Искусственный интеллект выявляет приступы и определяет их местонахождение в режиме реального времени: рассмотрение мозга как сети позволяет исследователям извлекать более значимые данные из ЭЭГ

Их результаты были опубликованы 26 мая в журнале Scientific Reports.
Исследование проведено в лаборатории Дж. Шина Ли, профессора Preston M. Экологичный отдел электротехники и системотехники, который возглавлял Вальтер Бомела, научный сотрудник лаборатории Ли.
Также в исследовательскую группу входили Шо Ван, бывший студент Ли, а ныне доцент Техасского университета в Арлингтоне, и Чу-Ань Чоу из Северо-Восточного университета.

«Наша методика позволяет нам получать необработанные данные, обрабатывать их и извлекать функцию, которая более информативна для использования в модели машинного обучения», – сказал Бомела. «Основным преимуществом нашего подхода является объединение сигналов с 23 электродов в один параметр, который может быть эффективно обработан с гораздо меньшими вычислительными ресурсами."
В науке о мозге современное понимание большинства приступов состоит в том, что они возникают, когда нормальная деятельность мозга прерывается сильным, внезапным гипер-синхронизированным возбуждением кластера нейронов.

Если во время припадка человек подключен к электроэнцефалографу – устройству, известному как ЭЭГ, измеряющему электрическую мощность, – аномальная мозговая активность проявляется в виде усиленных импульсных разрядов.

«Но точность обнаружения припадков не так хороша, когда используются временные сигналы ЭЭГ», – сказал Бомела.

Команда разработала метод сетевого логического вывода, чтобы облегчить обнаружение припадка и определить его местоположение с повышенной точностью.
Во время сеанса ЭЭГ человеку прикрепляют электроды к разным точкам на голове, каждое из которых регистрирует электрическую активность вокруг этого места.
«Мы относились к электродам ЭЭГ как к узлам сети. Используя записи (данные временного ряда) от каждого узла, мы разработали управляемый данными подход для вывода изменяющихся во времени соединений в сети или отношений между узлами ", – сказал Бомела.

Вместо того, чтобы смотреть исключительно на данные ЭЭГ – пики и силы отдельных сигналов – сетевой метод рассматривает взаимосвязи. «Мы хотим выяснить, как одна область мозга взаимодействует с другими», – сказал он.
Это сумма этих отношений, которые образуют сеть.
Если у вас есть сеть, вы можете комплексно измерять ее параметры. Например, вместо измерения силы отдельного сигнала можно оценить мощность всей сети.

Есть один параметр, называемый собственным значением Фидлера, который особенно полезен. «Когда случится припадок, вы увидите, что этот параметр начинает увеличиваться», – сказал Бомела.

А в теории сетей собственное значение Фидлера также связано с синхронностью сети – чем больше значение, тем больше синхронность сети. «Это согласуется с теорией о том, что во время приступа активность мозга синхронизируется», – сказал Бомела.
Смещение в сторону синхронизации также помогает устранить артефакты и фоновый шум.

Если человек, например, почесал руку, соответствующая мозговая активность будет зафиксирована на некоторых электродах или каналах ЭЭГ. Однако это не будет синхронизироваться с судорожной активностью.

Таким образом, эта сетевая структура по своей сути снижает важность несвязанных сигналов; только синхронизированная деятельность мозга приведет к значительному увеличению собственного значения Фидлера.
В настоящее время этот метод работает для отдельного пациента.

Следующим шагом является интеграция машинного обучения для обобщения техники выявления различных типов приступов у пациентов.
Идея состоит в том, чтобы воспользоваться преимуществами различных параметров, характеризующих сеть, и использовать их в качестве функций для обучения алгоритма машинного обучения.
Бомела сравнивает то, как это будет работать, с программным обеспечением для распознавания лиц, которое измеряет различные функции – глаза, губы и т. Д. – обобщая эти примеры, чтобы распознать любое лицо.
«Сеть похожа на лицо», – сказал он. "Вы можете извлекать различные параметры из индивидуальной сети, такие как коэффициент кластеризации или центральность близости, чтобы помочь машинному обучению различать разные приступы."

Это потому, что в теории сетей сходство определенных параметров связано с конкретными сетями. В этом случае эти сети будут соответствовать разным типам приступов.

Однажды человек с судорожным расстройством может носить устройство, аналогичное инсулиновой помпе. Когда нейроны начнут синхронизироваться, устройство доставит лекарство или электрические помехи, чтобы остановить приступ.

Прежде чем это произойдет, исследователям необходимо лучше понять нейронную сеть.
«Хотя конечной целью является усовершенствование техники для клинического использования, сейчас мы сосредоточены на разработке методов, позволяющих идентифицировать судороги как резкие изменения в активности мозга», – сказал Ли. "Эти изменения фиксируются путем рассмотрения мозга как сети в нашем текущем методе."

Оставьте комментарий