Электроэнцефалография помогает измерять электрическую активность мозга с помощью прикладываемых к голове электродов. Полученные данные используются для исследования сна, диагностики эпилепсии, комы и других состояний, управления гаджетами силой мысли и восстановления нормальной активности мозга, в том числе после инсульта.
При постинсультной реабилитации пациент обучается вызывать активность в пострадавшем участке мозга с помощью мыслительных операций. При этом он опирается на графически представленную обратную связь на экране компьютера.
Фундаментальные исследования когнитивных способностей человека также опираются на данные ЭЭГ. К этому направлению относятся наука сна и эксперименты, в рамках которых подопытные выполняют разные задачи, в то время как их мозговая активность записывается. Таким образом, в частности, можно установить, какие отделы мозга задействованы в том или ином когнитивном процессе.
Однако записанный с помощью ЭЭГ сигнал получается шумным, если сравнивать с имплантацией электродов прямо 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. Полученная ЭЭГ может также содержать следы посторонней электрической активности, связанной с морганием, сердцебиением и даже током в электросети, от которой питается медицинское оборудование.
Таким образом, есть две проблемы:
- сигнал грязный, и из него надо вычесть всё лишнее — вклад от движения головы, дыхания, потоотделения и т. д.;
- в каждый момент 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.
Итак, 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 вклад разных компонент.
Исследователи Сколтеха, НИУ ВШЭ и Института высшей нервной деятельности и нейрофизиологии РАН автоматизировали этот процесс и устранили субъективность при помощи машинного обучения. Алгоритм, обученный на сотнях электроэнцефалограмм, размеченных разными экспертами, убирает шум и распознаёт отдельные компоненты сигнала.
Автоматизировать этот процесс пытались и раньше, но преимущество нового решения в том, что оно базируется на специально созданной краудсорсинговой платформе.
Эксперты могут дополнять базу новыми ЭЭГ, записанными на другом оборудовании и других пациентах, а также заново размечать исходные данные. Это значит, что платформа может стать центром сообщества по анализу ЭЭГ и по мере привлечения новых специалистов искусственный интеллект будет выдавать всё более точные результаты.
Для тестирования алгоритмов машинного обучения и функциональности платформы вместе с данными взрослых использовались и ЭЭГ детей. Инструменты ИИ, краудсорсинговый принцип сбора данных ЭЭГ и мнений экспертов могут помочь отслеживать развитие мозга ребёнка, проводить раннюю диагностику нарушений, своевременную профилактику и реабилитацию возможных нарушений развития. Из-за неусидчивости детей данные их ЭЭГ особенно загрязнены шумами, поэтому разработка автоматизированных алгоритмов очистки данных ЭЭГ и выделения признаков нарушений активности мозга — одно из важных направлений современной нейробиологии развития.
Накопленные данные, возможно, позволят по ЭЭГ выявить не только такие заболевания, как эпилепсия, при которых аномальная активность мозга ярко выражена, но и, например, клиническую депрессию, шизофрению и аутизм.
