Прогнозирование приступов на основе одноуровневого ЭЭГ с использованием глубокого обучения

Почему важно предсказывать приступы

Для многих людей с эпилепсией приступы приходят внезапно, нарушая работу, учёбу и повседневную жизнь. Система, которая могла бы надёжно предупредить о приближающемся приступе, даже за несколько минут, дала бы пациентам время сесть или лечь в безопасном месте, позвать на помощь или приостановить рискованную деятельность, например вождение или готовку. В этом исследовании изучается, можно ли получить такие предупреждения с помощью одного небольшого датчика мозговых волн, вместо полной шапочки больничных электродов, используя компактную форму искусственного интеллекта, которая в будущем могла бы работать в носимом устройстве.

Более простой способ отслеживать активность мозга

Большая часть исследований по прогнозированию приступов опирается на сложные записи с множеством электродов, размещённых по всей коже головы. Такие системы хорошо работают в лабораториях, но громоздки, потребляют много энергии и неудобны для круглосуточного ношения. Исследователи сосредоточились на «одно-канальных» записях, которые фиксируют активность мозга лишь в одном месте одновременно. Они выбрали шесть позиций электродов на лбу, виске и затылке, которые были бы практичны для лёгкой повязки или пластыря. Ключевой вопрос заключался в том, сможет ли один хорошо расположенный датчик уловить тонкие изменения мозговой активности, которые часто нарастают перед приступом.

Обучение маленького считывателя мозговых волн

Чтобы превратить сырые мозговые волны в данные, пригодные для обучения компьютера, команда разрезала сигналы на сегменты по 10 секунд и преобразовала каждый фрагмент в своего рода изображение, показывающее, как сила сигнала меняется по разным частотам во времени. Эти изображения затем подавались в упрощённую модель глубокого обучения, вдохновлённую MobileNet — семейством нейронных сетей, спроектированных для работы на телефонах и других энергоограниченных устройствах. Тщательно обрезав слои и соединения, авторы сократили модель до чуть менее 38 000 настраиваемых параметров — крошечная доля от размера многих современных систем распознавания изображений — при этом сохранив способность выявлять полезные закономерности, связанные с приступами.

Определение полезного времени предупреждения

С точки зрения пациента не каждое корректное обнаружение одинаково полезно. Предупреждение, пришедшее слишком поздно, мало защищает, тогда как слишком раннее может вызвать ненужную тревогу. Поэтому в исследовании приняли чёткие временные правила, отражающие реальные потребности. Для каждого приступа исследователи определили зону «без предупреждения», покрывающую 2 минуты непосредственно перед началом, когда уже трудно успеть отреагировать. 30-минутный интервал перед этой зоной рассматривался как истинное окно предсказания: предупреждение считается успешным, если приступ следует в пределах этого промежутка. Для обучения и тестирования модели использовались только данные из этого окна и явно нормальные периоды, удалённые от каких-либо приступов.

Насколько хорошо работала система

Модель проверяли на двух группах пациентов: взрослых с лекарственно-резистентной фокальной эпилепсией, лечившихся в больнице Сеульского национального университета, и детях и молодых людях из широко используемого публичного набора данных. Для каждого человека система обучалась и оценивалась только на его собственных данных, имитируя то, как будущие устройства могли бы адаптироваться к своему носителю. По всем пациентам модель правильно классифицировала примерно 86–91% 10-секундных сегментов при относительно низком уровне ложных срабатываний. При оценке на уровне целых приступов и с учётом строгих временных правил модель успешно предсказала около 95% приступов в больничной группе и 98% в публичном наборе данных. Любопытно, что электроды на лбу показали себя лучше всего, и близость к медицински определённой зоне начала приступа не обязательно повышала точность.

Что это может значить для повседневной жизни

Эти результаты указывают, что один небольшой датчик мозговых волн в сочетании с очень эффективным алгоритмом обучения может дать надёжные ранние предупреждения о многих приступах в практически полезном 30-минутном окне. Хотя необходимо провести больше исследований на больших и более разнообразных группах пациентов и уточнить выбор каналов для каждого человека, исследование наводит на мысль о системах прогнозирования приступов, которые можно было бы комфортно носить долгое время и которые работали бы при ограниченной ёмкости батареи. Такие инструменты не будут предотвращать приступы, но могут дать людям с эпилепсией больше контроля и уверенности при планировании повседневных дел.

Цитирование: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Ключевые слова: эпилепсия, прогнозирование приступов, ЭЭГ, носимые устройства, глубокое обучение