Итеративная многоблочная рамочная система для обнаружения неврологических расстройств на основе высокочастотного ЭЭГ

Почему мозговые ритмы важны для ранней диагностики

Болезнь Альцгеймера и болезнь Паркинсона часто повреждают мозг за годы до появления явных симптомов, однако у врачей до сих пор нет быстрых и надежных инструментов для их раннего обнаружения. В этом исследовании представлен новый подход к чтению мозговых ритмов, записанных с помощью электроэнцефалографии (ЭЭГ), который фокусируется на самых быстрых ритмах мозга. Тщательно очищая эти зашумленные сигналы и передавая их в объяснимую систему искусственного интеллекта, авторы демонстрируют, что возможно выявлять неврологические нарушения с точностью, сравнимой, а иногда и превосходящей многие существующие методы.

Прослушивание самых быстрых мозговых ритмов

ЭЭГ фиксирует крошечные изменения напряжения на коже головы, когда сети нейронов активируются. Традиционно врачи и исследователи уделяли больше внимания медленным ритмам, таким как альфа- и тета-волны. Но все больше данных указывает на то, что высокочастотная «гамма»-активность, выше примерно 30 герц, может обнаруживать ранние признаки заболеваний — от тонких нарушений памяти до двигательных расстройств. К сожалению, эти быстрые сигналы легко скрываются за мышечными подергиваниями, морганиями и электрическими помехами. Стандартные инструменты, такие как хорошо знакомые преобразования Фурье и вейвлет-преобразования, работают лучше, когда сигналы стабильны во времени, чего нельзя сказать о реальной ЭЭГ. В результате многие клинически полезные детали в высокочастотной активности было сложно извлечь и легко ошибочно интерпретировать.

Очистка зашумленных мозговых сигналов

Чтобы решить эту задачу, авторы разработали многоступенчатый «конвейер», который рассматривает анализ ЭЭГ скорее как тщательно спроектированную производственную линию, а не как единый волшебный алгоритм. Сначала они используют подход, называемый преобразованием Хилберта–Хуанга в сочетании с модифицированным эмпирическим модальным разложением. Проще говоря, этот метод автоматически разбивает запутанный сигнал на более простые составляющие, которые лучше следуют реальным колебаниям мозга. Затем он отбрасывает компоненты, ведущие себя как шум — на основании их низкой энергии и сложности — при этом сохраняя быстрые осцилляции в гамма-диапазоне. Эта двухэтапная фильтрация существенно повышает отношение сигнал/шум, превращая загроможденную сырую запись в более чистое представление высокочастотной мозговой активности, которое с большей вероятностью отражает подлинные нейронные события, а не случайные артефакты.

Поиск наиболее показательных закономерностей

После очистки сигналов рамочная система фокусируется на наиболее информативных признаках. Вейвлет-пакетное разложение делит каждую компоненту ЭЭГ на несколько частотных полос, а мера, называемая энтропией Шеннона, оценивает, насколько каждая полоса сложна и информативна. Полосы с низкими оценками — те, которые добавляют больше избыточности, чем инсайта — отбрасываются, что сокращает набор признаков примерно на 60% при сохранении около 95% клинически релевантной информации. Важно, что система не полагается только на ЭЭГ. Клинические данные, такие как возраст, пол и история болезни, математически согласуются с ЭЭГ-признаками с помощью техники, называемой каноническим корреляционным анализом. Эта фьюзия создает общее пространство, в котором тонкие связи между активностью мозга и клиническим контекстом становятся легче обнаружимы для компьютера.

Как ИИ учится на мозговых ритмах

Слитыe данные затем анализируются моделью глубокого обучения, специально созданной для временно меняющихся мозговых сигналов. Архитектура сочетает сверточные слои, которые сканируют локальные шаблоны по каналам и частотам, с рекуррентными слоями, отслеживающими, как эти шаблоны эволюционируют покадрово. Механизм «внимания» присваивает больший вес временным отрезкам, которые кажутся наиболее диагностически значимыми — подобно тому, как клиницист сосредотачивается на подозрительном всплеске активности в записи. Чтобы система не была черным ящиком, в нее включены инструменты объяснимости, такие как Grad-CAM и интегральные градиенты. Они дают визуальные карты и оценки, подчеркивающие, какие частоты, временные окна и клинические переменные больше всего повлияли на каждое предсказание. В тестах на двух больших публичных базах ЭЭГ рамочная система достигла примерно 94% точности, с чувствительностью и специфичностью выше 92%, превосходя несколько сильных методов сравнения.

Что это может означать для пациентов

Для неспециалиста итог таков: эта работа демонстрирует, как тщательно организованная объяснимая система ИИ может превратить сложные, зашумленные ЭЭГ-записи в ясные, клинически значимые выводы. За счет лучшего использования быстрых мозговых ритмов и интеграции их с рутинной информацией о пациенте рамочная система обнаруживает ранние признаки таких расстройств, как Альцгеймер и Паркинсон, и при этом показывает врачам, почему она пришла к своим выводам. Хотя необходимы дальнейшие испытания на повседневных клинических и носимых ЭЭГ-данных, этот подход указывает на возможное появление прикроватных или даже домашних инструментов, которые могли бы раньше выявлять неврологические проблемы, помогать в выборе лечения и в итоге улучшать качество жизни миллионов людей, находящихся в группе риска нейродегенеративных заболеваний.

Цитирование: 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

Ключевые слова: ЭЭГ, неврологические расстройства, болезнь Альцгеймера, болезнь Паркинсона, мозговые ритмы