Модель временно-частотно перекрёстного внимания для обнаружения эпилептических приступов

Почему важно обнаруживать приступы быстрее

Для людей с эпилепсией приступы часто возникают внезапно, нарушая работу, учебу и повседневную жизнь, а в тяжёлых случаях угрожая жизни. Врачи используют электроэнцефалографию (ЭЭГ) — крошечные следы напряжения, снимаемые с электродов на коже головы — чтобы выявлять опасную активность мозга, однако просмотр часов «завитушек» вручную медленный, утомительный и сильно зависит от экспертной оценки. В этом исследовании предложен новый подход на основе искусственного интеллекта, который «читает» ЭЭГ ближе к тому, как это делает опытный специалист: он смотрит не только на изменения сигнала во времени, но и на его внутренние ритмы, объединяя оба представления для точного обнаружения приступов и других опасных паттернов.

Два способа взгляда на мозговые волны

Записи ЭЭГ можно рассматривать двумя дополняющими друг друга способами. Первый — знакомое временное представление: как напряжение меняется от момента к моменту. Второй — частотное представление: сколько энергии сигнала сосредоточено в медленных, средних или быстрых ритмах мозга. Многие ранние компьютерные модели в основном опирались на временную структуру или рассматривали частотную информацию как простое дополнение. Между тем неврологи давно знают, что некоторые типы приступов тесно связаны с определёнными ритмическими паттернами. Авторы утверждают, что более умная система должна рассматривать время и частоту как одинаково важные и, что важно, учиться тому, как они соотносятся друг с другом, а не просто складывать их рядом.

Двухпутевой ИИ, который «слушает» и «чувствует ритм»

Исследователи предлагают модель, которую называют Time-Frequency Cross-Attention Network (TFCANet). Она начинает с сырых ЭЭГ-сигналов, снятых с нескольких электродов. Одна ветвь сети сосредоточена на временных рядах: она использует специализированные блоки, которые сначала выделяют локальные паттерны, а затем применяют механизм внимания, фокусирующийся на важных моментах сигнала и игнорирующий менее информативные отрезки. Параллельно вторая ветвь преобразует те же сигналы в их частотное содержание с помощью быстрого математического преобразования, а затем пропускает эту информацию через модули, предназначенные для выделения наиболее информативных каналов и ритмических полос при подавлении шума и избыточности.

Обучение модели связывать паттерны в разных представлениях

Простое склеивание выходов временной и частотной ветвей оказывается недостаточным. Вместо этого TFCANet использует шаг перекрёстного внимания, вдохновлённый недавними достижениям в областях языка и компьютерного зрения. На этом этапе временные признаки играют роль контекста и задают вопрос: «С учётом того, что происходит в данный момент сигнала, какие частотные паттерны наиболее релевантны?» Модель выборочно выделяет соответствующие частотные признаки и ослабляет не относящиеся к делу. Такая динамическая взаимодействия позволяет сети обнаруживать тонкие связи между тем, когда разворачивается подозрительное событие, и какими ритмическими «отпечатками» оно помечается как приступ или другой вредоносный паттерн.

Проверка системы

Чтобы оценить работу TFCANet, авторы протестировали её на двух широко используемых наборах ЭЭГ. Один — классический исследовательский набор данных Университета Бонна, содержащий аккуратно сегментированные примеры нормальной активности, тихих периодов между приступами и самих приступов. Другой — гораздо крупнее и ближе к клинической реальности набор с недавнего соревнования на Kaggle, где экспертные команды пометили разнообразные формы вредной активности мозга, такие как приступы и несколько типов аномальных ритмических разрядов. После балансировки обучающих данных и применения стандартных шагов очистки команда сравнила TFCANet с рядом современных моделей глубокого обучения, основанных на свёртках, рекуррентных слоях, трансформерах и более простых временно-частотных комбинациях.

Результаты, приближающие решение к реальной практике

На обоих наборах данных TFCANet стабильно сравнивался с конкурентами или превосходил их. На большом наборе Kaggle он правильно классифицировал пять основных типов вредной активности мозга более чем в 96% случаев, а на наборе Бонна превысил 93% точности при различении пяти различных состояний. Тщательные «абляционные» эксперименты — где части модели удаляют или заменяют — показали, что как модули внимания по каналам, так и, в особенности, шаг перекрёстного внимания при слиянии являются ключевыми для этих улучшений. Даже при использовании данных одного канала, где некоторые модули менее эффективны, механизм перекрёстного внимания по-прежнему улучшал результаты по сравнению с простым объединением признаков.

Что это значит для пациентов и врачей

Проще говоря, эта работа показывает, что компьютеров можно обучить читать ЭЭГ более полно и тонко, совместно учитывая, когда происходят события, и какие ритмы им сопутствуют, а также изучая, как эти два представления взаимно обогащают друг друга. Хотя TFCANet пока проверяли на исследовательских и соревновательных данных, его устойчивые и высокие результаты позволяют предположить, что он может стать практическим помощником в больницах: непрерывно отслеживать долгие записи, помечать подозрительные эпизоды для проверки и помогать клиницистам быстрее и последовательнее реагировать на опасную активность мозга. По мере того как будущие исследования адаптируют этот подход к более длинным записям и различным клиническим условиям, такие временно-частотно ориентированные системы могут стать ключевой частью более безопасного и надёжного мониторинга приступов.

Цитирование: Wang, R., Tian, L., Li, M. et al. A time-frequency cross-attention network model for epileptic seizure detection. Sci Rep 16, 13441 (2026). https://doi.org/10.1038/s41598-026-41636-7

Ключевые слова: обнаружение эпилептических приступов, глубокое обучение ЭЭГ, временно-частотный анализ, механизмы внимания, обработка сигналов мозга