Iteracyjny wieloblokowy system wykrywania zaburzeń neurologicznych na podstawie EEG o wysokiej częstotliwości

Dlaczego fale mózgowe mają znaczenie dla wczesnej diagnozy

Choroba Alzheimera i Parkinsona często uszkadzają mózg na wiele lat przed pojawieniem się oczywistych objawów, a lekarzom nadal brakuje szybkich i wiarygodnych narzędzi do ich wczesnego wykrywania. W tym badaniu przedstawiono nowy sposób odczytu fal mózgowych rejestrowanych za pomocą elektroencefalografii (EEG), który koncentruje się na najszybszych rytmach mózgu. Poprzez staranne oczyszczanie tych zaszumionych sygnałów i wprowadzanie ich do wyjaśnialnego systemu sztucznej inteligencji, autorzy pokazują, że można wykrywać problemy neurologiczne z dokładnością porównywalną, a niekiedy przewyższającą, wiele istniejących podejść.

Słuchając najszybszych rytmów mózgu

EEG rejestruje drobne zmiany napięcia na skórze głowy, gdy sieci neuronów się aktywują. Tradycyjnie lekarze i badacze skupiali się głównie na wolniejszych rytmach, takich jak fale alfa i theta. Jednak rosnące dowody sugerują, że wysokoczęstotliwościowa aktywność „gamma”, powyżej około 30 Hz, może ujawniać wczesne objawy choroby — od subtelnych problemów z pamięcią po zaburzenia ruchowe. Niestety te szybkie sygnały łatwo giną pod wpływem skurczów mięśni, mrugania oczu i zakłóceń elektrycznych. Standardowe narzędzia, takie jak znane transformaty Fouriera i falkowe, działają najlepiej, gdy sygnały są stabilne w czasie, co nie odpowiada rzeczywistemu EEG. W efekcie wiele klinicznie użytecznych szczegółów w aktywności wysokoczęstotliwościowej było trudnych do wydobycia i łatwych do błędnej interpretacji.

Oczyszczanie zaszumionych sygnałów mózgowych

Aby temu zaradzić, autorzy zaprojektowali wieloetapowy „pipeline”, który traktuje analizę EEG bardziej jak starannie zaprojektowaną linię produkcyjną niż pojedynczy magiczny algorytm. Najpierw wykorzystują podejście oparte na transformacie Hilberta–Huang z połączoną zmodyfikowaną empiryczną dekompozycją trybów. Mówiąc prościej, metoda ta automatycznie rozkłada chaotyczny sygnał na prostsze składniki, które lepiej odzwierciedlają rzeczywiste fluktuacje mózgu. Następnie odrzuca składniki zachowujące się jak szum — na podstawie ich niskiej energii i złożoności — jednocześnie zachowując szybkie oscylacje w zakresie gamma. To dwuetapowe filtrowanie znacząco poprawia stosunek sygnału do szumu, przekształcając zagracony surowy zapis w czystsze przedstawienie aktywności wysokoczęstotliwościowej, które z większym prawdopodobieństwem odzwierciedla prawdziwe zdarzenia neuronalne niż przypadkowe artefakty.

Wyszukiwanie najbardziej informatywnych wzorców

Po oczyszczeniu sygnałów system koncentruje się na najbardziej informatywnych cechach. Transformata pakietów falek dzieli każdy składnik EEG na wiele pasm częstotliwości, a miara zwana entropią Shannona ocenia, jak złożone i informatywne jest każde pasmo. Pasma o niskich wartościach — te, które wnoszą więcej redundancji niż informacji — są odrzucane, co zmniejsza zestaw cech o około 60% przy zachowaniu około 95% klinicznie istotnej informacji. Kluczowe jest to, że system nie opiera się wyłącznie na EEG. Dane kliniczne takie jak wiek, płeć i historia choroby są matematycznie wyrównywane z cechami EEG przy użyciu techniki zwanej analizą korelacji kanonicznych. To połączenie tworzy wspólną przestrzeń, w której subtelne związki między aktywnością mózgu a kontekstem klinicznym stają się łatwiejsze do wykrycia przez komputer.

Jak SI uczy się na podstawie fal mózgowych

Połączone dane są następnie analizowane przez model głębokiego uczenia skonstruowany specjalnie do sygnałów zmieniających się w czasie. Architektura łączy warstwy splotowe, które przeszukują lokalne wzorce wzdłuż kanałów i częstotliwości, z warstwami rekurencyjnymi, które śledzą, jak te wzorce ewoluują sekunda po sekundzie. Mechanizm „uwagi” przypisuje większą wagę segmentom czasowym, które wydają się najbardziej diagnostyczne — podobnie jak klinicysta skupiający się na podejrzanym wybuchu aktywności w zapisie. Aby uniknąć bycia czarną skrzynką, system zawiera narzędzia wyjaśnialności, takie jak Grad-CAM i zintegrowane gradienty. Tworzą one mapy wizualne i oceny, które podkreślają, które częstotliwości, okna czasowe i zmienne kliniczne najbardziej wpłynęły na konkretną prognozę. W testach na dwóch dużych publicznych bazach EEG system osiągnął około 94% dokładności, z czułością i specyficznością powyżej 92%, przewyższając kilka silnych metod porównawczych.

Co to może znaczyć dla pacjentów

Dla osoby niebędącej specjalistą najważniejsze jest to, że praca ta pokazuje, jak starannie etapowany, wyjaśnialny system SI może przekształcić skomplikowane, zaszumione zapisy EEG w jasne, klinicznie istotne wnioski. Poprzez lepsze wykorzystanie szybkich rytmów mózgu i integrację ich z rutynowymi informacjami o pacjencie, system wykrywa wczesne oznaki zaburzeń takich jak choroba Alzheimera i Parkinsona, jednocześnie pokazując lekarzom, dlaczego doszedł do swoich wniosków. Chociaż potrzebne są dalsze testy na danych pochodzących z codziennej praktyki klinicznej i urządzeń noszonych, podejście to wskazuje drogę ku przyszłym narzędziom przy łóżku pacjenta, a nawet domowym, które mogłyby wykrywać problemy neurologiczne wcześniej, wspierać decyzje terapeutyczne i w ostateczności poprawiać jakość życia milionów osób zagrożonych chorobami neurodegeneracyjnymi.

Cytowanie: Agrawal, R., Dhule, C., Shukla, G. et al. Iterative multiblock framework for high frequency EEG based neurological disorder detection. Sci Rep 16, 5995 (2026). https://doi.org/10.1038/s41598-026-37126-5

Słowa kluczowe: EEG, zaburzenia neurologiczne, choroba Alzheimera, choroba Parkinsona, fale mózgowe