Квантово-вдохновлённая генерация признаков для объяснимой классификации сигналов ЭЭГ

Слушая мозг новыми глазами

Врачи и исследователи всё чаще полагаются на электроэнцефалографию (ЭЭГ) для мониторинга состояния мозга — от эпилепсии и стресса до тяжёлых заболеваний, таких как боковой амиотрофический склероз (БАС) и психоз. Но записи ЭЭГ шумны, сложны и трудны для интерпретации, что ограничивает скорость и надёжность их использования в реальных решениях. В этой статье предложен новый, лёгкий способ считывания шаблонов ЭЭГ, который заимствует идеи из квантовой физики и при этом остаётся объяснимым, предлагая потенциальный путь к более быстрым и прозрачным диагностическим инструментам для мозга.

Почему мозговые волны сложно читать

ЭЭГ фиксирует крошечные электрические сигналы с множества точек на коже головы. Эти сигналы меняются от момента к моменту, легко загрязняются при моргании и движениях мышц и сильно различаются у разных людей. Современные глубокие нейросети могут классифицировать такие данные с высокой точностью, но часто требуют больших наборов данных, мощных компьютеров и ведут себя как «чёрные ящики», не объясняя, почему принято то или иное решение. Для медицины, однако, клиницистам нужны и высокая точность, и ясные, биологически осмысленные объяснения — особенно при диагностике серьёзных состояний, таких как эпилепсия, БАС, стресс-ассоциированные проблемы или психотические расстройства.

Квантово-вдохновлённый взгляд на активность мозга

Авторы предлагают новый способ извлечения информации из сигналов ЭЭГ, называемый Шаблон квантово-запутанных частиц (QEPP). Вместо того чтобы обрабатывать каждый канал ЭЭГ по отдельности, QEPP берёт пары каналов и дополнительно анализирует разницу между ними, что отсылает к тому, как в квантовой механике «запутанные» частицы определяются их совместным состоянием, а не каждым по отдельности. Эти три сигнала — два исходных и их разница — затем преобразуются посредством переупорядочивания значений, подчёркивая взаимосвязи между ними, а не точные амплитуды. Второй шаг, называемый Последовательной и Комбинационной Таблицей Переходов, считает, как эти переупорядоченные состояния меняются во времени и между парами, формируя компактные признаки, суммирующие сотрудничество и конкуренцию мозговых областей. Такая конструкция призвана захватывать сложное, сетево-подобное поведение мозга без необходимости тяжёлых моделей глубокого обучения.

От признаков к решениям и объяснениям

Чтобы превратить эти квантово-вдохновлённые признаки в практические решения, авторы встроили QEPP в объяснимую рамку инженерии признаков. Сначала автоматический селектор CWINCA ищет наиболее информативные признаки, итеративно тестируя подмножества и сохраняя те, которые лучше всего разделяют клинические группы. Затем настроенный k-ближайших соседей (tkNN) экспериментирует с различными мерами расстояния и параметрами и выбирает конфигурацию, дающую наибольшую точность предсказаний. Важный момент: метод отслеживает, какие каналы ЭЭГ вносят вклад в выбранные признаки, и отображает их в символические области мозга, такие как лобная, височная или затылочная доли. Используя символическую схему, названную Directed Lobish, система строит простые «предложения» и диаграммы коннектома, показывающие, какие доли наиболее активно участвуют в каждой задаче, а также даёт меры того, насколько сложны или предсказуемы полученные шаблоны.

Испытание метода

Исследователи оценили свою рамку на шести весьма разных задачах с ЭЭГ: обнаружение БАС, удаление артефактов, распознавание стресса, различение состояний, связанных с насилием, идентификация психоза и классификация эпилепсии. Эти наборы данных различаются по размеру, числу каналов и балансу классов, что даёт строгую проверку обобщаемости. При десятикратной кросс-валидации модель превысила 90% точности по всем шести задачам и достигла 100% в четырёх из них (стресс, насилие, психоз и эпилепсия), при этом показывая высокую производительность даже в более строгих схемах с разделением по участникам. Сравнение с традиционными вейвлет-, коннективными и временно-частотными признаками показало, что признаки QEPP последовательно оказываются более информативными. По сравнению с базовыми глубокими моделями новый метод достиг сопоставимой или лучшей точности при значительно меньших затратах времени и памяти и может комфортно выполняться на обычном настольном компьютере.

Что показывают карты мозга

Слой интерпретируемости выявляет паттерны, согласующиеся с текущими нейронаучными представлениями. Для обнаружения БАС активно вовлечены центральные и лобные области, связанные с движением и планированием, что указывает на как моторную дегенерацию, так и компенсаторные механизмы контроля. При выявлении стресса доминируют правые лобные зоны, что соответствует эмоциональной регуляции и исполнительному контролю. Сигналы, связанные с насилием, вовлекают вместе лобные, теменные и затылочные области, отражая сочетание принятия решений, сенсорной обработки и визуального внимания. Психоз демонстрирует наиболее сложную и широко распространённую связность, что созвучно идеям о том, что он возникает из нарушенной коммуникации между сетями мозга, а не из одной «сломавшейся» области. Эпилепсия, напротив, показывает высоко предсказуемые паттерны, сосредоточенные во височной доле, что соответствует типичному очагу многих приступов. Эти результаты свидетельствуют о том, что модель не просто запоминает метки, а улавливает значимые сетевые сигнатуры разных состояний.

Почему это важно для будущих инструментов мониторинга мозга

Для неспециалиста главный вывод таков: возможно создать простые, быстрые и прозрачные инструменты для чтения мозговых волн, которые работают не хуже, а иногда и лучше тяжеловесных систем глубокого обучения. Анализируя каналы ЭЭГ попарно и фокусируясь на их взаимосвязях, этот квантово-вдохновлённый метод находит паттерны, которые обобщаются между расстройствами и при этом указывают на конкретные области и сети мозга. При дальнейшей валидации такие подходы могут поддерживать мониторинг в реальном времени в клиниках или даже в домашних условиях, помогая обнаруживать приступы, отслеживать стресс или наблюдать прогрессирование неврологических болезней, при этом предоставляя клиницистам интуитивные карты происходящего в мозге.

Цитирование: Alotaibi, F.A., Yagmahan, M.S.N., Alobaid, K.A. et al. Quantum inspired feature engineering for explainable EEG signal classification. Sci Rep 16, 12424 (2026). https://doi.org/10.1038/s41598-026-41821-8

Ключевые слова: классификация сигналов ЭЭГ, квантово-вдохновлённые признаки, объяснимый ИИ, связность мозга, обнаружение неврологических расстройств