Ручний аналіз ЕЕГ — вузьке місце в діагностиці епілепсії. Нейрофізіолог витрачає 20-45 хвилин на 30-хвилинний запис, а добові моніторинги просто неможливо переглянути повністю без пропусків. Ми автоматизуємо рутину: наша AI-система флагує підозрілі епохи, знижуючи час перегляду до 5-10 хвилин, і підвищує чутливість до рідкісних патернів. За 10+ років роботи в медичному AI ми реалізували 50+ проєктів з аналізу ЕЕГ — від детекції судом до BCI.
Як працює AI детекція епілептичних розрядів?
Детекція епілептиформної активності — пошук спайків, гострих хвиль та комплексів спайк-хвиля. Ми використовуємо CNN+LSTM на часових рядах EEG-епох. На публічних датасетах CHB-MIT та TUH EEG досягаємо sensitivity 92-96% та specificity 86-91%. Наша модель працює в 2 рази точніше за класичні методи машинного навчання (SVM, Random Forest) за F1-мірою. З нашої практики: клієнтський проєкт із 24-годинними записами — автоматична розмітка скоротила час невролога в 4 рази, виявивши 30% додаткових розрядів, непомічених при ручному перегляді. Економія на діагностиці склала до $40 000 на рік за рахунок зниження labour cost.
Чому EEGNet ефективний для часових рядів ЕЕГ?
EEGNet — компактна згорткова мережа, спеціально спроєктована для обробки багатоканальних ЕЕГ. Вона використовує depthwise та separable згортки, що сильно знижує кількість параметрів. Модель важить 2-5 MB, що в 10 разів компактніша за трансформери (наприклад, LaBraM). Це дозволяє легко деплоїти її на edge-пристрої (ARM Cortex, Jetson). Ми адаптуємо її під вашу конфігурацію відведень (10-20 або 10-10 система).
# EEGNet — компактна CNN спеціально 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) Порівняння архітектур для ЕЕГ
| Архітектура | Параметри | Latency (ms) | F1 (seizure) | Застосування |
|---|---|---|---|---|
| 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 |
Які задачі автоматизуємо?
Класифікація стадій сну (Automatic Sleep Staging) — розмічаємо N1, N2, N3, REM, Wake по 30-секундних епохах. Cohen's Kappa 0.77-0.81, що співставно з inter-rater agreement. Ручна робота займає 2-4 години на ніч — з AI ви отримуєте готову гіпнограму за хвилини.
Моніторинг глибини анестезії — будуємо власні ML-моделі для пропофолу, ізофлурану (різні ЕЕГ-патерни). Альтернатива комерційному BIS.
Brain-Computer Interface (BCI) — декодуємо motor imagery та SSVEP для керування протезами, спелерами або екзоскелетами.
Когнітивне навантаження та стрес — нейрофідбек, моніторинг операторів (авіація, АЕС): детекція втоми за EEG-біомаркерами.
Що входить в роботу під ключ?
| Етап | Результат |
|---|---|
| Аналіз даних | Збір та розмітка вашої ЕЕГ, очищення артефактів (ICA, ML-класифікатори) |
| Розробка моделі | Підбір архітектури (EEGNet, CNN+LSTM, Transformer), навчання, валідація |
| Оптимізація | Quantization INT8, ONNX, зменшення моделі до 2-5 MB для edge |
| Деплой | Інтеграція у вашу систему: хмара (SageMaker, Vertex AI) або edge (ARM, Jetson) |
| Документація та навчання | Модель картка, інструкція з експлуатації, навчання персоналу |
| Підтримка | Гарантійний супровід, донавчання при появі нових даних |
Як ми це робимо: стек і кейс
Використовуємо PyTorch, Hugging Face Transformers, LangChain для пайплайнів. Для часових рядів — 1D CNN/Transformer або time-frequency (STFT, wavelet) → 2D CNN. Просторову інформацію враховуємо через карту електродів (2D CNN або GNN).
З нашої практики: амбулаторний ЕЕГ-монітор для детекції судом. Модель EEGNet (3.2 MB) працює на ARM Cortex-M4, latency <300 мс, батарея тримає 48 годин. Sensitivity 94%, specificity 88%. Результат: лікарі отримують alert на смартфон при підозрі на напад. Якщо ваш проєкт потребує аналогічного рішення — пишіть нам, ми підготуємо прототип за 2 тижні. Вартість такого пілотного проєкту — від $5 000.
Foundation Models для EEG — використовуємо LaBraM, переднавчений на 25 000+ ЕЕГ (TUEG). Fine-tuning на ваших даних скорочує потребу в розмітці до 10-20 годин. Це особливо актуально, якщо у вас обмежений обсяг розмічених записів.
Розробка моделі аналізу ЕЕГ: 5 кроків
- Збір та препроцесинг — завантаження даних, видалення артефактів (ICA, ML-класифікатори), фільтрація діапазонів (0.5-70 Hz).
- Вибір архітектури — порівнюємо EEGNet, CNN+LSTM, Transformer за метриками latency/accuracy.
- Навчання та валідація — k-fold cross-validation, налаштування гіперпараметрів (learning rate, batch size).
- Оптимізація — quantization до INT8, експорт в ONNX, тестування на цільовому пристрої.
- Деплой та моніторинг — інтеграція у вашу інфраструктуру, налаштування logging, A/B-тестування.
Терміни та вартість
Терміни: від 4 до 16 тижнів залежно від складності (тип задачі, обсяг даних, вимоги до edge-деплою). Вартість розраховується індивідуально після аналізу вашого бенчмарку та вимог. Гарантуємо 12 місяців підтримки та безкоштовне донавчання при появі нових даних протягом першого року.
Маєте проєкт? Оцініть його безкоштовно — наш інженер з AI проаналізує ваші дані та запропонує оптимальне рішення під ключ. Замовте пілотний проєкт: прототип моделі на вашому датасеті за 2 тижні.