Τεχνητή νοημοσύνη εντοπίζει επιληπτικές κρίσεις σε πραγματικό χρόνο

Ερευνητές από το Πανεπιστήμιο της Ουάσινγκτον στη Σχολή Μηχανικών του McLelvey του St. Louis έχουν συνδυάσει την τεχνητή νοημοσύνη με τη θεωρία συστημάτων για να αναπτύξουν έναν πιο αποτελεσματικό τρόπο για τον εντοπισμό και την ακριβή αναγνώριση μιας επιληπτικής κρίσης σε πραγματικό χρόνο. Τα αποτελέσματά τους δημοσιεύθηκαν στο περιοδικό Scientific Reports .

Η έρευνα προέρχεται από το εργαστήριο του Jr-Shin Li, καθηγητή στο Τμήμα Ηλεκτρολόγων Μηχανικών & Συστημάτων του Preston M. Green, και επικεφαλής του Walter Bomela, μεταδιδακτορικού συνεργάτη στο εργαστήριο του Li. Επίσης στην ερευνητική ομάδα ήταν ο Shuo Wang, πρώην μαθητής του Li’s και τώρα επίκουρος καθηγητής στο Πανεπιστήμιο του Τέξας στο Arlington, και Chu-An Chou του Northeastern University.

“Η τεχνική μας μας επιτρέπει να λαμβάνουμε ανεπεξέργαστα δεδομένα, να τα επεξεργαζόμαστε και να εξάγουμε ένα χαρακτηριστικό που είναι πιο ενημερωτικό για τη χρήση του μοντέλου μηχανικής μάθησης”, δήλωσε ο Bomela. “Το σημαντικότερο πλεονέκτημα της προσέγγισής μας είναι η σύντηξη σημάτων από 23 ηλεκτρόδια σε μία παράμετρο που μπορεί να υποστεί αποτελεσματική επεξεργασία με πολύ λιγότερους υπολογιστικούς πόρους.”

Στην επιστήμη του εγκεφάλου, η τρέχουσα κατανόηση των περισσότερων επιληπτικών κρίσεων είναι ότι συμβαίνουν όταν η φυσιολογική εγκεφαλική δραστηριότητα διακόπτεται από μια ισχυρή, ξαφνική υπερσυγχρονισμένη πυροδότηση μιας συστάδας νευρώνων. Κατά τη διάρκεια μιας κρίσης, εάν ένα άτομο συνδέεται με έναν ηλεκτροεγκεφαλογράφο – μια συσκευή γνωστή ως EEG που μετρά την ηλεκτρική έξοδο – η ανώμαλη εγκεφαλική δραστηριότητα παρουσιάζεται ως ενισχυμένες εκκενώσεις ακίδων και κυμάτων.

“Αλλά η ακρίβεια ανίχνευσης επιληπτικών κρίσεων δεν είναι τόσο καλή όταν χρησιμοποιούνται χρονικά σήματα EEG”, δήλωσε ο Bomela. Η ομάδα ανέπτυξε μια τεχνική συμπερασμάτων δικτύου για να διευκολύνει τον εντοπισμό μιας κατάσχεσης και να εντοπίσει τη θέση της με βελτιωμένη ακρίβεια.

Κατά τη διάρκεια μιας συνεδρίας EEG, ένα άτομο έχει ηλεκτρόδια συνδεδεμένα σε διαφορετικά σημεία στο κεφάλι του, το καθένα καταγράφει ηλεκτρική δραστηριότητα γύρω από αυτό το σημείο. “Αντιμετωπίσαμε τα ηλεκτρόδια EEG ως κόμβους ενός δικτύου. Χρησιμοποιώντας τις ηχογραφήσεις (δεδομένα χρονοσειρών) από κάθε κόμβο, αναπτύξαμε μια προσέγγιση βάσει δεδομένων για να συνάγουμε τις χρονικές μεταβολές στο δίκτυο ή τις σχέσεις μεταξύ των κόμβων”, δήλωσε ο Bomela. Αντί να κοιτάζει αποκλειστικά τα δεδομένα EEG – τις κορυφές και τα δυνατά σημεία των μεμονωμένων σημάτων – η τεχνική του δικτύου εξετάζει τις σχέσεις. «Θέλουμε να συμπεράνουμε πώς μια περιοχή του εγκεφάλου αλληλεπιδρά με άλλους», είπε.

 

 

Πηγή: https://www.healthweb.gr/