Ручной анализ ЭЭГ — узкое место в диагностике эпилепсии. Нейрофизиолог тратит 20-45 минут на 30-минутную запись, а суточные мониторинги просто невозможно просмотреть полностью без пропусков. Мы автоматизируем рутину: наша AI-система флагирует подозрительные эпохи, снижая время просмотра до 5-10 минут, и повышает чувствительность к редким паттернам. За 10+ лет работы в медицинском AI мы реализовали 50+ проектов по анализу ЭЭГ — от детекции судорог до BCI.
Как работает AI детекция эпилептических разрядов?
Детекция эпилептиформной активности — поиск спайков, острых волн и комплексов спайк-волна. Мы используем CNN+LSTM на временных рядах EEG-эпох. На публичных датасетах CHB-MIT и TUH EEG достигаем sensitivity 92-96% и specificity 86-91%. Наша модель превосходит классические методы машинного обучения (SVM, Random Forest) на 15-20% по F1-мере. Из нашей практики: клиентский проект с 24-часовыми записями — автоматическая разметка сократила время невролога в 4 раза, выявив 30% дополнительных разрядов, незамеченных при ручном просмотре. Экономия на диагностике составила до 40% за счёт снижения labour cost.
Почему EEGNet эффективен для временных рядов ЭЭГ?
EEGNet — компактная свёрточная сеть, специально спроектированная для обработки многоканальных ЭЭГ. Она использует depthwise и separable свёртки, что сильно снижает число параметров. Модель весит 2-5 MB, что почти в 10 раз меньше трансформеров (например, LaBraM). Это позволяет легко деплоить её на edge-устройства (ARM Cortex, Jetson). Мы адаптируем её под вашу конфигурацию отведений (10-20 или 10-10 система).
# 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) Сравнение архитектур для ЭЭГ
| Архитектура | Параметры | Latency (ms) | F1 (seizure) | Применение |
|---|---|---|---|---|
| EEGNet | 2–5 MB | <50 | 0.91 | Edge/portable |
| CNN+LSTM | 10–20 MB | 100–200 | 0.94 | Clinical server |
| Transformer (LaBraM) | 50–100 MB | 300–500 | 0.96 | Cloud/high accuracy |
Какие задачи автоматизируем?
Классификация стадий сна (Automatic Sleep Staging) — размечаем N1, N2, N3, REM, Wake по 30-секундным эпохам. Cohen's Kappa 0.77-0.81, что сопоставимо с inter-rater agreement. Ручная работа занимает 2-4 часа на ночь — с AI вы получаете готовую гипнограмму за минуты.
Мониторинг глубины анестезии — строим собственные ML-модели для пропофола, изофлурана (разные ЭЭГ-паттерны). Альтернатива коммерческому BIS.
Brain-Computer Interface (BCI) — декодируем motor imagery и SSVEP для управления протезами, спеллерами или экзоскелетами.
Когнитивная нагрузка и стресс — нейрофидбэк, мониторинг операторов (авиация, АЭС): детекция усталости по EEG-биомаркерам.
Что входит в работу?
| Этап | Результат |
|---|---|
| Анализ данных | Сбор и разметка вашей ЭЭГ, очистка артефактов (ICA, ML-классификаторы) |
| Разработка модели | Подбор архитектуры (EEGNet, CNN+LSTM, Transformer), обучение, валидация |
| Оптимизация | Quantization INT8, ONNX, уменьшение модели до 2-5 MB для edge |
| Деплой | Интеграция в вашу систему: облако (SageMaker, Vertex AI) или edge (ARM, Jetson) |
| Документация и обучение | Модель карточка, инструкция по эксплуатации, обучение персонала |
| Поддержка | Гарантийное сопровождение, дообучение при появлении новых данных |
Как мы это делаем: стек и кейс
Используем PyTorch, Hugging Face Transformers, LangChain для пайплайнов. Для временных рядов — 1D CNN/Transformer или time-frequency (STFT, wavelet) → 2D CNN. Пространственную информацию учитываем через карту электродов (2D CNN или GNN).
Из нашей практики: амбулаторный ЭЭГ-монитор для детекции судорог. Модель EEGNet (3.2 MB) работает на ARM Cortex-M4, latency <300 мс, батарея держит 48 часов. Sensitivity 94%, specificity 88%. Результат: врачи получают alert на смартфон при подозрении на приступ. Если ваш проект требует аналогичного решения — свяжитесь с нами, мы подготовим прототип за 2 недели.
Foundation Models для EEG — используем LaBraM, предобученный на 25 000+ ЭЭГ (TUEG). Fine-tuning на ваших данных сокращает потребность в разметке до 10-20 часов. Это особенно актуально, если у вас ограниченный объём размеченных записей.
Разработка модели анализа ЭЭГ: 5 шагов
- Сбор и препроцессинг — загрузка данных, удаление артефактов (ICA, ML-классификаторы), фильтрация диапазонов (0.5-70 Hz).
- Выбор архитектуры — сравниваем EEGNet, CNN+LSTM, Transformer по метрикам latency/accuracy.
- Обучение и валидация — k-fold cross-validation, настройка гиперпараметров (learning rate, batch size).
- Оптимизация — quantization до INT8, экспорт в ONNX, тестирование на целевом устройстве.
- Деплой и мониторинг — интеграция в вашу инфраструктуру, настройка logging, A/B-тестирование.
Технические детали обучения модели
Используем AdamW optimizer, cosine learning rate schedule, early stopping по validation loss. Для несбалансированных классов (редкие разряды) применяем focal loss. Data augmentation: временной сдвиг, добавление шума, маскирование каналов.Сроки и стоимость
Сроки: от 4 до 16 недель в зависимости от сложности (тип задачи, объём данных, требования к edge-деплою). Стоимость рассчитывается индивидуально после анализа вашего бенчмарка и требований. Гарантируем 12 месяцев поддержки и бесплатное дообучение при появлении новых данных в течение первого года.
Есть проект? Свяжитесь с нами для консультации — инженер по AI бесплатно оценит ваши данные и предложит оптимальное решение.
Закажите пилотный проект: прототип модели на вашем датасете за 2 недели.