Исследователи предложили метод автоматического определения начала и окончания эпилептических приступов, основанный на теории критических переходов, а не на традиционном машинном обучении. Новый подход позволяет эффективнее справляться с вариативностью морфологии приступов и артефактами данных, обеспечивая баланс между чувствительностью и специфичностью системы без необходимости сложной предварительной обработки сигналов ЭЭГ.
Существующие алгоритмы детекции часто полагаются на эвристические методы или «черные ящики» нейронных сетей, которые трудно интерпретировать. В условиях реальных клинических данных такие системы нередко демонстрируют низкую точность из-за межприступной эпилептиформной активности и шумов. Предложенная методология опирается на математическое описание динамических систем, что позволяет фиксировать моменты качественных изменений в состоянии мозга.
Авторы работы демонстрируют, что анализ критических переходов позволяет точнее локализовать временные границы приступа. Это снижает количество ложноположительных срабатываний, вызванных артефактами, и повышает надежность мониторинга пациентов в клинических условиях. Метод открывает возможности для создания более прозрачных и интерпретируемых систем поддержки принятия врачебных решений в неврологии.
Ключевые факты
- Метод использует теорию критических переходов для анализа динамики нейронной активности.
- Алгоритм минимизирует зависимость от сложной предварительной обработки данных, характерной для классических ML-моделей.
- Подход решает проблему низкой специфичности при наличии артефактов и вариативных паттернов приступов.
- Исследование направлено на повышение интерпретируемости систем автоматического мониторинга эпилепсии.