Ученые из Петрозаводского государственного университета совместно с коллегой из Кувейтского колледжа науки и технологий разработали модель машинного обучения, позволяющую за доли секунды с 99,9% точностью выявлять болезнь Паркинсона по результатам электроэнцефалограммы (ЭЭГ) и может использоваться в домашних условиях. Разработка описана в статье, опубликованной в международном журнале Sensors.
Максимально точно определить болезнь Паркинсона позволяет анализ электроэнцефалограммы (записи электрической активности головного мозга), т.к. она достоверно различается у здоровых и больных людей. Сигналы ЭЭГ удобны также для последующего мониторинга развития заболевания — регистрировать их можно с помощью не только больничного оборудования, но и портативных устройств, позволяющие отслеживать состояние пациента в режиме онлайн.
Существующие алгоритмы уже показывают точность более 99%, но являются очень сложными и энергоемкими, поэтому не всегда могут использоваться в «слабых» портативных медицинских устройствах. Авторы новой работы создали алгоритм машинного обучения для диагностики и мониторинга болезни Паркинсона по данным ЭЭГ, который может использоваться именно в таких приборах малой мощности.
Ученые записали электроэнцефалограммы 20 здоровых людей и 20 пациентов с болезнью Паркинсона, и разработали для их анализа алгоритм, который поэтапно обрабатывал данные. Он отсекал электрические сигналы, соответствующие различным шумам, т.е. не несущие информации о работе головного мозга, а оставшиеся диапазоны частот использовал, чтобы математическими методами выявить признаки ЭЭГ, отличающие здоровых людей от больных.
В результате модель определила 11 признаков, опираясь на которые, можно с точностью 99,9% выявить болезнь Паркинсона. Авторы также экспериментально показали, что использование этих ключевых признаков вместо всех данных ЭЭГ позволяет сократить время работы алгоритма в 11 раз (до сотых долей секунды), а значит, программа требует на порядок меньше вычислительных ресурсов, чем аналогичные инструменты, и сможет работать даже на маломощных бытовых устройствах интернета вещей.
