arXiv · 06.07.2026 ·Исследования и наука

Новый метод анализа ЭЭГ для диагностики шизофрении на основе вейвлет-преобразования

Исследователи представили новый подход к выявлению биомаркеров шизофрении на основе анализа данных ЭЭГ покоя. Использование вейвлет-преобразования рассеяния (Wavelet Scattering Transform) позволило преодолеть ограничения традиционных методов, которые игнорируют динамику амплитудной модуляции и кросс-частотные взаимодействия. Новый алгоритм обеспечивает более высокую точность классификации и интерпретируемость данных, что критически важно для клинической диагностики нейропсихиатрических расстройств.

Традиционные системы автоматической классификации ЭЭГ опираются на статическую спектральную плотность мощности, которая не учитывает сложные временные зависимости в активности коры головного мозга. Вейвлет-преобразование рассеяния позволяет извлекать признаки, отражающие нелинейные динамические процессы, что делает модель более чувствительной к патологическим изменениям, характерным для шизофрении.

Применение этого метода открывает возможности для создания объективных диагностических инструментов, которые могут быть интегрированы в клиническую практику. В отличие от «черных ящиков» глубокого обучения, данный подход сохраняет интерпретируемость признаков, позволяя врачам понимать, какие именно паттерны мозговой активности стали основой для постановки диагноза.

Ключевые факты

Метод основан на вейвлет-преобразовании рассеяния (WST), которое эффективно улавливает динамику амплитудной модуляции.
Исследование направлено на решение проблемы нехватки объективных биомаркеров шизофрении, основанных на ЭЭГ.
Алгоритм превосходит классические методы анализа спектральной плотности мощности в задачах классификации состояний.
Разработка повышает интерпретируемость ИИ-моделей в медицинской диагностике, что критично для внедрения в клиническую среду.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Исследования и наука Глубокое обучение выявило новый ЭКГ-биомаркер внезапной сердечной смерти Исследователи применили методы глубокого обучения для анализа данных электрокардиограмм, что позволило обнаружить новый биомаркер, предсказывающий риск внезапной сердечной смерти. Модель анализирует тонкие паттерны в электрической активности сердца, которые остаются незаметными для традиционных методов диагностики, открывая новые возможности для раннего выявления пациентов из групп высокого риска и превентивной терапии сердечно-сосудистых заболеваний. Hacker News · Исследования и наука ИИ обнаружил новый маркер риска внезапной сердечной смерти на ЭКГ Исследователи применили методы машинного обучения для анализа данных ЭКГ и выявили ранее неизвестный биомаркер, предсказывающий риск внезапной сердечной смерти. Алгоритм проанализировал тысячи записей сердечного ритма, обнаружив скрытые закономерности, которые не фиксируются при стандартной клинической интерпретации. Это открытие может существенно повысить точность ранней диагностики опасных сердечно-сосудистых патологий и персонализировать профилактическое лечение пациентов. arXiv · Машинное обучение Hierarchical-JEPA: новый метод обучения для анализа временных рядов в медицине Исследователи представили фреймворк Hierarchical-JEPA для самообучения на многомерных временных рядах, протестированный на данных ЭКГ. Метод решает проблему дефицита размеченных медицинских данных, используя неразмеченные наборы для извлечения признаков. Подход основан на архитектуре Joint-Embedding Predictive Architecture (JEPA), которая эффективно реконструирует события в сигналах, обеспечивая высокую точность анализа при ограниченном доступе к экспертной разметке. arXiv · Исследования и наука Новый метод топологического анализа для диагностики аневризм головного мозга Исследователи предложили новый метод автоматического обнаружения внутричерепных аневризм на снимках КТ-ангиографии, решающий проблему высокой частоты ложноположительных результатов. В отличие от стандартных сверточных нейросетей, которые часто путают аневризмы с сосудистыми бифуркациями, предложенный подход использует топологическое представление формы сосудов. Это позволяет значительно повысить точность диагностики, особенно для малых поражений размером менее 3 мм, где традиционные модели показывают низкую чувствительность. Hacker News · ИИ в бизнесе ИИ-алгоритм для выявления риска внезапной сердечной смерти Исследователи из Калифорнийского университета в Беркли разработали модель машинного обучения, способную выявлять скрытые признаки риска внезапной сердечной смерти. Анализируя данные ЭКГ, система обнаруживает аномалии, которые остаются незамеченными при стандартной клинической диагностике. Это решение открывает новые возможности для превентивной кардиологии и автоматизации анализа медицинских показателей пациентов в режиме реального времени. arXiv · Машинное обучение Применение глубоких нейросетей для ранней диагностики болезни Альцгеймера Исследователи представили методологию раннего выявления болезни Альцгеймера с использованием глубоких искусственных нейронных сетей и ансамблевых методов машинного обучения. Подход позволяет анализировать сложные биомаркеры, которые на начальных этапах часто маскируются под признаки естественного старения, что критически важно для своевременного медицинского вмешательства и улучшения прогнозов для пациентов, страдающих от когнитивных нарушений. arXiv · ИИ в бизнесе Гибридный подход к сегментации легочных узлов с помощью ИИ Исследователи представили методику совместной работы человека и нейросетей для анализа медицинских изображений, в частности, сегментации легочных узлов. Основная проблема текущих систем заключается в дефиците квалифицированных радиологов, способных проверять результаты работы алгоритмов, а также в рисках слепого доверия автоматизированным решениям. Авторы работы предлагают модель взаимодействия, в которой ИИ-инструменты дополняются участием менее опытных специалистов или даже сотрудников без профильного медицинского образования для верификации данных. arXiv · Исследования и наука EPRA U-Net: новая архитектура для сегментации ишемических инфарктов на МРТ Исследователи представили EPRA U-Net — специализированную архитектуру нейронных сетей для автоматической сегментации очагов острого ишемического инфаркта на диффузионно-взвешенных изображениях МРТ. Модель сочетает пирамидальные структуры и механизмы остаточного внимания, что позволяет с высокой точностью выделять пораженные участки мозга, критически важные для принятия клинических решений при лечении цереброваскулярных событий и количественной оценки повреждений тканей. arXiv · ИИ в бизнесе PsyBridge: гибридный ИИ-фреймворк для комплексной оценки ментального здоровья Исследователи представили PsyBridge — гибридную интеллектуальную систему, предназначенную для многомерной оценки психического состояния и поддержки принятия врачебных решений. В отличие от существующих инструментов, которые часто опираются на узкоспециализированные скрининги или изолированные модели, новый фреймворк объединяет разрозненные данные для формирования целостной картины состояния пациента. arXiv · Исследования и наука Новый метод оптимизации графиков диффузионных моделей на основе смеси гауссиан Исследователи представили аналитический подход к проектированию графиков (schedules) для диффузионных моделей типа Brownian Bridge (BBDM). Вместо использования эвристических методов авторы предложили математическую модель на основе смеси гауссиан, которая позволяет точнее управлять процессом восстановления данных. Это повышает эффективность решения обратных задач, таких как восстановление изображений, за счет более точного моделирования стохастического перехода между состояниями.

← Все материалы