Розробка AI-системи для аналізу ЕЕГ
ЕЕГ аналіз — трудомістка задача: досвідчений нейрофізіолог переглядає години запису для виявлення епілептичних розрядів. AI автоматизує рутину та підвищує чутливість виявлення рідких паттернів.
Клінічні завдання
Виявлення епілептичних розрядів
Епілептичні спайки, гострі хвилі, комплекси спайк-хвиля. Завдання: виявлення епілептиформної активності в 30-хвилинній та 24-годинній (амбулаторній) ЕЕГ.
Реальний робочий процес невролога: перегляд 30-хвилинної запису — 20–45 хвилин. З AI: автоматична розмітка підозрілих епох, невролог переглядає тільки позначені фрагменти → 5–10 хвилин.
CNN+LSTM на часових рядах EEG-епох. Чутливість 92–96%, специфічність 86–91% на benchmark датасетах (CHB-MIT Scalp EEG, TUH EEG Seizure Corpus).
Класифікація стадій сну (Automatic Sleep Staging)
Стандарт AASM: N1, N2, N3 (глибокий сон), REM, Wake — 5 класів по 30-секундних епохах. Ручна розмітка полісомнографії: 2–4 години на одну ніч запису.
AI Sleep Staging (U-Sleep, YASA): Cohen's Kappa 0.77–0.81 проти експерта, порівнювано з inter-rater agreement між спеціалістами.
Моніторинг глибини анестезії/седації
Bispectral Index (BIS) — комерційний продукт на основі ЕЕГ. Користувацькі ML-моделі для конкретних анестетиків (пропофол проти ізофлюрану → різні ЕЕГ-паттерни).
Brain-Computer Interface (BCI)
Motor imagery (уявлення руху) → декодування наміру з ЕЕГ для управління протезами або комп'ютером. SSVEP (steady-state visual evoked potentials) → spellers.
Когнітивне навантаження та стрес
Додатки Neurofeedback, моніторинг операторів (авіація, АЕС): виявлення втоми, зниження уваги через EEG biomarkers.
Характеристики EEG-сигналу для ML
Багатоканальність та посилання
10–19 каналів у клінічній ЕЕГ. Просторова інформація важлива: епілептична активність локалізована — в конкретному регіоні. Підходи:
- Обробка всіх каналів незалежно + fusion
- CNN на просторових картах (карта електродів → 2D зображення)
- GNN з топологією електродів
Часова структура
ЕЕГ — нестаціонарний сигнал з паттернами на різних частотах:
- Delta (0.5–4 Hz): глибокий сон, кома
- Theta (4–8 Hz): сонливість, медитація
- Alpha (8–13 Hz): розслаблене пробудження
- Beta (13–30 Hz): активне мислення
- Gamma (30–100 Hz): когнітивні процеси
Wavelet transform / STFT → time-frequency representation → 2D CNN. Або сирий сигнал → 1D CNN/Transformer.
Артефакти
Рухи очей (EOG), м'язові артефакти (EMG), сердечні артефакти (ECG). Independent Component Analysis (ICA) — стандарт видалення артефактів. ML artifact classifiers для автоматичного виявлення.
Архітектура
# 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)
Foundation Models для EEG
LaBraM (Large Brain Model) — попереднє навчання на тисячах годин ЕЕГ (TUEG, інші публічні корпуси) → fine-tuning на конкретне завдання. Transfer learning зменшує потребу в розмічених даних.
Датасети: TUH EEG (25,000+ ЕЕГ), CHB-MIT (seizure), ISRUC (sleep), BCI Competition datasets.
Розгортання: edge inference на пристрої (ARM cortex для амбулаторних монаторів, 2–5MB модель). Cloud inference для обробки архівованих записів. Latency для seizure detection: <500ms для real-time алертів.