Искусственный интеллект выявляет изъятия в режиме реального времени

Исследователи из Вашингтонского университета инженерной школы Маккелви в Сент-Луисе объединили искусственный интеллект с теорией систем, чтобы разработать более эффективный способ обнаружения и точной идентификации эпилептического припадка в режиме реального времени.

Их результаты были опубликованы 26 мая в журнале Scientific Reports .

Исследование проводится в лаборатории Дж.-Шина Ли, профессора кафедры электротехники и системной инженерии Престона М. Грина, и его возглавляет Уолтер Бомела, научный сотрудник лаборатории Ли.

В исследовательской группе также 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, более информативную для использования в модели машинного обучения », – сказал Бомела. «Основным преимуществом нашего подхода является объединение сигналов от 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, – ненормальная мозговая активность проявляется в виде усиленных импульсных разрядов.

«Но точность определения припадков не так хороша при использовании сигналов временной 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 рассматривали электроды ЭЭГ как узлы 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 – сетевая техника рассматривает взаимосвязи. «Мы хотим выяснить, как одна область мозга взаимодействует с другими», – сказал он.

Это сумма этих отношений, образующих сеть.

Если у вас есть сеть, вы можете измерить ее параметры в целом. Например, вместо измерения мощности 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 начнет увеличиваться», – сказал Бомела.

А в теории сетей собственное значение Фидлера также связано с синхронностью сети – чем больше значение, тем более синхронна сеть. «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, например, человек 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 для распознавания любого лица.

«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 различные приступы».

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

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 мозговой активности», – сказал Ли. «Эти изменения фиксируются, рассматривая мозг как сеть в нашем текущем методе».

услуги нутрициологаАвтор сайта и статей: Наталья Степанова, нутрициолог-психолог, консультант по питанию и коррекции веса. Подробнее обо мне

Я в соц. сетях: Vk, Instagram.

Рейтинг
Еще статьи нутрициолога:
Adblock
detector