Модель машинного обучения выявила болезнь Паркинсона по сигналам ЭЭГ
Многие страны сталкиваются с проблемой старения населения. По оценкам ВОЗ, к 2050 году более 20% жителей Земли будут старше 60 лет. Это увеличивает риск широкого распространения нейродегенеративных заболеваний, таких как деменция, болезни Альцгеймера и Паркинсона и других. Поэтому специалисты стараются усовершенствовать методы их диагностики, которые позволят выявлять и лечить возрастные нарушения нервной системы на самых ранних стадиях, тем самым уменьшая необратимые повреждения головного мозга, а также повышая качество и продолжительность жизни пациентов.
Наиболее точно определить болезнь Паркинсона позволяет анализ электроэнцефалограммы — записи электрической активности головного мозга, — поскольку она достоверно различается у здоровых и больных людей. Кроме того, сигналы ЭЭГ удобны не только для диагностики болезни, но и ее последующего мониторинга, так как их могут регистрировать не только врачи с помощью установленного в больницах оборудования, но и портативные устройства, позволяющие отслеживать состояние пациента вне медицинских учреждений практически в режиме реального времени. И хотя существующие алгоритмы, обрабатывающие данные ЭЭГ и выдающие прогноз заболевания, уже показывают высокую точность — более 99%, — они сложны и энергоемки, а потому не всегда могут использоваться в «слабых» портативных медицинских устройствах.
Ученые из Петрозаводского государственного университета (Петрозаводск) с коллегой из Кувейтского колледжа науки и технологий (Кувейт) разработали алгоритм машинного обучения для диагностики и мониторинга болезни Паркинсона по данным ЭЭГ, который может использоваться в портативных медицинских устройствах малой мощности.
Авторы записали электроэнцефалограммы 20 здоровых людей и 20 пациентов с болезнью Паркинсона. Для их анализа разработали алгоритм, который обрабатывал данные в несколько этапов. Сначала он «отсекал» электрические сигналы, соответствующие низкочастотным и высокочастотным шумам, то есть не несущие никакой информации о работе головного мозга. Оставшиеся «информативные» диапазоны частот программа использовала, чтобы математическими методами выявить признаки ЭЭГ, отличающие здоровых людей от больных. В результате модель машинного обучения позволила определить 11 признаков, опираясь на которые, можно с точностью 99,9% выявить болезнь Паркинсона. Эти признаки оказались связаны с медленными дельта- и тета-ритмами электрической активности мозга, в норме свойственными состоянию покоя или сна. У людей с болезнью Паркинсона эти ритмы более выражены, а потому могут использоваться при диагностике. При расчетах применялась нечеткая энтропия (Fuzzy entropy), которая показала высокую эффективность по сравнению с другими подходами.
Также авторы экспериментально показали, что использование 11 ключевых признаков вместо всех данных ЭЭГ позволяет сократить время работы алгоритма в 11 раз (до сотых долей секунды). Это значит, что программа требует на порядок меньше вычислительных ресурсов, чем аналогичные инструменты.
«Предложенный алгоритм определяет болезнь Паркинсона по ЭЭГ с минимальными вычислительными затратами, а значит будет работать даже на маломощных бытовых устройствах интернета вещей. Такое устройство превращается в цифрового ассистента, который отслеживает состояние здоровья пациента в повседневной жизни. Это позволит ускорить цифровизацию медицины, следить за состоянием пациентов, по тем или иным причинам не способных регулярно посещать медицинские центры. Предложенный алгоритм станет одним из многих элементов разрабатываемой нами концепции “бионического костюма” для человека, который позволит обеспечить комплексный неинвазивный мониторинг состояния здоровья, в том числе в реальном времени», — рассказывает руководитель проекта, поддержанного грантом РНФ, Дмитрий Корзун, кандидат физико-математических наук, доцент кафедры информатики и математического обеспечения и научный руководитель центра искусственного интеллекта Петрозаводского государственного университета.
Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в международном журнале Sensors.
