Способ выявления депрессии на основе данных ээг
Владельцы патента RU 2754779:
Общество с ограниченной ответственностью "СберМедИИ" (RU)
Изобретение относится к вычислительной технике, а именно к выявлению депрессии на основе данных ЭЭГ. Предложен способ, содержащий: подготовительный этап, на котором осуществляют предобработку по меньшей мере одного сигнала покоя ЭЭГ; извлекают информативные признаки из по меньшей мере одного сигнала покоя ЭЭГ, а именно показатели синхронизации каналов и показатели спектральной мощности; строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ; строят векторы на основе вектора информативных признаков и демографических данных; осуществляют обучение нейронной сети, при этом на вход нейронной сети подается по меньшей мере один вектор, построенный на предыдущем шаге, на выходе получают обученную нейронную сеть, рабочий этап, на котором извлекают информативные признаки из по меньшей мере одного сигнала покоя ЭЭГ; строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ; строят векторы на основе вектора информативных признаков и демографических данных; на вход обученной нейронной сети подают векторы информативных признаков сигнала покоя ЭЭГ, на выходе получают результат прогнозируемого диагноза. Изобретение обеспечивает определение депрессии у пациента на основе данных сигнала покоя ЭЭГ. 1 з.п. ф-лы, 2 ил.
ОБЛАСТЬ ТЕХНИКИ
Настоящее техническое решение относится к области вычислительной техники, в частности, к способу выявления депрессии на основе данных электроэнцефалограммы (далее – ЭЭГ), при помощи машинного обучения.
УРОВЕНЬ ТЕХНИКИ
Из уровня техники известен источник информации RU 2 689 886 C1, опубл. 29.05.2019, раскрывающий способ диагностики аффективных расстройств, состоящий в проведении электроэнцефалографических исследований с использованием отведений «10-20» и ушных ипсилатеральных электродов в качестве референтных с проведением спектрального и когерентного анализов электроэнцефалограммы (ЭЭГ). Определяют показатели спектральной мощности в частотном диапазоне 2-4 Гц на отведениях Т6-А2 и Т5-А1, показатели квадрата модуля когерентности С2 между отведениями O1-Р3 в диапазоне 20-21 Гц; между отведениями Т5-Р3 в диапазоне 7-8 Гц; между отведениями F7-F3 в диапазоне 14-15 Гц; между отведениями Т3-С3 в диапазоне 9,5-11 Гц; между отведениями P4-F7 в диапазоне 24,5-26 Гц; вычисляют показатели нормализованной когерентности (НК) по формуле НК=Ln(C2/(1-C2)), далее вычисляют показатель Y по формуле Y=-А+1,6В+0,69С-0,63D-0,32Е+0,097F+1,5;
где
А - НК между отведениями O1-Р3 в диапазоне 20-21 Гц;
В - Ln(P(R)/P(L)),
где P(R) - спектральная мощность в диапазоне 2-4 Гц на отведении Т6; P(L) - на отведении Т5;
С - НК между отведениями Т5-Р3 в диапазоне 7-8 Гц;
D - НК между отведениями F7-F3 в диапазоне 14-15 Гц;
Е - НК между отведениями Т3-С3 в диапазоне 9,5-11 Гц;
F - НК между отведениями P4-F7 в диапазоне 24,5-26 Гц;
и при значениях показателя Y равного или более нуля диагностируют депрессивное аффективное расстройство, при Y менее нуля - тревожное аффективное расстройство.
Также из уровня техники из источника информации KR20080082665A, опубл. 11.09.2008, известно решение, раскрывающее систему и метод анализа и оценки депрессии, и других расстройств настроения с помощью электроэнцефалографических (ЭЭГ). Получают множество данных о мозговых волнах, связанных с индивидуумом. Определяют, по меньшей мере один статический компонент ЭЭГ данных. Определяют статической асимметрии в статической составляющей части множества ЭЭГ данных и
определяют указания относительно того, подвержен ли индивидуум риску расстройства настроения, основано, по меньшей мере, частично на статической асимметрии в статическом компоненте частей множества ЭЭГ данные.
Предлагаемое техническое решение отличается от известных из уровня техники решений тем, что анализ проводится на данных ЭЭГ состояния покоя. Кроме того, обучение нейронной сети происходит на векторе информативных признаков, которые включают данные синхронизации каналов и показатели спектральной мощности, демографические данные пациента.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Технической проблемой, на решение которой направлено заявленное техническое решение, является создание способа выявления депрессии на основе данных ЭЭГ, который охарактеризован в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.
Технический результат заключается в определении депрессии у пациента на основе данных ЭЭГ.
Заявленный результат достигается за счет осуществления способа выявления депрессии на основе данных ЭЭГ, содержащий:
Подготовительный этап, на котором:
осуществляют предобработку по меньшей мере одного сигнала покоя ЭЭГ;
извлекают информативные признаки из по меньшей мере одного сигнала покоя ЭЭГ, а именно признаки синхронизации каналов и показатели спектральной мощности;
строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ;
строят векторы на основе вектора информативных признаков и демографических данных;
осуществляют обучение нейронной сети, при этом на вход нейронной сети подается по меньшей мере один вектор, построенный на предыдущем шаге, на выходе получают обученную нейронную сеть.
Рабочий этап, на котором:
извлекают информативные признаки из по меньшей мере одного сигнала покоя ЭЭГ;
строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ;
строят векторы на основе вектора информативных признаков и демографических данных;
на вход обученной нейронной сети подают вектора информативных признаков сигнала ЭЭГ на выходе получают результат прогнозируемого диагноза.
В другом частном варианте реализации предлагаемого способа для классификации данных сигнала покоя ЭЭГ применяют алгоритм машинного обучения «логистическая регрессия».
ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:
Фиг.1 иллюстрирует пример осуществления способа.
Фиг. 2 иллюстрирует пример общей схемы вычислительного устройства.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
Предлагаемый способ выявления депрессии на основе данных сигнала покоя ЭЭГ выполняется на вычислительном устройстве и представлен на фиг.1.
На подготовительном этапе, на вычислительное устройство поступают мультимодальные биомедицинские данные пациента, которые включают:
- демографические данные пациента (пол, возраст);
- необработанные нейровизуализационные данные субъекта: 1 минута записи ЭЭГ покоя с закрытыми и 1 минута записи ЭЭГ покоя с открытыми глазами.
Осуществляют предобработку одного сигнала ЭЭГ покоя, при этом извлекают информативные признаки из одного сигнала покоя ЭЭГ, путем фиксации набора параметров процедуры выбранных пользователем, таких как длина временного окна сигнала и применяемая для расчета синхронизации метрика (спектральная когерентность, корреляция между огибающими сигнала). Информативными признаками могут быть, но не ограничиваясь показатели синхронизации каналов и показатели спектральной мощности. Строят векторы на основе информативных признаков, извлеченных из одного сигнала ЭЭГ одного пациента.
Процедуру предобработки сигнала покоя ЭЭГ применяют для нейровизуализационных данных каждого пациента, при этом используют зафиксированный набор параметров, а именно длина временного окна сигнала и применяемая для расчета синхронизации метрика (спектральная когерентность, корреляция между огибающими сигнала). Строят векторы на основе информативных признаков каждого пациента.
Выбор набора параметров, а также фиксация этого набора и извлечение признаков производится с помощью проведения научных исследований (проведения вычислительных экспериментов, их анализа и применения процедур оптимизации) проведенных при разработке предсказательной модели. При помощи программного пакета MNE, который предназначен для изучения, визуализации и анализа нейрофизиологических данных человека (MEG, EEG, sEEG, ECoG и другие) извлекают информативные признаки и осуществляют предобработку сигнала покоя ЭЭГ.
Предобработка сигнала покоя ЭЭГ включает по меньшей мере обнаружение артефактов их сигнала покоя ЭЭГ, интерполяция плохих каналов, фильтрация и подсчет данных и т.д. Под артефактами подразумеваются части записанного сигнала, которые возникают из источников, не являющихся источником интереса.
К полученным векторам добавляют демографические данные каждого пациента.
Построенный набор векторов информативных признаков всех пациентов, включая демографические данные пациента вместе с их диагнозами (депрессия или депрессия отсутствует) рассматривается в качестве обучающей выборки.
Осуществляют обучение нейронной сети, на обучающей выборке путем применения разработанной процедуры машинного обучения на основе метода «Логистическая регрессия».
Результатом обученной нейронной сети будут решающее правило, необходимое для постанови прогнозируемого диагноза, и характеристики его достоверности, оцененные по обучающей выборке с использованием технологии перекрестной проверки «5 fold cross-validation, 5 repeats».
Обученная нейронная сеть имеет следующие характеристики достоверности:
• специфичность модели: 95%,
• чувствительность модели: 96%.
Результатом применения этой модели к вектору информативных признаков (построенному по нейровизуализационным и демографическим данным) субъекта обследования с неизвестным диагнозом, являются прогнозируемый диагноз («Депрессия» или «Здоров»). Выбор процедуры машинного обучения производится с помощью проведения научных исследований (проведения вычислительных экспериментов, их анализа и применения процедур оптимизации, например, перебор и сравнение признаков, отбор наилучших признаков и проверка стабильности признаков на различных временных интервалах записи ЭЭГ) проведенных при разработке предсказательной модели.
После обучения нейронной сети, осуществляется рабочий этап предлагаемого способа, на котором получают мультимодальные биомедицинские данные пациента, осуществляют предобработку по меньшей мере одного сигнала покоя ЭЭГ. Строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ, как было указано ранее.
На вход обученной нейронной сети подают вектора информативных признаков сигнала покоя ЭЭГ на выходе получают результат прогнозируемого диагноза «Депрессия» или «Здоров».
На Фиг. 2 далее будет представлена общая схема вычислительного устройства (200), обеспечивающего обработку данных, необходимую для реализации заявленного решения.
В общем случае устройство (200) содержит такие компоненты, как: один или более процессоров (201), по меньшей мере одну память (202), средство хранения данных (203), интерфейсы ввода/вывода (204), средство В/В (205), средства сетевого взаимодействия (206).
Процессор (201) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (200) или функциональности одного или более его компонентов. Процессор (201) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (202).
Память (202), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.
Средство хранения данных (203) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (203) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.
Интерфейсы (204) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.
Выбор интерфейсов (204) зависит от конкретного исполнения устройства (200), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.
В качестве средств В/В данных (205) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
Средства сетевого взаимодействия (206) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (205) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.
Компоненты устройства (200) сопряжены посредством общей шины передачи данных (210).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.
1. Компьютерно-реализуемый способ выявления депрессии на основе данных сигнала покоя ЭЭГ, содержащий процессор и память, хранящую инструкции, исполняемые процессором, при этом способ содержит два этапа:
подготовительный этап, на котором:
осуществляют предобработку по меньшей мере одного сигнала покоя ЭЭГ;
извлекают информативные признаки из по меньшей мере одного сигнала покоя ЭЭГ, а именно показатели синхронизации каналов и показатели спектральной мощности;
строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ;
строят векторы на основе вектора информативных признаков и демографических данных;
осуществляют обучение нейронной сети, при этом на вход нейронной сети подается по меньшей мере один вектор, построенный на предыдущем шаге, на выходе получают обученную нейронную сеть;
рабочий этап, на котором:
извлекают информативные признаки из по меньшей мере одного сигнала покоя ЭЭГ;
строят векторы на основе информативных признаков, извлеченных из по меньшей мере одного сигнала покоя ЭЭГ;
строят векторы на основе вектора информативных признаков и демографических данных; на вход обученной нейронной сети подают векторы информативных признаков сигнала ЭЭГ, на выходе получают результат прогнозируемого диагноза.
2. Способ по п.1, отличающийся тем, что для классификации данных сигнала покоя ЭЭГ применяют алгоритм машинного обучения «логистическая регрессия
