮层网络对听觉刺激的反应，并展示了其与神经发育的系统性变化。我们开发了一个预测大脑年龄的模型，该模型整合了早产新生儿的自发性和刺激驱动的EEG活动。我们展示了内源性和外源性神经标志物提供了互补的见解，有助于评估大脑成熟度和早期识别有风险的婴儿。

引言
早产与神经发育障碍的风险增加有关，1,2,3,4,5,6，并且随着出生时胎龄的降低，这种风险会增加。7 早期识别早产婴儿潜在的非典型大脑发育可以通过促进及时的干预来显著改善个性化的新生儿护理。因此，识别可靠的大脑成熟度标志物不仅具有理论和基础研究的意义，在临床实践中也具有关键作用，特别是对于有风险的婴儿。

最近关于大脑活动发展的研究利用了半定量和定量分析EEG来表征自发性内源性神经活动，8,9,10,11,12,13,14,15,16,17，使用不同频率带的相对功率9,10以及活动爆发的密度和持续时间及其间隔等特征。11 这些证据反映了随着胎龄增加EEG的快速演变。妊娠第三阶段的快速结构和功能神经发育18,19不仅由自发性神经活动20,21,22,23驱动，还由感觉驱动的神经活动24,25驱动，随着大脑的成熟，对外来信息的处理变得更加“丰富”。26,27 因此，对早期神经发育的全面评估需要结合休息时的自发性神经活动和发展中的神经网络对外来刺激的反应性。在这一高度可塑的时期，对外部信息的编码经历了快速的发展变化。大脑对外来刺激的反应已被证明是成人复杂大脑状态的稳健指标。28 然而，目前对大脑成熟度的评估主要基于自发性神经活动。

先前的研究已经证明了在delta频率范围内神经对听觉节奏序列的追踪成熟26，以及对外来刺激（尤其是听觉刺激）的诱发电活动幅度的增加。29 尽管有报道指出早产儿在神经编码方面的成熟模式，27,30,31 但由于反应特征的个体间高度变异，这些模式作为大脑成熟度标志物的可靠性有限。基于最初为评估意识水平而开发的扰动复杂性指数（PCI）——用于评估经颅磁刺激的分布式皮层反应32,33——我们设计了一个指标，用于估计常规EEG检查中听觉刺激对早产大脑的全球影响。假设这一指标能够评估分布式皮层网络如何编码外来干扰。这种方法基于这样一个原则：新生儿大脑处理外来刺激的能力依赖于其在分布式皮层回路中整合信息的能力。随着皮层听觉背侧和腹侧通路的发育34以及神经相互作用的成熟35,36,37，听觉输入的编码也在演变。38,39 这种成熟反映了丘脑皮层网络中功能整合和功能分化的增加——这是大脑复杂性的关键方面40——因此应该表现为随着出生时胎龄的增加而对外来刺激的神经反应变得更加丰富。26,27

传统的大脑成熟度评估基于独立于刺激的持续神经活动的评估。在妊娠第三阶段，大脑活动主要是“不连续的”，其中高振幅的慢速电爆发与低电压的“静默”间隔交替出现。这些振荡爆发的动态已被证明可以预测极早早产儿的神经发育结果。16 皮层通路中兴奋与抑制之间的相互作用的发展导致了独立于外来刺激的快速振荡的出现。这反过来又会影响EEG信号的光谱内容。为了评估神经相互作用35,41和振荡状态的出现和演变，我们量化了与非抑制-兴奋相互作用42,43相关的神经活动的非周期成分，并显示出代表系统性的神经发育趋势。35,44,45,46,47

我们提出了一种综合方法，通过结合内源性和外源性神经活动的维度来预测大脑年龄，使用了74名胎龄在27至35周之间的早产新生儿的high密度EEG数据，在他们出生后的第一周内，在休息和听觉刺激的情况下进行了测试。我们评估了随着胎龄增加，神经对听觉刺激的时空复杂性。通过将这一指标与自发性神经活动相结合，我们的方法旨在捕捉大脑成熟度的互补方面，并探索在神经发育这一关键时期是否包含感觉信息处理可以增强大脑年龄的估计。

材料与方法
我们重新分析了之前在我们关于妊娠最后阶段听觉节奏编码研究中获得的74份高密度EEG数据（33名男性），这些数据的出生时平均胎龄为31.67±2.03周（年龄范围27–35周）。关于出生条件的详细信息见表S1。所有EEG数据都是在法国亚眠大学医院的新生儿重症监护室中记录的，出生后大约一周内，在睡眠状态下进行的。这家医院是该地区的新生儿护理参考中心，那里出生的早产儿可能来自索姆省、埃纳省和卢瓦省的城市和农村地区。研究中包括的新生儿在胎龄相应的年龄具有正常的出生体重、体型和头围。他们的听觉（耳声发射和听觉脑干反应）和临床（丹佛发育筛查）评估结果也是正常的。根据这些评估，没有婴儿被认为是有风险的。一位或两位父母被告知了这项研究并提供了书面同意书。CPP Ouest I伦理委员会批准了这项研究（ID-RCB: 2019-A01534-53）。

实验程序
图1总结了我们的横断面研究的方法论和分析流程，将其分为新生儿大脑活动的两个互补方面：听觉诱发的EEG和自发性EEG。每个实验 session 首先是一个20分钟的安静期，以记录新生儿在休息时的自发性神经活动。在这个安静期之后，向正在睡觉的婴儿呈现听觉节奏模式，以评估大脑对外部感觉输入的反应。听觉诱发的EEG反应被分析以使用刺激复杂性指数（SCI；也见图S1中的分析步骤流程图）来量化时空复杂性，而自发性EEG爆发被特征化以提取爆发间隔（IBIs）并计算1/f指数，此后称为线性斜率（LS；也见图S3）。然后，提取的特征被输入到不同的回归模型中以预测大脑年龄。以下部分描述了用于分析和从EEG数据中提取各种特征的方法，以及不同的大脑年龄预测模型的开发和评估。

图1：研究的视觉概览。

这张图片的替代文本可能是使用AI生成的。

完整尺寸的图片
我们在早产新生儿进行听觉刺激期间和休息状态下获得了高密度EEG记录，以评估外源性神经反应和自发性神经活动。外源性特征提取模块（顶部）检查了大脑对听觉刺激的反应，使用SCI量化时空复杂性。内源性特征提取模块（底部）量化了内在的大脑活动，检测神经信号爆发以测量IBIs并从EEG功率谱中计算LS。获得的特征（SCI、IBI和LS）被纳入不同的回归模型中以预测大脑年龄，随后对其性能进行了评估和比较。

数据采集和准备
EEG信号使用124通道或64通道的HydroCel Geodesic Sensor Net（Electrical Geodesics, Inc., Eugene, OR）记录，选择取决于新生儿的头围，并使用Electrical Geodesic NetAmps 200系统进行放大。信号以1000 Hz的采样率数字化，Cz作为参考电极，并在Net Station软件（版本5）中处理。EEG数据在MATLAB（R2022b, The MathWorks）中使用FieldTrip（版本20240307）、EEGLAB（版本2023.0）和自定义MATLAB脚本进行分析。应用了两遍1–18 Hz的有限脉冲响应滤波器以去除伪迹，然后下采样到500 Hz。为了标准化电极配置，124通道数据被空间下采样到64电极的蒙太奇。位于外环的电极由于信噪比低而被排除在进一步分析之外。

听觉刺激
我们评估了新生儿在600 ms的刺激后窗口内对单音（颤音琴、钢琴、吉他和打击乐器）刺激的神经反应，刺激通过位于新生儿脚部的扬声器以65 dB SPL的音量传递（更多细节见补充信息）。26,48 这是通过重新分析早产新生儿暴露于由六个事件组成的听觉节奏序列[音调、静默（ silence）、音调、音调、音调、静默]的记录来进行的，每个事件持续300 ms，并且序列之间没有静默。26,48,51,52 这导致第一个音调前后各有一个音调，间隔为600 ms。在这项研究中，我们特别关注第一个音调之前的600 ms窗口。关于听觉刺激和实验程序的额外细节，虽然不是本研究的主要目标，可以在我们之前的出版物中找到。26,48,53

量化刺激复杂性指数
EEG信号被准备用于提取SCI。首先，数据从第一个音调开始，在600 ms的窗口中提取。然后，如果在提取的间隔内，（1）绝对幅度超过50 μV，（2）在200 ms的移动窗口内幅度标准差超过25 μV，且重叠率为50%，或者（3）十个连续时间点之间发生局部幅度跳跃超过30 μV，则排除相应的通道。最终，超过70%的时期中排除的通道被从整个会话中排除，超过15%的通道被拒绝的时期被丢弃，并且EEG信号被重新参考到所有电极的平均值。同样的程序也应用于记录在休息状态下的EEG数据，作为刺激前窗口。所有剩余的电极都被包括在计算SCI中。在去除伪迹后，每个参与者保留了平均638.12±184.37次试验（原始试验的61.94%±19.81%）。每个时期都根据整个时期的平均值进行了基线校正，每个电极的平均反应是根据所有剩余时期的平均值计算得出的。

使用PCI状态转换（PCIst）54量化了对听觉刺激的EEG反应的时空复杂性，该指标测量信号主成分中存在的状态转换（NST）的数量，反映了大脑反应的空间分化和时间动态。这一指标最初是为了通过表征经颅磁刺激的神经反应来评估意识而引入的33，后来被修改用于量化经颅磁刺激下神经时空动态的传感器级量化。54 因此，我们开发了一个类似于PCIst的指数，但应用于感觉刺激而不是磁刺激，以扰动皮层并量化皮层网络如何编码听觉刺激。所有参数和函数都与Comolatti等人开发的保持一致。54 简而言之，从刺激后的平均时间点开始，进行了奇异值分解，以有效降低EEG的空间维度。通过奇异值分解，保留了至少解释了响应中99%方差的主成分，以便进一步分析（降维后平均保留了2.87个成分）。然后，我们量化了每个成分在响应期间的状态转换次数与基线的差异程度。具体步骤如下：首先，分别计算基线和响应期间的所有时间点之间的振幅距离（逐点差异）。接下来，设置一个二值化阈值，以最大化响应中的状态转换次数与基线中的状态转换次数之间的加权差异（ΔNST）。最终的度量指标SCI是通过所有选定的主成分（n=1…NC）中这些显著状态转换次数之和计算得出的（SCI=∑n=1NNcΔNSTn），表示EEG对听觉刺激的时空复杂性。这些步骤在图S1中进行了总结。当响应显示多个线性独立的成分时，SCI值更高（表明空间分化），每个成分都贡献了显著的状态转换（反映了时间复杂性）。

对自发神经活动的特征分析是在EEG的其余部分进行的。为了准备评估自发活动爆发的数据，首先将数据分割成2秒的时间段进行预处理。如果（1）某个通道的绝对幅度超过300微伏或（2）其平均绝对幅度超过均值的四个标准差，则排除该通道。在超过70%的试验中被排除的通道将不会被纳入整个会话的分析中，而那些有超过15%通道被排除的试验则被丢弃。最后，数据重新参考所有电极的平均值。预处理后，每个参与者的静息状态EEG记录平均持续时间为13.72±5.12分钟（占整个记录的87.38%±5.47%），以便进一步分析。

为了检测和量化爆发的特性，我们使用了类似于Chini等人35的方法的检测算法。EEG信号分别对应于三个额叶、顶叶和双侧颞叶区域进行了平均处理（见图S2）。然后使用500毫秒窗口的移动平均滤波器处理每个区域的z分数平均信号，接着应用滞后阈值——这是一种两级阈值方法，其中高阈值用于识别事件的核心，低阈值用于扩展事件以包括该较低水平以上的相邻点。最初，爆发活动被检测为超过相对（高）阈值2个标准差且持续时间超过500毫秒的振荡峰值。然后，这些时期被扩展以包括所有超过较低阈值1个标准差的相邻时间点。这种相对阈值方法确保了对从年轻婴儿观察到的高度不连续的脑活动到年长婴儿的更连续活动的广泛信号范围的适应性。将间隔小于1秒的相邻爆发合并，而持续时间少于1秒的爆发被丢弃。最后，提取了爆发的持续时间和爆发间隔（IBIs）。

为了计算EEG功率谱，将所有检测到的爆发间隔连接起来。使用FieldTrip中实现的FOOOOF包55，在10秒的窗口上计算功率谱，窗口重叠率为50%，采用多窗函数方法，并使用2赫兹的平滑窗口。首先在每个电极位置计算功率谱，然后在属于三个额叶、顶叶和颞叶区域的电极上平均。在1-18赫兹频率范围内提取了对应于神经活动的非周期性成分的LS（见图1底部块和图S3）。为了视觉评估，每个婴儿的功率谱通过曲线下的面积进行了归一化。

首先使用皮尔逊相关性分析来分析妊娠年龄与每个EEG衍生特征之间的关系，以确定关联的强度和方向（使用Lilliefors检验测试正态性）。56 这一分析提供了关于每个特征（SCI、IBI和LS）如何随妊娠年龄变化的初步见解。接下来，我们开发并评估了七个线性回归模型，每个模型结合了这些特征的不同组合。这些模型包括单特征模型（SCI、IBI和LS），以及以不同方式结合多个特征的模型：一个内源性标记和外源性标记（SCI-IBI和SCI-LS）、两个内源性标记（IBI-LS），以及结合所有三个特征的模型（SCI-IBI-LS）。为了评估这些模型的预测准确性，我们采用了留一法（LOOCV）。这种方法确保模型是在除一个参与者之外的所有数据上训练的，并在未看到的参与者上进行测试。对所有婴儿重复这一过程，提供了对模型性能的稳健评估。性能指标包括R2（表示模型解释的方差比例）、平均绝对误差（MAE）和均方根误差（RMSE），后者以天为单位衡量平均预测误差。较高的R2值和较低的RMSE/MAE值表示更好的预测准确性和模型拟合度。

使用排列检验评估了所有LOOCV结果的统计显著性。对于每个模型，将妊娠年龄值在受试者之间随机排列10,000次，并对这些随机化的年龄值拟合线性回归模型。计算p值作为R2值超过观察到的R2值的排列比例，除以排列的总数。只有p值<0.05的模型被认为是可靠的。

为了比较模型的性能并评估它们之间的差异显著性，进行了配对t检验，以比较不同模型之间的RMSE值，评估预测误差的差异是否具有统计学意义。为了考虑多重比较，我们应用了Benjamini-Hochberg假发现率校正（FDR）57来调整所有模型的p值。调整后的p值<0.05被认为是统计学上显著的。

为了估计早产儿大脑在第三孕期对听觉刺激的全局皮层处理，我们评估了刺激后短时间内神经响应的时空复杂性。SCI的演变显示出发展趋势，表现为与出生时妊娠年龄的增加呈显著正相关（皮尔逊相关性，r=0.64，p<0.001；见图2a），反映了大脑成熟向对刺激的神经响应的更复杂的时空动态发展。图2b显示了28周和36周妊娠年龄的两个早产新生儿对听觉刺激的听觉诱发电位的响应“蝴蝶图”，显示出不同的空间模式，表明随着出生时妊娠年龄的增加，神经响应的时空多样性增加。

散点图显示了SCI与妊娠年龄之间的正相关（皮尔逊相关性，r=0.64，p<0.001），表明SCI随年龄增加而增加。每个灰色点对应一个参与者，绿色和黄色标记分别对应于(b)中展示的两个婴儿，表明它们与整体趋势的一致性。b显示了两个代表性早产新生儿在28周和36周妊娠年龄时对听觉刺激的EEG响应“蝴蝶图”以及不同时间点的空间分布。热图显示了随时间变化的EEG活动在不同脑区的分布。c散点图显示了IBI与年龄之间的负相关，反映了随着成熟神经活动的连续性增加（皮尔逊相关性，r=-0.63，p<0.001）。d所有婴儿的标准化对数-对数EEG功率谱，显示出相对高频内容的增加，导致老年婴儿的谱线变平。散点图（右侧）显示了LS与年龄之间的显著负相关（皮尔逊相关性，r=-0.55，p<0.001）。e显示了28周和36周妊娠年龄的同一婴儿的EEG迹线和IBIs。在老年婴儿中，IBI较短且相对高频内容增加。f使用LOOCV评估的预测脑年龄的最佳模型（SCI-IBI-LS）与其他模型进行了比较。星号表示与最佳模型显著不同的模型。g散点图显示了单个特征模型（SCI、IBI和LS）和最佳模型（SCI-IBI-LS）的实际年龄与预测年龄。实线黑色线条表示理想预测线（y=x），其中预测年龄与实际年龄对齐。每个点代表一个参与者。每个点处的垂直线显示了预测的置信区间，表示与每个估计相关的不确定性。预测线周围的阴影区域标记了±2周的范围。最佳模型（SCI-IBI-LS）显示出预测年龄与理想预测线的更好对齐，以及在±2周范围内的更紧密聚类，表明更高的准确性和可靠性。

为了基于自发的内源性活动量化大脑成熟度，我们计算了对应于额叶、顶叶和颞叶区域活动爆发的EEG谱的平均IBI和LS。初步评估显示，EEG功率谱的LS在时间区域上没有显示出发展趋势（见图S4）。因此，这些区域被排除在进一步的大脑成熟度评估之外，此后的大脑成熟度评估是在额叶和顶叶区域的平均值上进行的（有关额叶和顶叶区域分别进行的分析，请参见补充信息图S4）。在群体水平上的统计分析显示，随着出生时妊娠年龄的增加，IBI系统性地减少（皮尔逊相关性，r=-0.63，p<0.001，见图2c）。对应于整个群体的标准化对数-对数功率谱的叠加（见图2d，左侧）显示了系统性的演变，相对高频内容增加，导致谱线变平。EEG功率谱的LS也显示出明显的发展趋势，表现为随着出生时妊娠年龄的增加而系统性地减少（见图2d，右侧，皮尔逊相关性，r=-0.55，p<0.001）。正如两个代表性示例（见图2e）所示，年轻和年长婴儿的爆发和IBI活动模式不同，年长的早产儿的爆发更“丰富”，IBI更短。

为了使用整合大脑复杂性和自发EEG特征的多模态回归模型预测大脑成熟度，我们接下来旨在创建一个全面的大脑年龄预测模型。为此，我们评估了七个线性回归模型，以预测记录时的大脑年龄。表1按预测准确性的降序展示了模型的性能，从最佳模型到表现最差的模型。

最佳模型是SCI-IBI-LS，它结合了所有三个特征，实现了0.67的R2、8.05的RMSE和6.72的MAE。该模型解释了67%的大脑年龄方差，具有最低的预测误差，是最准确和最稳健的方法。结合至少一个内源性特征（IBI或LS）以及SCI的模型表现接近最佳模型（SCI-IBI：R2=0.64，RMSE=8.36，MAE=7.2；SCI-LS：R2=0.62，RMSE=8.6，MAE=6.93）。仅使用外源性特征（大脑复杂性）的SCI实现了0.56的R2、9.36的RMSE和7.69的MAE。虽然不如多模态模型准确，但SCI单独的表现优于基于内源性特征的模型（IBI：R2=0.38，RMSE=11.2，MAE=9.07；LS：R2=0.27，RMSE=12.04，MAE=10.06）。所有模型的预测性能都显著不同于随机水平，这一点通过排列检验得到了确认（所有p值<0.001）。

我们进行了统计检验，以比较每个模型与SCI-IBI-LS模型的性能，并评估它们之间的差异显著性。进行了配对t检验，以比较不同模型的RMSE值，评估预测误差的差异是否具有统计学意义。为了考虑多重比较，我们应用了Benjamini-Hochberg假发现率校正（FDR）57来调整所有模型的p值。调整后的p值<0.05被认为是统计学上显著的。

为了估计早产儿大脑在第三孕期对听觉刺激的全球皮层处理，我们评估了刺激后短时间内神经响应的时空复杂性。SCI的演变显示出发展趋势，表现为与出生时妊娠年龄的增加显著正相关（皮尔逊相关性，r=0.64，p<0.001；见图2a），反映了大脑成熟向对刺激的神经响应的更复杂的时空动态发展。图2b显示了28周和36周妊娠年龄的两个早产新生儿对听觉刺激的听觉诱发电位的响应“蝴蝶图”，显示出不同的空间模式，表明随着出生时妊娠年龄的增加，神经响应的时空多样性增加。

为了基于自发的内源性活动量化大脑成熟度，我们计算了额叶、顶叶和颞叶区域活动爆发的EEG谱的平均IBI和LS。初步评估显示，EEG功率谱的LS在时间区域上没有显示出发展趋势（见图S4）。因此，这些区域被排除在进一步的大脑成熟度评估之外，此后的大脑成熟度评估是在额叶和顶叶区域的平均值上进行的（有关额叶和顶叶区域分别进行的分析，请参见补充信息图S4）。在群体水平上的统计分析显示，随着出生时妊娠年龄的增加，IBI系统性地减少（皮尔逊相关性，r=-0.63，p<0.001，见图2c）。对应于整个群体的标准化对数-对数功率谱的叠加（见图2d，左侧）显示了系统性的演变，相对高频内容增加，导致谱线变平。EEG功率谱的LS也显示出明显的发展趋势，表现为随着出生时妊娠年龄的增加而系统性地减少（见图2d，右侧，皮尔逊相关性，r=-0.55，p<0.001）。正如两个代表性示例（见图2e）所示，年轻和年长婴儿的爆发和IBI活动模式不同，年长的早产儿的爆发更“丰富”，IBI更短。

为了使用多模态回归模型预测大脑成熟度，我们整合了这些多样且相互关联的神经标志。为此，我们评估了七个线性回归模型，以预测记录时的大脑年龄。表1按预测准确性的降序展示了模型的性能，从最佳模型到表现最差的模型。

最佳模型是SCI-IBI-LS，它结合了所有三个特征，实现了0.67的R2、8.05的RMSE和6.72的MAE。该模型解释了67%的大脑年龄方差，具有最低的预测误差，是最准确和最稳健的方法。结合至少一个内源性特征（IBI或LS）以及SCI的模型表现接近最佳模型（SCI-IBI：R2=0.64，RMSE=8.36，MAE=7.2；SCI-LS：R2=0.62，RMSE=8.6，MAE=6.93）。仅使用外源性特征（大脑复杂性）的SCI实现了0.56的R2、9.36的RMSE和7.69的MAE。尽管不如多模态模型准确，但SCI单独的表现优于基于内源性特征的模型（IBI：R2=0.38，RMSE=11.2，MAE=9.07；LS：R2=0.27，RMSE=12.04，MAE=10.06）。所有模型的预测性能都显著不同于随机水平，这一点通过排列检验得到了确认（所有p值<0.001）。

我们进行了统计检验，将每个模型与结合了所有三个特征的SCI-IBI-LS模型进行比较，以调查观察到的性能差异是否显著。进行了配对t检验，以比较来自留一法交叉验证（LOOCV）的不同模型的预测误差。结果（见图2f）显示，SCI、IBI、LS和IBI-LS模型的预测误差显著高于SCI-IBI-LS（SCI vs. SCI-IBI-LS：t=2.45，p=0.043；IBI vs. SCI-IBI-LS：t=3.04，p=0.009；LS vs. SCI-IBI-LS：t=4.28，p<0.001；IBI-LS vs. SCI-IBI-LS：t=2.38，p=0.003；所有p值均经过FDR校正），表明这些模型在预测大脑年龄方面不够准确。然而，SCI-IBI和SCI-LS模型在RMSE上较高但在R2上较低，并且与SCI-IBI-LS相比，预测误差没有显著差异（SCI-IBI vs.SCI-IBI-LS: t = 1.70, p = 0.11；SCI-LS与SCI-IBI-LS之间的比较：t = 0.57, p = 0.56；所有p值均经过FDR校正。图2g显示了基于单一特征（SCI、IBI或LS）的模型以及SCI-IBI-LS模型的个体水平脑龄预测。预测脑龄与实际脑龄之间的吻合程度反映了模型在整个脑龄范围内可靠捕捉发育趋势的能力，大多数预测值都在±2周的误差范围内。SCI-IBI-LS模型在身份线附近的分布更为紧密，而其他模型在阴影区域外的变异性更大。这些结果表明，尽管单个特征提供了有用的信息，但孤立使用这些特征会限制模型在人群中的泛化能力。

讨论
我们使用了一种复杂性度量方法（刺激复杂性指数，SCI）来评估早产新生儿的脑成熟度，该方法利用了神经对单音听觉刺激的时空复杂性。这种方法捕捉了发育中的大脑如何在分布式皮层网络中处理外源性听觉输入。我们发现SCI随着脑成熟度的提高而演变，表现为神经反应的时间复杂性和空间丰富性的增加。关键的是，我们的发现强调了整合内源性和外源性维度对于更全面评估早产新生儿神经发育的必要性。更准确地说，虽然仅基于自发神经活动的预测模型（IBI、LS和IBI-LS）在估计早产新生儿的脑龄方面表现尚可，但结合大脑对外源性刺激的反应显著提高了预测准确性。有趣的是，包含一个内源性和一个外源性特征的两特征模型（SCI-IBI和SCI-LS）与三特征模型（SCI-IBI-LS）的表现相当，预测准确性没有显著差异，这突显了外源性特征的重要作用，并表明一组有限的互补特征仍然可以捕获大部分用于估计脑成熟度的相关信息。这些结果强调了自发性和刺激驱动的大脑活动的互补性，进一步证明了多维度方法——同时考虑内在和诱发神经动态——可以提供更可靠的脑成熟度估计。

SCI提供了一种可以量化单个新生儿脑龄的度量方法。SCI随胎龄增加而增加，表明对外源性刺激的神经反应不仅仅是空间上的扩散，还包括空间分化和整合。SCI的一个关键优势是它不依赖于精确的成分提取，而这是诱发电位分析的一个固有限制。虽然诱发电位的潜伏期会随着神经成熟而变化，但准确检测潜伏期需要明确的峰值，而在婴儿个体水平上，由于信噪比较低，这些峰值并不一定清晰可见。这一挑战还因为需要预先定义感兴趣的区域或应用空间滤波器而变得更加复杂。相比之下，SCI同时捕捉了神经反应的时间动态和分布式皮层区域的参与，为临床应用中评估大脑对外源性听觉刺激的反应提供了一个稳健且有前景的指标。SCI可能受到丘脑-皮层回路持续发展的影响，这些回路在这一神经发育阶段仍在成熟中。因此，SCI也可能反映了皮层和皮下网络之间的相互作用。

平均IBI之前已被引入作为神经发育的生物标志物。观察到的IBI随胎龄增加而减少的趋势与先前的报告一致，即随着大脑的成熟，皮层活动变得更加连续，导致爆发之间的静止期缩短。脑电图（EEG）谱是一种通用度量方法，可以提供关于大脑内在活动的信息。从实际角度来看，一旦计算并平均了相对较长的记录时间，EEG谱就不会受到短暂伪迹的影响，也不依赖于复杂的自动检测技术。动物和计算模型将EEG谱的1/f指数与皮层回路中的兴奋和抑制比率相关联。有趣的是，1/f指数的个体差异与几种病理情况有关。计算1/f指数用于评估神经发育的一个主要好处是，它将功率谱视为一个连续的维度，而不需要对特定频带做出先验假设。这些特性使得EEG谱的1/f指数成为评估神经发育的自动临床评估的理想候选指标。在本研究中，全头部EEG计算出的1/f指数在28至36周胎龄期间有所下降。这与生命前7个月发生的过程一致，但与出生后前两个月的观察结果相反。这些差异可能与潜在的神经发育机制以及足月前后抑制/兴奋平衡的快速演变有关。然而，考虑到发育阶段的差异，这些差异的起源难以解释。

总之，本研究展示了通过响应复杂性来评估早产大脑对外源性刺激的反应作为脑龄的客观和自动化预测器的潜力。此外，我们强调了内源性和外源性维度在提供更全面评估早产新生儿神经成熟度方面的互补性，为早期识别高风险人群铺平了道路。当前研究中提出的内源性和外源性度量方法都能捕捉神经活动的总体趋势，使它们成为开发自动床边工具以评估脑成熟度的有希望的候选者。PCI之前已被证明是成人意识的客观和稳健的度量方法。我们提出的SCI通过量化EEG对感觉刺激而非电磁刺激的响应复杂性，为新生儿提供了一个潜在的替代方法。为了确立其临床实用性，首先应在临床前EEG环境中验证该指数，评估其在电极密度和刺激持续时间下的表现。此外，这些度量方法可以扩展到足月年龄之外，为监测长期大脑发育提供潜在的应用。

本研究的一个局限性是未区分睡眠阶段，并在整个自发活动记录期间检测到了活动爆发。尽管这不太可能影响非周期成分的线性斜率的发育趋势，但对爆发活动进行特定于睡眠状态的分析可以提供对自发神经活动演变的更详细理解。此外，由于安静睡眠的EEG模式比活跃睡眠和清醒状态更加不连续和“不成熟”，结合警觉状态信息可能会提高模型准确性。本研究仅针对正常发育的早产新生儿进行，因此无法证明我们度量的预测价值。未来的研究应精确调查偏离正常脑成熟的情况，以识别有神经发育障碍风险的早产新生儿，我们的结果为此提供了有价值的参考模型。