Нейромережеве моделювання ЕЕГ: революція в діагностиці мозкової активності

Сучасна медицина отримала потужний інструмент для глибокого аналізу мозкової активності завдяки інноваційній розробці вчених Дніпровського національного університету імені Олеся Гончара. Дослідження Олександра Інкіна та Василя Білозьорова представляє комплексний підхід до моделювання електроенцефалографічних (ЕЕГ) сигналів, який може докорінно змінити діагностику неврологічних захворювань.

Основна мета дослідження полягала в створенні гнучкого та точного методу аналізу ЕЕГ з використанням математичного моделювання та штучного інтелекту. Вчені зосередилися на вирішенні складних завдань з інтерпретації мозкової активності, особливо при діагностиці складних неврологічних станів.

Методологія дослідження включала декілька ключових етапів. По-перше, науковці розробили алгоритм попередньої обробки ЕЕГ-сигналів, який дозволяє максимально очистити дані від зовнішніх шумів та артефактів. Для цього використовувалися передові методи, зокрема метод незалежних компонент (ICA) та спеціалізовані фільтри, що дозволяють видаляти електромагнітні перешкоди та артефакти руху.

Унікальність підходу полягає в комплексному використанні різних математичних моделей для аналізу сигналів. Дослідники застосували авторегресійну модель, приховану марковську модель, моделі Лоренца, Рьослера, Ван дер Поля та інші. Кожна з цих моделей дозволяє розкрити різні аспекти мозкової активності, виявляючи нелінійні зв'язки між сигналами.

Особливо важливим став етап прогнозування з використанням модифікованої архітектури нейронної мережі LSTM (Long Short-Term Memory). Вчені впровадили нестандартну активаційну функцію, яка поєднує синусоїдальну компоненту та гаусівський шум. Це дозволило моделі краще відображати складні нелінійні залежності в ЕЕГ-сигналах.

Дослідження проводилося на прикладі двох пацієнтів: 8-річного хлопчика та 11-річної дівчинки з різними неврологічними особливостями. Порівняння результатів показало, що розроблена методика дозволяє виявляти тонкі відмінності в мозковій активності, які можуть бути пов'язані з різними станами здоров'я.

Серед ключових результатів — визначення, що авторегресійна модель найточніше передбачає поведінку ЕЕГ-даних. Середньоквадратична помилка для цієї моделі виявилася найнижчою, що підтверджує її ефективність у моделюванні мозкової активності.

Практичне значення дослідження важко переоцінити. Запропонований підхід відкриває нові можливості для ранньої діагностики неврологічних розладів, таких як епілепсія, нейродегенеративні захворювання та інші складні стани мозку. Особливо цінним є потенціал методики для дитячої неврології, де точна діагностика має критичне значення.

Науковці вже окреслили напрямки подальших досліджень. Серед них — оптимізація гіперпараметрів моделі, порівняння з іншими методами виявлення аномалій та розширення моделі для аналізу багатоканальних ЕЕГ.