Predykcja napadów na podstawie EEG z jednego kanału przy użyciu głębokiego uczenia

Dlaczego przewidywanie napadów ma znaczenie

Dla wielu osób z padaczką napady pojawiają się bez ostrzeżenia, zakłócając pracę, naukę i codzienne życie. System, który mógłby wiarygodnie ostrzec o nadchodzącym napadzie, nawet zaledwie kilka minut wcześniej, dałby pacjentom czas, by bezpiecznie usiąść lub położyć się, wezwać pomoc albo przerwać ryzykowną czynność, taką jak prowadzenie samochodu czy gotowanie. W tym badaniu sprawdzono, czy takie ostrzeżenia można wygenerować z jednego małego sensora rejestrującego aktywność mózgu zamiast pełnej czepicy elektrod szpitalnych, korzystając z zwartej formy sztucznej inteligencji, która mogłaby w przyszłości działać w urządzeniu do noszenia.

Prostszy sposób obserwacji aktywności mózgu

Większość badań nad predykcją napadów opierała się na złożonych nagraniach z wieloma elektrodami rozmieszczonymi na całej czaszce. Systemy te mogą działać dobrze w laboratorium, ale są nieporęczne, energochłonne i trudne do noszenia przez cały dzień. Badacze skupili się zamiast tego na nagraniach „jednokanałowych”, które rejestrują aktywność mózgu z tylko jednego miejsca naraz. Wybrali sześć pozycji elektrod na czole, skroni i tyle głowy, które byłyby praktyczne dla lekkiej opaski lub plastra. Kluczowe pytanie brzmiało, czy pojedynczy, dobrze umieszczony sensor nadal wychwyci subtelne zmiany w aktywności mózgowej, które często narastają przed napadem.

Szkolenie małego czytnika fal mózgowych

Aby zamienić surowe fale mózgowe w dane, które komputer potrafi analizować, zespół podzielił sygnały na 10‑sekundowe segmenty i przekształcił każdy wycinek w rodzaj obrazu pokazującego, jak siła sygnału zmienia się w różnych częstotliwościach w czasie. Te obrazy podano następnie do uproszczonego modelu głębokiego uczenia inspirowanego MobileNet, rodziną sieci neuronowych zaprojektowanych do działania na telefonach i innych urządzeniach o niskim poborze mocy. Poprzez ostrożne przycięcie warstw i połączeń autorzy zmniejszyli model do niecałych 38 000 regulowanych parametrów, co stanowi maleńką część rozmiaru wielu współczesnych systemów rozpoznawania obrazów, przy jednoczesnym zachowaniu zdolności do uczenia się użytecznych wzorców związanych z napadami.

Definiowanie użytecznego czasu ostrzeżenia

Z punktu widzenia pacjenta nie każde poprawne wykrycie jest równie przydatne. Ostrzeżenie, które nadejdzie zbyt późno, daje niewiele ochrony, podczas gdy takie, które pojawi się zbyt wcześnie, może powodować niepotrzebny niepokój. Dlatego badanie przyjęło jasne reguły czasowe odzwierciedlające potrzeby rzeczywistego świata. Dla każdego napadu badacze zdefiniowali strefę „braku ostrzeżenia” obejmującą 2 minuty tuż przed początkiem, gdy reakcja byłaby już trudna. 30‑minutowy okres poprzedzający tę strefę uznano za właściwe okno predykcyjne, w którym ostrzeżenie jest uznawane za skuteczne, jeśli napad wystąpi w jego ramach. Do nauki i testowania modelu użyto tylko danych z tego okna oraz z wyraźnie prawidłowych okresów daleko od jakiegokolwiek napadu.

Jak dobrze system działał

Model przetestowano na dwóch grupach pacjentów: dorosłych z lekooporną ogniskową padaczką leczonych w Szpitalu Uniwersytetu Narodowego w Seulu oraz na dzieciach i młodych dorosłych z szeroko używanego publicznego zbioru danych. Dla każdej osoby system był trenowany i oceniany wyłącznie na jej danych, co odzwierciedla sposób, w jaki przyszłe urządzenie mogłoby dopasowywać się do noszącego je użytkownika. W skali pacjentów model poprawnie sklasyfikował około 86–91 procent 10‑sekundowych segmentów, przy stosunkowo niskich wskaźnikach fałszywych alarmów. Oceniany na poziomie całych napadów i przy użyciu surowych reguł czasowych, poprawnie przewidział około 95 procent napadów w grupie szpitalnej i 98 procent w publicznym zbiorze danych. Co ciekawe, elektrody na czole zwykle działały najlepiej, a bliższa lokalizacja względem medycznie zidentyfikowanej strefy początku napadu niekoniecznie poprawiała dokładność.

Co to może oznaczać w codziennym życiu

Wyniki sugerują, że pojedynczy mały czujnik fal mózgowych w połączeniu z wysoce wydajnym algorytmem uczenia może dostarczać wiarygodnych wczesnych ostrzeżeń o wielu napadach w praktycznie użytecznym 30‑minutowym oknie. Choć potrzebne są dalsze badania w większych i bardziej zróżnicowanych grupach pacjentów oraz dopracowanie doboru kanałów dla każdego użytkownika, praca ta wskazuje drogę ku systemom przewidywania napadów, które można by wygodnie nosić przez dłuższy czas i które działałyby przy ograniczonej mocy baterii. Takie narzędzia nie zapobiegną napadom, ale mogłyby dać osobom z padaczką większą kontrolę i pewność przy planowaniu codziennych aktywności.

Cytowanie: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Słowa kluczowe: padaczka, predykcja napadów, EEG, urządzenia do noszenia, głębokie uczenie