人工智能识别,实时定位癫痫发作

圣路易斯华盛顿大学的研究人员的麦凯维工程学院人工智能与系统理论结合起来开发更有效的方式来检测和实时准确地识别一个癫痫发作。

他们的研究结果发表在《华尔街日报》5月26日科学报告。

的研究来自于实验室Jr-Shin李教授普雷斯顿·m·绿色电力与系统工程系,沃尔特Bomela为首,在实验室的博士后。

也在研究小组是王烁,李的前学生,现在阿灵顿的德克萨斯大学的助理教授和Chu-An周的东北大学。

“我们的技术能让我们得到原始数据、处理和提取功能的更多信息机器学习模型使用,”Bomela说。“我们的方法的主要优势是引信信号来自23个电极一个参数,可以有效地处理计算资源少得多。”

大脑科学,大多数癫痫是他们的当前理解发生在正常大脑活动是打断了一个强大的、突然hyper-synchronized一群神经元。在一次癫痫发作,如果一个人是连接到一个electroencephalograph-a装置称为脑电图测量电气输出——大脑活动异常放大spike-and-wave排放。

“但是癫痫检测精度不是很好使用时间EEG信号时,“Bomela说。团队开发了一个网络推理技术来促进癫痫发作和精确定位的检测精度提高。

脑电图会话期间,一个人有他/她头上电极连接到不同的地方,每个记录电活动在那个地方。

“我们对待脑电图电极作为网络的节点。使用录音(时间序列数据)从每个节点,我们开发了一个数据驱动的方法来推断时变连接在网络或节点之间的关系,”Bomela说。而不是只看个人(主动的脑电图数据,山峰和优势网络技术考虑的关系。“我们想推断出一个大脑区域是如何与他人互动的,”他说。

这些关系的总和,构成了网络。

一旦你有了网络,你可以测量其参数整体。例如,而不是测量单个信号的强度,可以评估整个网络的力量。有一个参数,称为菲德勒特征值,这是特别的使用。“癫痫发生的时候,你会看到这个参数开始增加,“Bomela说。

在网络理论,菲德勒特征值还与网络有关的synchronicity-the大价值网络是同步的。“这赞同这一理论,发作期间,大脑活动同步,“Bomela说。

倾向于同步也有助于消除工件和背景噪音。例如,如果一个人触及他们的手臂,相关的大脑活动会捕捉到一些脑电图电极或通道。然而,它不会与癫痫活动同步。这样的话,这种网络结构本质上降低了不相关的信号的重要性;只有大脑活动同步会导致显著增加菲德勒的特征值。

目前此技术适用于个别病人。下一步是将机器学习推广技术识别不同类型的癫痫患者。

这个想法是利用各种参数描述网络和使用它们作为功能训练机器学习算法。

Bomela把这将工作的方式比作面部识别软件,衡量不同features-eyes嘴唇和从这些例子on-generalizing承认任何的脸。

“网络就像一个脸,”他说。“你可以从一个人的提取不同的参数网络聚类系数或亲密机器学习中的中心帮助区分不同的癫痫。”

这是因为在网络理论,相似之处具体参数与特定的网络相关联。在这种情况下,这些网络将对应于不同类型的癫痫发作。

一天,一个人以发作性疾病可以穿设备类似于胰岛素泵。随着神经元开始同步,设备将药物或电干扰停止发作。

在这发生之前,研究人员需要更好地理解神经网络。

”,而最终目标是完善临床使用的技术,现在我们的重点是开发大脑活动的方法来确定癫痫发作剧烈的变化,”李说。“这些变化被治疗大脑网络在我们当前的方法。”