Исследователи из Вашингтонского университета в школы Сент-Луиса’ Маккелви инженерных объединили искусственного интеллекта с теорией систем, чтобы разработать более эффективный способ выявить и точно определить эпилептический припадок в режиме реального времени.
Их результаты были опубликованы 26 мая в журнале Научные доклады.
Исследование из лаборатории-младший-Шин Ли, профессор в зеленом отдела М. электрическое и инженерных систем Престон, и возглавил Вальтер Bomela, постдокторант в лаборатории ли.
Также в исследовательской группе были Шуо Ван, бывший ученик Ли, а ныне помощник профессора в Университете штата Техас в Арлингтоне, и Чу-в ЧОУ Северо-Восточного университета.
«Наша техника позволяет нам получить исходные данные, обрабатывать ее и извлекать функцию, которая более информативным для модели машинного обучения для использования», — сказал Bomela. «Основным преимуществом нашего подхода является предохранителем сигналы от 23 электродами с одним параметром, который может быть эффективно обработаны с гораздо меньше вычислительных ресурсов».
В науке о мозге, в нынешнем понимании большинства припадков заключается в том, что они происходят тогда, когда нормальная деятельность мозга прерывается сильная, внезапная гипер-синхронизированная стрельба из кластера нейронов. Во время приступа, если человек подключили электроэнцефалограф-аппарат, известный как ЭЭГ, который измеряет электрические сигналы — аномальная активность мозга, является как усиленный шип-волновых разрядов.
«Но захват точность обнаружения не так хорош, когда применяется временное ЭЭГ сигналы», — сказал Bomela. Команда разработала метод сетевого вывода, чтобы облегчить обнаружение захват и определить его местонахождение с повышенной точностью.
Во время сеанса ЭЭГ, человек имеет электроды, прикрепленные к разным пятнам на его/ее голове, каждая запись электрической активности вокруг этой точки.
«Мы обращались с ЭЭГ электродов в качестве узлов сети. С помощью записей (рядов данных) из каждого узла, мы разработали управляемый данными подход к выводу, изменяющиеся во времени подключения в сеть или связи между узлами», — сказал Bomela. Вместо того, чтобы смотреть только на данные ЭЭГ — пики и сильные стороны отдельных сигналов — техника сети считает отношения. «Мы хотим определить, как области мозга взаимодействует с другими», — сказал он.
Это сумма этих отношений, образующих сеть.
Если у вас есть сеть, вы можете измерить целостно его параметров. Например, вместо измерения силы сигнала, в общей сети может быть оценена на прочность. Есть один параметр, называемый Фидлера на собственные значения, которая имеет конкретное использование. «Когда захват происходит, вы увидите этот параметр начинают увеличиваться», — сказал Bomela.
И в теории сети, Фидлер собственное значение также имеет отношение к сети синхронность — чем больше значение, тем более в сети синхронно. «Это согласуется с теорией, что во время захвата, активность мозга синхронизируется», — сказал Bomela.
Уклон в сторону синхронизации также помогает избавиться от артефактов и шума. Если человек, например, чешет руку, соответствующей активности мозга будет запечатлен на некоторых ЭЭГ-электродов или каналы. Это не, Однако, быть синхронизированы с судорожной активности. Таким образом, это сетевая структура по сути не уменьшает значимости несвязанных сигналов; существенное увеличение Фидлера собственное значение только в деятельности мозга, которые находятся в синхронизации.
В настоящее время эта методика работает для каждого пациента. Следующим шагом является интеграция машинного обучения для обобщения методом для выявления различных типов припадков на пациентов.
Идея в том, чтобы использовать различные параметры, характеризующие сеть и использовать их как возможности для обучения алгоритма машинного обучения.
Bomela уподобляет образом это будет работать для программного обеспечения распознавания лиц, который измеряет различные характеристики — глаза, губы и т. д.-делать обобщения на основе этих примеров можно признать любое лицо.
«Сеть как лицо», — сказал он. «Вы можете извлекать различные параметры от сети индивида, такими, как коэффициент кластеризации или центральной близость … чтобы помочь машинного обучения различать разные припадки».
Это потому, что в теории сети, сходство в конкретные параметры, связанные с конкретными сетями. В данном случае, эти сети будут соответствовать различные типы захватов.
Один день, человек с эпилепсией может носить устройство аналогичной инсулиновой помпы. Как нейроны начинают синхронизировать, устройство будет доставлять медикаменты или электрических помех для остановки захвата в свои треки.
Прежде чем это может произойти, исследователи должны лучше понять нейронные сети.
«Хотя конечная цель-доработать методику для клинического применения, сейчас мы сосредоточены на разработке методов для выявления судороги, резкие изменения в активности мозга,» сказал Ли. «Эти изменения фиксируются на лечении головного мозга в сети в наше нынешнее метод».