Gesundheit

Künstliche Intelligenz identifiziert, lokalisiert Anfälle in Echtzeit

Forscher von der Washington University in St. Louis‘ McKelvey School of Engineering haben kombiniert künstliche Intelligenz mit der Systemtheorie zu entwickeln, die eine effizientere Weise zu erkennen und genau zu identifizieren, die zu einem epileptischen Anfall in Echtzeit.

Ihre Ergebnisse wurden veröffentlicht Mai 26 in der Zeitschrift Scientific Reports.

Die Forschung kommt aus dem Labor von Jr-Shin Li, professor am Preston M. Grün Department of Electrical & Systems Engineering, und wurde unter der Leitung von Walter Bomela, ein postdoctoral fellow in Li ‚ s lab.

Auch auf dem Forschungsteam waren Shuo Wang, ein ehemaliger Schüler von Li ‚ s und jetzt assistant professor an der University of Texas, Arlington, und Chu-Eine Chou von der Northeastern University.

„Unsere Technik ermöglicht es uns, Rohdaten, verarbeiten und extrahieren Sie eine Funktion, die mehr ist informativ für die machine-learning-Modell zu verwenden,“ Bomela sagte. „Der große Vorteil unseres Ansatzes ist die Sicherung Signale von Elektroden 23 um einen parameter, können effizient bearbeitet werden, mit viel weniger Ressourcen.“

In der Gehirnforschung, die dem heutigen Verständnis der meisten Anfälle ist, dass Sie auftreten, wenn die normale Aktivität des Gehirns wird unterbrochen durch eine starke, plötzliche hyper-synchronisierten feuern von einem cluster von Neuronen. Während einer Beschlagnahme, wenn eine person, angeschlossen an ein Elektroenzephalogramm—ein Gerät, bekannt als EEG, dass Maßnahmen, die elektrische Leistung—die abnorme Aktivität des Gehirns dargestellt wird als verstärkte spike-und-wave-Entladungen.

„Aber die Pfändung Erkennungsgenauigkeit ist nicht gut, wenn zeitliche EEG-Signale verwendet werden,“ Bomela sagte. Das team entwickelte ein Netzwerk-Inferenz-Technik zur Erleichterung der Erkennung einer Pfändung und lokalisieren Sie Ihren Standort mit verbesserter Genauigkeit.

Während einer EEG-Sitzung, eine person hat Elektroden an verschiedenen stellen auf seinem Kopf, jede Aufzeichnung der elektrischen Aktivität an dieser Stelle.

„Wir behandelten EEG-Elektroden, die als Knoten des Netzes. Die Verwendung von Aufzeichnungen (Zeit-Serien-Daten) von jedem Knoten, entwickelten wir einen datengetriebenen Ansatz zur Inferenz von Zeit-variierenden verbindungen im Netzwerk oder Beziehungen zwischen den Knoten,“ Bomela sagte. Anstatt sich ausschließlich auf die EEG—Daten, die Spitzen und stärken der einzelnen Signale, die Netzwerk Technik ist der Ansicht Beziehungen. „Wollen wir ableiten, wie eine Gehirn-region zur Interaktion mit anderen“, sagte er.

Es ist die Summe dieser Beziehungen bilden das Netzwerk.

Sobald Sie ein Netzwerk haben, können Sie Messen die Parameter ganzheitlich. Zum Beispiel, anstelle der Messung der Stärke von einem einzelnen signal, das gesamte Netzwerk ausgewertet werden können, für Stärke. Es gibt einen parameter, rief der Fiedler, der Eigenwert, das von besonderem nutzen. „Wenn ein Anfall passiert, sehen Sie diese parameter start zu erhöhen,“ Bomela sagte.

Und in Netzwerk-Theorie, die Fiedler Eigenwert ist auch mit einem Netz der Synchronizität—die größer der Wert, desto mehr das Netz synchron ist. „Dies stimmt überein mit der Theorie, dass während der Beschlagnahme, die Aktivität des Gehirns, synchronisiert werden,“ Bomela sagte.

Ein bias in Richtung Synchronisation hilft auch beseitigen Artefakt und hintergrund-Rauschen. Wenn eine person, zum Beispiel, Kratzer, Ihren arm, die damit verbundenen Aktivität des Gehirns erfasst werden, um die über einige EEG-Elektroden oder-Kanälen. Es wird jedoch nicht synchronisiert werden, mit epileptischer Aktivität. So, diese Netzwerk-Struktur inhärent reduziert die Bedeutung der unabhängigen Signale; nur Gehirn-Aktivitäten, die synchronisiert sind, werden zu einer erheblichen Erhöhung der Fiedler Eigenwert.

Derzeit funktioniert diese Technik für einen einzelnen Patienten. Der nächste Schritt ist die Integration der Maschine zu lernen, zu verallgemeinern die Technik für die Ermittlung von verschiedenen Arten von Anfällen über Patienten.

Die Idee ist, nutzen Sie verschiedene Parameter für die Charakterisierung des Netzwerk-und nutzen Sie diese als Funktionen zu trainieren, die machine-learning-Algorithmus.

Bomela vergleicht die Art und Weise dieser Arbeit werden Gesichts-Erkennungs-software, welche Maßnahmen verschiedene Funktionen—Augen, Lippen und so weiter—Verallgemeinerung aus diesen Beispielen zu erkennen, jedes Gesicht.

„Das Netzwerk ist wie ein Gesicht“, sagte er. „Sie können extrahieren Sie verschiedene Parameter aus einem einzelnen Netzwerk—wie der clustering-Koeffizient oder Nähe Zentralität—zu helfen, die Maschine lernen zu differenzieren zwischen den verschiedenen Anfällen.“

Das ist, weil in Netzwerk-Theorie, die ähnlichkeiten in der spezifischen Parameter verknüpft sind mit bestimmten Netzen. In diesem Fall, diese Netzwerke entsprechen verschiedenen Arten von Anfällen.

Eines Tages, eine person mit einem Anfallsleiden kann ein Gerät zu tragen, Analog zu einer insulin-Pumpe. So beginnen die Neuronen zu synchronisieren, das Gerät wird liefern Medikamente oder elektrische Störungen zu stoppen, die Beschlagnahme in Ihren tracks.

Bevor dies geschehen kann, brauchen die Forscher ein besseres Verständnis des neuronalen Netzwerks.