מודלים היברידיים של למידת מכונה פוזית מותאמים באמצעות מטה‑היוריסטיקות להערכה נוירולוגית מדויקת מבוססת EEG

האזנה לגלי המוח

כאשר מישהו סובל מאפילפסיה או נופל לקומה עמוקה, רופאים לעיתים קרובות פונים לאלקטרואנצפלוגרמות (EEG) — הקלטות של הפעילות החשמלית במוח — כדי להבין מה קורה. אבל קריאת הקווים הדקים האלו בעין היא איטית, סובייקטיבית ותלויה במידה רבה בשיפוט המומחה. מאמר זה מציג מערכת אוטומטית ומדויקת מאוד שלומדת לפרש דפוסי EEG לזיהוי פרכוסים ולהערכת קומה, ומבטיחה עזרה מהירה ועקבית יותר לחולים ברגעים שבהם כל שנייה חשובה.

מדוע אותות מוח קשים לקריאה

EEG משמש כבר מאה שנים לניטור פעילות מוחית ללא ניתוח. הוא חיוני לזיהוי פרכוסים אפילפטיים ולהערכת כמה מודע חולה הקומה באמת. עם זאת, אותות EEG גולמיים מוזרים ומלוכלכים: הם מכילים רעש מתנועות שרירים, הפרעות חשמליות ושונות טבעית בין אנשים. הבדלים עדינים בין פעילות מוח נורמלית, אזורים מושפעים מטומור ואירועי פרכוס יכולים להיות קבורים בתוך הבלבול הזה. כיום רופאים מבלים שעות רבות בסריקה של המעקבות האלו, ובאזורים רבים בעולם יש מספר מצומצם של מומחים, מה שמוביל לפספוס פרכוסים ולאומדן שגוי של עומק הקומה. המחברים שואפים להעביר חלק גדול מהעומס הזה לתוכנה חכמה שיכולה לזהות דפוסים מהימנים בתוך הכאוס.

עיבוי גליי מוח מורכבים

המערכת מתחילה בניקוי ופירוק אותות ה‑EEG. היא מסננת את הרעש, ומודדת מגוון רחב של תכונות מכל חלון הקלטה: סטטיסטיקות פשוטות כמו ממוצע ושונות, כיצד ההספק של האות מתפזר על פני רצועות תדר שונות (כמו גליי הדלתא, תטה, אלפא ובטא המוכרים), ומדדים מתקדמים של "אי‑סדירות" הנקראים אנטרופיות שתופסות עד כמה האות בלתי צפוי. מדידות רבות אלו יוצרות תיאור רב‑ממדי של כל רגע בזמן המוח. כדי להפוך זאת לנגיש, המחברים מציעים שלב הקטנת ממדים שממזג מתמטית עשרות מספרים לערכה קומפקטית תוך שמירה על מה שמבדיל בצורה הטובה ביותר בין מצבי מוח שונים.

כיוונון הממוּד בהשראת הטבע של הממיין

כדי לתכנן את שלב הדחיסה והממיין שאחריו, החוקרים שואבים רעיונות מהטבע. אלגוריתם "מחזור המים" מדמה כיצד נחלים זורמים לנחלים ולימים, חוקר אופציות חלופיות רבות לשילוב תכונות ושומר את אלה שמאחדות דפוסי EEG דומים קרוב זה לזה תוך דחיקת דפוסים שונים הרחק זה מזה. במקביל, אלגוריתם אופטימיזציה "כוכב‑ים" מדמה כיצד כוכבי ים נעים ומסתגלים, ומשתמש בעדרים וירטואליים לכוונון עדין של הגדרות פנימיות במערכת החלטה. מערכת ההחלטה הזו, הקרויה DT‑FIS, משלבת עץ החלטה (שמפצל נתונים לענפים) עם לוגיקה פוזית (שמאפשרת גבולות רכים והדרגתיים במקום חיתוכים קשיחים). יחד, מרכיבים אלה מאפשרים למודל להתמודד עם אי‑וודאות ועדינות באותות המוח במקום לכפות החלטות חיתוך גסות מוקדם מדי.

מיון פרכוסים ורמות תודעה

המחברים בוחנים את מסגרת העבודה שלהם בשתי משימות תובעניות. ראשית, באמצעות הקלטות EEG ממרכז הרפואי של האוניברסיטה האמריקאית בביירות, המערכת חייבת להבחין בין מספר סוגי פעילות פרכוסית לבין תקופות שקטות ללא פרכוס. שנית, באמצעות קבוצת נתונים נפרדת מיחידות לטיפול נמרץ, היא חייבת להעריך עד כמה חולי קומה מודעים, בהתבסס על סולם הקומה של גלזגו הנפוץ, בזמן שהחולים עוברים בין מנוחה לשלב גירוי עם אחיות ובני משפחה. לאחר אימון, המודלים ההיברידיים משיגים ביצועים מרשימים: דיוק בערך 99% בזיהוי רמות קומה עמוקה ותוצאות דומות להבחנה בין מצבי פרכוס ללא פרכוס, מתרסקים על רוב גישות הלמידה העמוקה האחרונות תוך שימוש בפחות תכונות ושמירה על היותם פחות "שחורים" מבחינת פרשנות.

מה זה אומר עבור מטופלים

במונחים ברורים, המחקר מראה ששילוב של מדידות EEG שנבחרו בקפידה, הקטנת ממדים חכמה וחוקי החלטה פוזיים מכווננים בהשראת הטבע יכול להביא לקורא אוטומטי של גלי מוח שדומה ל"נכון כמעט תמיד". מערכות כאלה יכולות לפעול במוניטור ליד המיטה או על חומרה ניידת, להתריע על פרכוסים בתוך שניות ולספק לצוות חוות דעת אובייקטיבית שנייה על עד כמה חולה ער או חסר מודעות. אף על פי שהמודלים עדיין צריכים אימות באוכלוסיות גדולות ומגוונות יותר, העבודה מצביעה על עתיד שבו ניטור מוח רציף ומהימן זמין גם בבתי חולים עם משאבים מוגבלים, ועוזר להבטיח שאירועים מסוכנים יתפסו מוקדם והחלטות טיפול יתבססו על תובנות מבוססות נתונים.

ציטוט: Lak, M., Jamali, J., Adlband, N. et al. Hybrid fuzzy machine learning models optimized with meta-heuristics for accurate EEG-based neurological assessment. Sci Rep 16, 11888 (2026). https://doi.org/10.1038/s41598-026-35669-1

מילות מפתח: EEG, פרכוסים אפילפטיים, הערכת קומה, למידת מכונה פוזית, ניטור נוירולוגי