The nonlinear complexity of EEG signals is believed to reflect the scale-free architecture of the neural networks in the brain. Analysis of the complexity and synchronization of EEG signals as described herein provides a quantitative measure for routine monitoring of functional brain development in infants and young children and provide a useful biomarker for detecting functional abnormalities in the brain before the cognitive, behavioral or social manifestations of these brain developments can be observed and measured by standard tests. One or more machine learning algorithms are used to discover relevant patterns in the complexity and synchronization values determined from the EEG data to facilitate risk assessment and/or diagnosis of developmental disorders in infants and young children by predicting cognitive, behavioral and social outcomes of the measured functional brain activity patterns.Il est considéré que la complexité linéaire de signaux EEG reflète larchitecture indépendante de léchelle des réseaux neuraux dans le cerveau. Lanalyse de la complexité et la synchronisation de signaux EEG comme présentement décrit produit une mesure quantitative pour la surveillance de routine du développement fonctionnel du cerveau chez les nourrissons et les jeunes enfants et constituent un biomarqueur utile pour détecter des anomalies fonctionnelles dans le cerveau avant que les manifestations cognitives, comportementales ou sociales de ces développements cérébraux puissent être observées et mesurées par des essais standard. Un ou plusieurs algorithmes dapprentissage sur machine sont utilisés pour identifier des profils significatifs dans les valeurs de complexité et de synchronisation déterminées à partir des données EEG pour faciliter lévaluation du risque et/ou le diagnostic de troubles du développement chez des nourrissons et des jeunes enfants par prédiction de lévolution cognitive, comportementale et sociale des profils dactivité cérébrale fonctionnelle.
