SBTM: прогнозирование эпилептических припадков по сигналу ЭЭГ с помощью глубокого обучения в блокчейн-обеспеченном умном медицинском мониторинге с IoT-сетями

Почему важно предсказывать припадки до их начала

Для миллионов людей, живущих с эпилепсией, припадки могут наступить внезапно — при спуске по лестнице, переходе улицы или за рулём автомобиля. Неожиданный припадок может привести к падениям, травмам или к худшему, а постоянная неопределённость может быть столь же ограничивающей, как и сами припадки. В этом исследовании рассматривается способ прогнозирования припадков по записям мозговой активности с использованием носимой электроники, современных методов искусственного интеллекта и защищённого онлайн-хранения записей, чтобы пациенты и врачи могли получить несколько решающих минут предупреждения и лучше защитить повседневную жизнь.

Цифровая сеть безопасности вокруг пациента

В основе работы лежит идея умного здравоохранения, которое охватывает пациента в любой точке. Крошечные датчики, подключённые к Интернету, измеряют электрическую активность мозга, называемую ЭЭГ, и передают эти данные по беспроводным сетям на серверы больницы. Там программное обеспечение непрерывно сканирует поступающие сигналы, чтобы определить, находится ли мозг в нормальном состоянии или приближается к припадку. Поскольку информация содержит крайне чувствительные медицинские данные, система использует технологию блокчейн — подход, позаимствованный из цифровых финансов — для регистрации и обмена записями таким образом, чтобы их было трудно подделать и просто проверить. Только аутентифицированные врачи с соответствующими цифровыми ключами могут открыть данные пациента, которые организованы по отделениям и площадкам больницы.

Преобразование мозговых волн в ранние предупреждения

ЭЭГ-записи шумны: в них много помех от движений мышц, моргания и внешних источников. Исследователи сначала очищают сырые сигналы фильтрами, оставляя только частотный диапазон, наиболее релевантный активности мозга, связанной с припадками. Затем они сжимают каждый длинный сигнал в компактное описание, используя три класса признаков. Статистические признаки фиксируют, как распределены или искажены значения. Спектральные признаки описывают, как энергия сигнала распределена по частотам. Признаки Хьорста (Hjorth), классическая мера для ЭЭГ, суммируют, насколько сильным, подвижным и сложным является сигнал во времени. Вместе эти числа дают богатое, но управляемое представление о состоянии мозга, снижая вычислительную нагрузку по сравнению с обработкой сырых форм волн.

Более умная нейронная сеть, настроенная поиском, вдохновлённым природой

Для анализа этих признаковых снимков команда разработала модель глубокого обучения под названием двунаправленная сеть короткой памяти на базе Spizella, или SBTM. Она построена на типе рекуррентной нейронной сети, особенно хорошей для работы с последовательностями, такими как язык или временные ряды. «Двунаправленный» дизайн позволяет модели рассматривать закономерности в признаках ЭЭГ и в прямом, и в обратном временном направлении, помогая улавливать тонкое нарастание и спад, которые могут сигнализировать о приближении припадка. Вдобавок исследователи ввели новый метод оптимизации, вдохновлённый поведением небольших птиц и кугуаров при поиске пищи и уклонении от опасности. Этот оптимизатор «Spizella» автоматически настраивает многочисленные внутренние параметры сети так, чтобы она находила сочетания, наилучшим образом различающие шаблоны припадка и нормальной активности, избегая типичных проблем, таких как застревание в неудачных локальных решениях.

Тестирование на реальных пациентах и в реальных условиях

Система была оценена на хорошо известной коллекции ЭЭГ из детской больницы, а также на дополнительном наборе данных в режиме реального времени, оба содержащие записи пациентов с частыми припадками. Модель SBTM научилась отличать паттерны, связанные с припадками, от нормальной активности с заметным успехом: на основном наборе данных она достигла около 98% специфичности (т. е. очень мало ложных тревог) и примерно 97,5% чувствительности (т. е. редко пропускала истинные припадки), с общей точностью близкой к 97,5%. Важно, что это было достигнуто быстрее и с меньшими вычислительными затратами, чем у нескольких устоявшихся методов машинного обучения, и модель превзошла ряд конкурирующих моделей глубокого обучения, которые не использовали ту же конструкцию признаков или стратегию оптимизации.

Шаги к более безопасному и приватному уходу при эпилепсии

Для неспециалиста вывод таков: эта работа сочетает три мощные идеи — прогнозирование припадков по ЭЭГ заранее, компактную и эффективную нейросеть и защищённый обмен записями с помощью блокчейн — в единую систему. На практике такая система однажды могла бы позволить носимому устройству предупредить человека с эпилепсией, его семью и медицинскую команду за несколько минут до припадка, одновременно надёжно защищая их медицинские данные при передаче между устройствами и больницами. Хотя до широкого внедрения требуется больше испытаний и доработок, исследование указывает на будущее, в котором подключённые, интеллектуальные и ориентированные на приватность инструменты помогут людям с эпилепсией жить безопаснее и более независимо.

Цитирование: 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

Ключевые слова: эпилепсия, ЭЭГ, прогнозирование припадков, глубокое обучение, умное здравоохранение