Разработка AI-системы анализа ЭЭГ
ЭЭГ анализ — трудоёмкая задача: опытный нейрофизиолог просматривает часы записи для выявления эпилептических разрядов. AI автоматизирует рутину и повышает чувствительность детекции редких паттернов.
Клинические задачи
Детекция эпилептических разрядов
Эпилептические спайки, острые волны, комплексы спайк-волна. Задача: обнаружение эпилептиформной активности в 30-минутной и 24-часовой (амбулаторной) ЭЭГ.
Реальный workflow у невролога: просмотр 30-минутной записи — 20–45 минут. С AI: автоматическая разметка подозрительных эпох, невролог просматривает только флагированные фрагменты → 5–10 минут.
CNN+LSTM на временных рядах EEG-эпох. Sensitivity 92–96%, specificity 86–91% на benchmark датасетах (CHB-MIT Scalp EEG, TUH EEG Seizure Corpus).
Классификация стадий сна (Automatic Sleep Staging)
Стандарт AASM: N1, N2, N3 (глубокий сон), REM, Wake — 5 классов по 30-секундным эпохам. Ручная разметка полисомнографии: 2–4 часа на одну ночь записи.
AI Sleep Staging (U-Sleep, YASA): кCC (Cohen's Kappa) 0.77–0.81 vs. expert, сравнимо с inter-rater agreement между специалистами.
Мониторинг глубины анестезии/седации
Bispectral Index (BIS) — коммерческий продукт на основе ЭЭГ. Собственные ML-модели для специфических анестетиков (пропофол vs. изофлуран → разные ЭЭГ-паттерны).
Brain-Computer Interface (BCI)
Motor imagery (воображение движения) → декодирование намерения из ЭЭГ для управления протезами или компьютером. SSVEP (steady-state visual evoked potentials) → спеллеры.
Когнитивная нагрузка и стресс
Neurofeedback приложения, мониторинг операторов (авиация, АЭС): детекция усталости, снижения внимания через EEG biomarkers.
Особенности EEG-сигнала для ML
Многоканальность и референция
10–19 каналов в клинической ЭЭГ. Пространственная информация важна: очаг эпилептической активности — в конкретном регионе. Подходы:
- Обработка всех каналов независимо + fusion
- CNN на пространственных картах (electrode map → 2D image)
- GNN с топологией электродов
Временная структура
EEG — нестационарный сигнал с паттернами на разных частотах:
- Delta (0.5–4 Hz): глубокий сон, кома
- Theta (4–8 Hz): сонливость, медитация
- Alpha (8–13 Hz): расслабленное бодрствование
- Beta (13–30 Hz): активное мышление
- Gamma (30–100 Hz): когнитивные процессы
Wavelet transform / STFT → time-frequency representation → 2D CNN. Или raw signal → 1D CNN/Transformer.
Артефакты
Движение глаз (EOG), мышечные артефакты (EMG), сердечные артефакты (ECG проведение). Независимый компонентный анализ (ICA) — стандарт артефакт-удаления. ML-артефакт классификаторы для автоматического обнаружения.
Архитектура
# EEGNet — компактная CNN специально для EEG
class EEGNet(nn.Module):
def __init__(self, n_classes, channels=64, samples=128):
super().__init__()
self.temporal_conv = nn.Conv2d(1, 8, (1, 64), padding=(0, 32), bias=False)
self.bn1 = nn.BatchNorm2d(8)
self.depthwise = nn.Conv2d(8, 16, (channels, 1), groups=8, bias=False)
self.bn2 = nn.BatchNorm2d(16)
self.separable = nn.Conv2d(16, 16, (1, 16), padding=(0, 8), bias=False)
self.bn3 = nn.BatchNorm2d(16)
self.dropout = nn.Dropout(0.5)
self.fc = nn.Linear(16 * (samples//4), n_classes)
Foundation Models для EEG
LaBraM (Large Brain Model) — предобучение на тысячах часов EEG (TUEG, другие публичные корпусы) → fine-tuning на конкретную задачу. Transfer learning снижает потребность в размеченных данных.
Датасеты: TUH EEG (25,000+ ЭЭГ), CHB-MIT (seizure), ISRUC (sleep), BCI Competition datasets.
Деплой: edge inference на устройстве (ARM cortex для амбулаторных мониторов, 2–5MB модель). Cloud inference для обработки archived recordings. Latency для seizure detection: <500ms для real-time alarms.