Inteligencia artificial identifica, localiza convulsiones en tiempo real

Este gif se grabó durante dos convulsiones, una a los 2950 segundos y la otra a los 9200. La animación superior izquierda es de señales EEG de tres electrodos. La parte superior derecha es un mapa de la red inferida. La tercera animación representa el valor propio de Fiedler, el único valor utilizado para detectar convulsiones mediante la técnica de inferencia de red. Crédito: Li Lab

Investigadores de la Universidad de Washington en la Escuela de Ingeniería McKelvey de St. Louis han combinado la inteligencia artificial con la teoría de sistemas para desarrollar una forma más eficiente de detectar e identificar con precisión un ataque epiléptico en tiempo real.

Los resultados se publicaron el 26 de mayo en la revista Scientific Reports.

La investigación proviene del laboratorio de Jr-Shin Li, profesor del Departamento de Ingeniería Eléctrica y de Sistemas de Preston M. Green, y fue dirigido por Walter Bomela, becario postdoctoral en el laboratorio de Li.

También en el equipo de investigación estaban Shuo Wang, ex alumno de Li y ahora profesor asistente en la Universidad de Texas en Arlington, y Chu-An Chou de Northeastern University.

«Nuestra técnica nos permite obtener datos sin procesar, procesarlos y extraer una característica que es más informativa para el modelo de aprendizaje automático», dijo Bomela. «La principal ventaja de nuestro enfoque es fusionar señales de 23 electrodos en un parámetro que se puede procesar de manera eficiente con muchos menos recursos informáticos».

En la ciencia del cerebro, la comprensión actual de la mayoría de las convulsiones es que ocurren cuando la actividad cerebral normal es interrumpida por un fuerte y repentino disparo hipersincronizado de un grupo de neuronas. Durante una convulsión, si una persona está conectada a un dispositivo electroencefalográfico conocido como EEG que mide la salida eléctrica, la actividad cerebral anormal se presenta como descargas de picos y ondas amplificadas.

«Pero la precisión de detección de convulsiones es no es tan bueno cuando se usan señales temporales de EEG», dijo Bomela. El equipo desarrolló una técnica de inferencia de red para facilitar la detección de una convulsión y señalar su ubicación con precisión mejorada.

Durante una sesión de EEG, una persona tiene electrodos conectados a diferentes puntos de su cabeza, cada uno de los cuales registra la electricidad actividad alrededor de ese lugar.

«Tratamos los electrodos de EEG como nodos de una red. Usando las grabaciones (datos de series de tiempo) de cada nodo, desarrollamos un enfoque basado en datos para inferir conexiones variables en el tiempo en la red o las relaciones entre los nodos», dijo Bomela. En lugar de observar únicamente los datos del EEG, los picos y las intensidades de las señales individuales, la técnica de redes considera las relaciones. «Queremos inferir cómo una región del cerebro interactúa con otras», dijo.

Es la suma de estas relaciones lo que forma la red.

Una vez que tienes una red, puede medir sus parámetros de manera integral. Por ejemplo, en lugar de medir la fuerza de una sola señal, se puede evaluar la fuerza de la red en general. Hay un parámetro, llamado valor propio de Fiedler, que es de particular utilidad. «Cuando ocurre una convulsión, verá que este parámetro comienza a aumentar», dijo Bomela.

Y en la teoría de redes, el valor propio de Fiedler también está relacionado con la sincronicidad de una red, cuanto mayor es el valor, más sincrónica es la red. . «Esto concuerda con la teoría de que durante una convulsión, la actividad cerebral se sincroniza», dijo Bomela.

Un sesgo hacia la sincronización también ayuda a eliminar los artefactos y el ruido de fondo. Si una persona, por ejemplo, se rasca el brazo, la actividad cerebral asociada se capturará en algunos electrodos o canales de EEG. Sin embargo, no se sincronizará con la actividad de las convulsiones. De esa manera, esta estructura de red reduce inherentemente la importancia de las señales no relacionadas; solo las actividades cerebrales que están sincronizadas causarán un aumento significativo del valor propio de Fiedler.

Actualmente, esta técnica funciona para un paciente individual. El siguiente paso es integrar el aprendizaje automático para generalizar la técnica para identificar diferentes tipos de convulsiones entre pacientes.

La idea es aprovechar varios parámetros que caracterizan la red y utilizarlos como características para entrenar el aprendizaje automático. algoritmo.

Bomela compara la forma en que esto funcionará con el software de reconocimiento facial, que mide diferentes características (ojos, labios, etc.) y generaliza a partir de esos ejemplos para reconocer cualquier rostro.

«La red es como una cara», dijo. «Puedes extraer diferentes parámetros de la red de un individuo, como el coeficiente de agrupamiento o la centralidad de cercanía, para ayudar al aprendizaje automático a diferenciar entre diferentes incautaciones».

Eso se debe a que, en la teoría de redes, las similitudes en parámetros específicos están asociadas con redes específicas. En este caso, esas redes corresponderán a diferentes tipos de convulsiones.

Un día, una persona con un trastorno convulsivo puede usar un dispositivo análogo a una bomba de insulina. A medida que las neuronas comienzan a sincronizarse, el dispositivo administrará medicamentos o interferencias eléctricas para detener la convulsión en seco.

Antes de que esto suceda, los investigadores necesitan una mejor comprensión de la red neuronal.

«Si bien el objetivo final es refinar la técnica para uso clínico, en este momento estamos enfocados en desarrollar métodos para identificar las convulsiones como cambios drásticos en la actividad cerebral», dijo Li. «Estos cambios se capturan al tratar el cerebro como una red en nuestro método actual».

Explore más

Uso de la ciencia de redes para ayudar a identificar el origen de las convulsiones Más información: Walter Bomela et al, Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Convulsiones, Scientific Reports ( 2020). DOI: 10.1038/s41598-020-65401-6 Información de la revista: Scientific Reports

Proporcionado por la Universidad de Washington en St. Louis Cita: La inteligencia artificial identifica y localiza incautaciones en tiempo real (2020, 29 de junio) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-artificial-intelligence-seizures-real-time.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.