Разработка алгоритма детектирования медленной пик-волновой активности при бессудорожных формах эпилепсии

Известия высших учебных заведений. Прикладная нелинейная динамика. 2024. Т. 32. № 2. С. 223–228.

Белокопытов А. С., Макарова М. М., Саламатин М. И., Редкозубова О. М.

. Цель данного исследования заключается в разработке классификатора, способного в режиме реального времени определять типичные абсансы на основе данных электроэнцефалограммы, с использованием модели опорных векторов. Методы. Для обучения модели опорных векторов использовались участки электроэнцефалограммы, предварительно помеченные специалистом как содержащие типичные абсансы. В качестве признаков для классификации выделены ключевые характеристики, такие как число пересечений нуля, кросс-корреляция между двумя последовательными окнами, спектральная мощность в различных диапазонах частот и среднеквадратическое отклонение мгновенной мощности сигнала. Результаты. Сформированы обучающая и тестировочная выборки, включающие окна электроэнцефалограммы с различными типами артефактов. Модель опорных векторов была обучена, протестирована и показала высокую эффективность. Разработанный алгоритм может быть интегрирован в мобильное приложение и использован совместно с носимым электроэнцефалографом на сухих электродах для детекции типичных абсансов в режиме реального времени. Заключение. Результаты исследования подтверждают перспективность применения методов машинного обучения для автоматического детектирования и протоколирования эпилептической активности. Однако для уверенного вывода требуется дальнейшее тестирование на большем объеме данных, включая данные, собранные с использованием беспроводного электроэнцефалографа на сухих электродах. Следующим этапом будет подбор подходящего устройства и создание мобильного приложения для сбора и анализа данных в режиме реального времени.

Ключевые слова: машинное обучение, метод опорных векторов, ЭЭГ, электроэнцефалограмма, Support Vector Machine, эпилепсия, Electroencephalography (EEG), absence epilepsy, dynamic classifier, real-time detection, динамический классификатор, Machine learning

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Математические методы интерпретации сигналов активности головного мозга и экспериментальные парадигмы для прикладных и фундаментальных исследований (2024)