Гибридная квантово-классическая система для обработки электроэнцефалограммы в таксономии эпилептических припадков

Почему мозговые ритмы и квантовые технологии важны для вас

Эпилептические припадки могут возникать внезапно, нарушая повседневную жизнь, работу и независимость. Врачи опираются на записи электроэнцефалограммы (ЭЭГ) — слабые электрические сигналы с кожи головы — чтобы заметить ранние признаки опасности. Но эти сигналы шумны и сложны, и даже продвинутые компьютерные методы могут пропускать важные паттерны. В этом исследовании предложен новый способ считывания мозговых ритмов, который сочетает лучшие современные инструменты глубокого обучения с идеями, заимствованными из квантовых вычислений, с целью более быстрого и надёжного обнаружения припадков, что в перспективе может поддерживать мониторинг в реальном времени у постели больного или дома.

Преобразование мозговых ритмов в изображения

Первый шаг в подходе авторов — изменить способ представления ЭЭГ. Вместо того чтобы подавать сырые извилистые линии напрямую в модель, они преобразуют каждый сегмент ЭЭГ в цветное временно-частотное «скалограмма». Этот процесс, называемый непрерывным вейвлет-преобразованием, показывает, какие ритмы появляются в какие моменты, выявляя кратковременные всплески и быстрые рипплы, часто сигнализирующие о припадке. Преобразуя данные в изображения, метод использует мощные инструменты, изначально разработанные для компьютерного зрения, что позволяет яснее захватывать пространственно-временные закономерности и облегчает интерпретацию активности мозга.

Слияние трёх интеллектуальных двигателей в одной модели

На основе этих изображений ЭЭГ команда строит гибридную сеть, которую называет Quantum Vision Transformer (QViT). Она объединяет три разных механизма поиска паттернов. Свёрточная нейронная сеть (CNN) ищет локальные формы и текстуры на изображениях, такие как резкие пики или изменения энерговложения. Визуальный трансформер просматривает всё изображение целиком, обучаясь более дальнодействующим связям и контексту, разворачивающемуся во времени. Третий компонент — небольшой квантово-вдохновлённый слой, основанный на моделируемых квантовых схемах, предназначенный для захвата тонких, высших по порядку взаимоотношений, которые классическим сетям моделировать сложнее. Совместно эти ветви порождают богатое общее представление, которое передаётся в финальный классификатор, принимающий решение, отражает ли данный сегмент ЭЭГ припадок или нет.

Как квантовые идеи попадают в модель

Квантово-вдохновлённая часть модели берёт компактный набор чисел из предыдущих слоёв и кодирует их в моделируемые квантовые биты, или кубиты. В этом пространстве данные преобразуются последовательностью операций вращения и запутывания, затем измеряются, чтобы получить новые признаки. Хотя исследование полностью выполняется на квантовом симуляторе, а не на реальном квантовом оборудовании, оно использует те же принципы: одновременно исследуются множественные состояний, и корреляции в данных могут представляться способами, которые трудно воспроизвести классическими слоями. Эти признаки, полученные квантовой частью, затем объединяются с выходами CNN и трансформера, помогая объединённой системе чётче разграничивать активность с припадком и без него.

Тестирование на реальных данных припадков

Чтобы проверить, приносит ли этот гибридный дизайн практическую пользу, исследователи оценили QViT на двух широко используемых наборах ЭЭГ для исследований эпилепсии: CHB‑MIT и Bonn. Они разделили данные на обучающую и тестовую выборки, тщательно сбалансировали примеры с припадками и без, и применили обширное, но контролируемое увеличение данных, чтобы имитировать реальные вариации без искажения базовой мозговой активности. Во время обучения использовались современные оптимизационные приёмы — такие как адаптивные скорости обучения, сглаживание меток и ранняя остановка — чтобы избежать переобучения модели. Финальная система достигла примерно 99% точности и столь же высоких F1‑оценок на тестовых данных, с очень небольшим числом ложных тревог или пропущенных припадков. Дополнительные проверки, включая кривые надёжности и визуальные карты изученного пространства признаков, указывают на то, что показатели уверенности модели хорошо откалиброваны, а сигналы с припадком и без формируют чётко разделённые кластеры во внутреннем представлении.

Что это может означать для будущей помощи

Для пациентов и клиницистов эти результаты указывают на возможное поколение инструментов обнаружения припадков, которые будут одновременно более точными и более заслуживающими доверия. Сочетая детальные временно-частотные изображения активности мозга с дополнительными блоками глубокого обучения и квантово-вдохновлённым слоем, эта схема обеспечивает высокую производительность без потери интерпретируемости: врачи по-прежнему могут соотнести решения с привычными паттернами ЭЭГ. Хотя текущая работа выполняется на симулированном квантовом оборудовании и сосредоточена на простом решении «да‑или‑нет» о припадке, те же идеи можно расширить для различения типов припадков или для непрерывной работы на носимых устройствах. В долгосрочной перспективе гибридные квантово-классические подходы, подобные этому, могут помочь превращать сырые мозговые ритмы в своевременные, практически применимые оповещения, повышающие безопасность и качество жизни людей, живущих с эпилепсией.

Цитирование: Padmaja, B., Maram, B., Raheem, A.K.A. et al. Hybrid quantum classical framework for electroencephalogram driven neurological processing in epileptic seizure taxonomy. Sci Rep 16, 5305 (2026). https://doi.org/10.1038/s41598-026-36121-0

Ключевые слова: эпилептические припадки, анализ ЭЭГ, квантово-вдохновлённое обучение, глубокие нейронные сети, обнаружение припадков