ИИ обработает активность мозга для интерфейсов «мозг — компьютер» и диагностики депрессии

12 Апреля 2022
ИИ обработает активность мозга для интерфейсов «мозг — компьютер» и диагностики депрессии

Исследователи из Сколтеха, НИУ ВШЭ и Института высшей нервной деятельности и нейрофизиологии РАН разработали набор инструментов и краудсорсинговую платформу для анализа электроэнцефалограмм — записей электрической активности мозга. Предложенное автоматизированное решение выделяет значимые компоненты сигнала ЭЭГ быстрее и с меньшей субъективностью, чем эксперты-медики. Чем больше учёных и врачей воспользуются новой платформой, тем больше будет совершенствоваться алгоритм. В перспективе платформа может стать площадкой для сообщества медиков, исследователей и энтузиастов, которые занимаются изучением сна, постинсультной реабилитацией, диагностикой эпилепсии, интерфейсами «мозг — компьютер» и др. Исследование опубликовано в журнале Frontiers in Neuroinformatics.

Snimok-ekrana-2022-04-08-v-20.36.33.png

Пространственное распределение электрической активности на поверхности головы. Левая и правая картинки — примеры того, как могут выглядеть две разные компоненты, выделенные из одного и того же ЭЭГ-сигнала. Источник: Сколтех Гурген Согоян и др./Frontiers in Neuroinformatics

Электроэнцефалография — неинвазивное измерение электрической активности мозга посредством прикладываемых к коже головы электродов. (Например, при помощи такого устройства, недавно разработанного в Сколтехе.) Полученные данные используются для исследования сна, диагностики эпилепсии, комы и др. состояний, управления гаджетами силой мысли и восстановления нормальной активности мозга, в том числе после инсульта.

ЭЭГ удобна тем, что это недорогая и неинвазивная процедура, но записанный сигнал получается весьма шумным, если сравнивать с имплантацией электродов непосредственно в мозг. При записи с поверхности головы каждый электрод регистрирует суммарную активность многих нейронов в расположенных под ним областях мозга, причём сигнал искажается, проходя через кость, кожу и другие ткани. Более того, полученная ЭЭГ может содержать следы посторонней электрической активности, связанной с морганием глаз, сердцебиением и даже током в электросети, от которой питается медицинское оборудование.

«Таким образом, есть две проблемы. Во-первых, сигнал „грязный“, и из него надо вычесть всё лишнее — вклад от движения головы, дыхания, потоотделения и т. д. Во-вторых, в каждый момент времени в мозге параллельно идёт множество когнитивных процессов, поэтому даже „чистый сигнал“ представляет собой сумму соответствующих им компонент. Для некоторых задач важна конкретная составляющая, например моторная активность, отвечающая за движение конечностей», — рассказал руководитель исследования, старший научный сотрудник Сколтеха Максим Шараев.

Реальная электроэнцефалограмма складывается из ряда независимых друг от друга компонент, включающих разные когнитивные процессы и шумы. Предобработка ЭЭГ обычно состоит в разложении сигнала опытным специалистом, который оценивает вклады разных компонент. Это кропотливый и во многом субъективный анализ.

«Мы автоматизировали этот процесс и устранили субъективность при помощи машинного обучения. Наш алгоритм, обученный на сотнях электроэнцефалограмм, размеченных разными экспертами, убирает шум и распознаёт отдельные компоненты сигнала», — объяснил Шараев.

Исследователь уточнил, что подобные попытки предпринимались и прежде, но преимущество нового решения в том, что оно базируется на специально созданной краудсорсинговой платформе. Широкий круг экспертов может дополнять базу новыми ЭЭГ, записанными на другом оборудовании и с другими пациентами, а также заново размечать исходные данные. Это значит, что со временем платформа может стать центром сообщества по анализу ЭЭГ, и по мере привлечения новых специалистов искусственный интеллект будет выдавать всё более точные результаты.

Вполне возможно, что в какой-то момент большое количество накопленных данных позволит диагностировать по ЭЭГ не только такие заболевания, как эпилепсия, при которых аномальная активность мозга ярко выражена, но и, например, клиническую депрессию, шизофрению, аутизм. «Над этим мы тоже работаем, но пока эта область исследований только набирает обороты и не внедрена в клиническую практику», — добавил Шараев.

Другое важное приложение — интерфейсы «мозг — компьютер», которые преобразовывают считанный с мозга сигнал в команды ко внешним или имплантированным устройствам. Такая технология используется как для компенсации утраченных функций организма, так и для развлечения: команда может, скажем, приводить в движение экзоскелет для движения парализованной конечностью или включать телевизор силой мысли. «Мы в этой работе показали, что алгоритм в состоянии распознать так называемый мю-ритм — компоненту сигнала, связанную с целенаправленным движением частей тела», — отметил учёный.

Другое, смежное применение ЭЭГ — постинсультная реабилитация, в ходе которой пациент обучается вызывать активность в пострадавшем участке мозга путём мыслительных операций. При этом он использует графически представленную обратную связь на экране компьютера.

Фундаментальные исследования когнитивных способностей человека также опираются на данные ЭЭГ. К этому направлению относится наука сна и эксперименты, в рамках которых подопытные выполняют разного рода задачи в то время, как ведётся запись их мозговой активности. Таким образом, в частности, можно установить, какие отделы мозга задействованы в том или ином когнитивном процессе.

«Для нас главное в этом проекте — потенциал для коллабораций, — подчеркнул Шараев. — Если говорить о Сколтехе, то это сотрудничество между нашим Центром прикладного искусственного интеллекта и сокращения углеродного следа и Центром нейробиологии и нейрореабилитации имени Владимира Зельмана. Но мы надеемся, что и за пределами института создадим мощное сообщество исследователей и инженеров, которые так или иначе работают с ЭЭГ».

«Для тестирования алгоритмов машинного обучения и функционала платформы, описанных в статье, наряду с данными взрослых использовались данные ЭЭГ детей. Мы записывали данные вместе со студентами Вышки, — рассказала один из авторов статьи, старший научный сотрудник Института нейрокогнитивных наук НИУ ВШЭ, заведующая Лабораторией высшей нервной деятельности человека ИВНД и НФ РАН Ольга Мартынова. — Инструменты ИИ и краудсорсинговый принцип сбора данных ЭЭГ и мнений экспертов могут помочь отслеживать развитие мозга ребёнка, проводить раннюю диагностику нарушений и своевременную профилактику и реабилитацию возможных нарушений развития. Данные ЭЭГ, записанные у детей, особенно „загрязнены“ шумами, связанными с неусидчивостью юных участников исследований. Разработка автоматизированных алгоритмов очистки данных ЭЭГ и выделения признаков нарушений активности мозга — одно из ведущих направлений современной нейробиологии развития».


Текст: пресс-служба Сколтеха

Soghoyan Gurgen, Ledovsky Alexander, Nekrashevich Maxim, Martynova Olga, Polikanova Irina, Portnova Galina, Rebreikina Anna, Sysoeva Olga, Sharaev Maxim. A Toolbox and Crowdsourcing Platform for Automatic Labeling of Independent Components in Electroencephalography. Frontiers in Neuroinformatics. DOI: 10.3389/fninf.2021.720229

фото: freepik.com