SBTM: przewidywanie napadów epileptycznych z sygnału EEG za pomocą głębokiego uczenia w opartym na blockchainie inteligentnym monitoringu zdrowia z siecią IoT

Dlaczego przewidywanie napadów zanim nastąpią ma znaczenie

Dla milionów osób żyjących z padaczką napady mogą pojawić się bez ostrzeżenia — podczas schodzenia po schodach, przechodzenia przez ulicę czy prowadzenia samochodu. Nieoczekiwany napad może prowadzić do upadków, obrażeń, a w najgorszych przypadkach do tragedii, a stała niepewność bywa równie ograniczająca co same napady. W tym badaniu badacze analizują sposób prognozowania napadów na podstawie zapisu fal mózgowych, wykorzystując urządzenia noszone, zaawansowaną sztuczną inteligencję oraz bezpieczne prowadzenie rejestrów online, tak by pacjenci i lekarze mogli uzyskać kilka kluczowych minut ostrzeżenia i skuteczniej chronić codzienne życie.

Cyfrowa siatka bezpieczeństwa wokół pacjenta

W centrum pracy leży wizja inteligentnej opieki zdrowotnej, która dociera do pacjentów niezależnie od miejsca ich pobytu. Małe sensory podłączone do Internetu mierzą aktywność elektryczną mózgu, zwaną sygnałem EEG, i przesyłają te dane przez sieci bezprzewodowe na serwery szpitalne. Tam oprogramowanie monitoruje napływające sygnały, aby określić, czy mózg znajduje się w stanie normalnym, czy zbliża się do napadu. Ponieważ informacje te mają charakter wysoce wrażliwych danych medycznych, system wykorzystuje technologię blockchain — podejście zapożyczone z finansów cyfrowych — do zapisywania i udostępniania zapisów w sposób trudny do sfałszowania i łatwy do audytu. Tylko uwierzytelnieni lekarze z odpowiednimi kluczami cyfrowymi mogą odblokować dane pacjenta, które są organizowane w obrębie oddziałów i placówek szpitalnych.

Przekształcanie fal mózgowych w wczesne ostrzeżenia

Zapis EEG jest chaotyczny: zawiera dużo szumów pochodzących z ruchu mięśni, mrugania i otoczenia. Badacze najpierw oczyszczają surowe sygnały filtrami, które zachowują tylko zakres częstotliwości najbardziej związany z aktywnością mózgu powiązaną z napadami. Następnie kompresują każdy długi sygnał do zwartego opisu, wykorzystując trzy rodziny cech. Cechy statystyczne uchwycają rozkład i skośność wartości. Cechy spektralne opisują, jak energia sygnału rozkłada się w różnych częstotliwościach. Cechy Hjortha, klasyczna miara w EEG, podsumowują, jak silny, ruchliwy i złożony jest sygnał w czasie. Razem te liczby tworzą bogaty, ale łatwy w obsłudze obraz stanu mózgu, redukując koszty obliczeniowe związane z pracą bezpośrednio na surowych przebiegach fal.

Inteligentniejsza sieć neuronowa dostrojona metodą zainspirowaną naturą

Aby odczytywać te zrzuty cech, zespół zaprojektował model głębokiego uczenia nazwany Spizella-based Bidirectional Short-Term Memory, w skrócie SBTM. Oparty jest na rodzaju sieci rekurencyjnej, która szczególnie dobrze radzi sobie z sekwencjami, takimi jak język czy szeregi czasowe. Dwukierunkowa konstrukcja pozwala modelowi analizować wzorce w cechach EEG zarówno w przód, jak i w tył w czasie, co pomaga wychwycić subtelne narastanie i zanikanie, które mogą sygnalizować zbliżający się napad. Ponadto badacze wprowadzają nową metodę optymalizacji zainspirowaną zachowaniami poszukiwania pokarmu i ucieczki małych ptaków i kuguarów. Ten optymalizator „Spizella” automatycznie dostraja liczne wewnętrzne ustawienia sieci, tak aby znajdował kombinacje najlepiej rozdzielające wzorce napadowe od nienapadowych, unikając przy tym typowych pułapek, takich jak utknięcie w nieoptymalnych lokalnych rozwiązaniach.

Testy na rzeczywistych pacjentach i w realnych warunkach

System oceniono na znanym zbiorze EEG z szpitala dziecięcego, a także na dodatkowym zestawie danych w czasie rzeczywistym, obu zawierających nagrania od pacjentów doświadczających częstych napadów. Model SBTM nauczył się odróżniać wzorce związane z napadami od aktywności normalnej z godnym uwagi powodzeniem: na głównym zbiorze osiągnął około 98% swoistości (czyli bardzo mało fałszywych alarmów) oraz około 97,5% czułości (czyli rzadko pomijał prawdziwe napady), z ogólną dokładnością bliską 97,5%. Co ważne, robił to szybciej i przy mniejszym nakładzie obliczeniowym niż kilka ugruntowanych metod uczenia maszynowego, i przewyższał szereg konkurencyjnych modeli głębokiego uczenia, które nie stosowały tego samego projektu cech ani strategii optymalizacji.

Budowanie bezpieczniejszej i bardziej prywatnej opieki nad chorymi na padaczkę

Dla osoby nietechnicznej wniosek jest taki, że praca łączy trzy potężne idee — prognozowanie napadów z EEG z wyprzedzeniem, zwarty i wydajny model neuronowy oraz bezpieczne udostępnianie zapisów za pomocą blockchain — w ramach jednego rozwiązania. W praktyce taki system mógłby pewnego dnia umożliwić urządzeniu noszonemu ostrzeganie osoby z padaczką, jej rodziny i zespołu opiekuńczego na kilka minut przed napadem, przy jednoczesnym silnym zabezpieczeniu danych medycznych w toku ich przesyłania między urządzeniami a szpitalami. Choć potrzebne są dalsze testy i dopracowanie przed szerokim wdrożeniem, badanie wskazuje na przyszłość, w której połączone, inteligentne i świadome prywatności narzędzia pomagają osobom z padaczką żyć bezpieczniej i bardziej niezależnie.

Cytowanie: Kumar, A., Tripathi, E., Tripathi, A.K. et al. SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking. Sci Rep 16, 6830 (2026). https://doi.org/10.1038/s41598-026-36425-1

Słowa kluczowe: padaczka, EEG, prognozowanie napadów, głębokie uczenie, inteligentna opieka zdrowotna