Procesarea semnalelor AI implantabile îmbunătățește terapia de stimulare profundă adaptativă a creierului
O echipă de cercetare condusă de profesorul Ji-Woong Choi de la Departamentul de Inginerie Electrică și Informatică de la DGIST, în colaborare cu echipe de cercetare conduse de profesorul Han-Joon Kim de la Institutul Național de Tehnologie Kumoh, profesorul Kyong Hwan Jin de la Universitatea Coreea și doctorul Jong-Cheol Rah de la Institutul de Cercetare a Creierului din Coreea, a dezvoltat tehnologia de analiză bazată pe învățare profundă numită „NONOS”, care separă cu precizie „ritmurile” de semnalele de „fundal” din semnalele cerebrale cu o rezoluție temporală ridicată.
Semnalele electrice generate în creier conțin o combinație de „ritmuri (componente oscilații)” care se repetă la intervale regulate și „semnale de fundal (componente non-oscilații)”. Izolarea și analiza acestor componente ritmice din semnalele cerebrale este similară cu identificarea vocii unei persoane în zgomotul de fond al unei cafenele aglomerate. La pacienții cu boala Parkinson, intensitatea unui ritm numit „unde beta”, care oscilează de zeci de ori pe secundă, devine excesiv de mare. Acest lucru este asociat cu simptomele de încetinire a mișcării și este utilizat ca indicator pentru evaluarea eficienței tratamentului.
Problema este că metodele convenționale de analiză nu pot distinge corect schimbările rapide în ritmuri de cele din semnalele de fundal. Cele mai utilizate tehnici de filtrare calculează intensitatea undelor beta fără a lua în considerare semnalele de fundal, ceea ce poate duce la confuzii între schimbările semnalelor de fundal și cele ale ritmurilor. Metodele mai recente care elimină semnalele de fundal analizează semnalele prin gruparea acestora în feronice fixe de timp, dar aceste metode pot pierde ușor schimbările scurte în ritmuri, așa cum obiectele în mișcare rapidă apar neclare în fotografiile realizate cu timpi lungi de expunere. Astfel, a fost dificil să se obțină atât o „separare precisă” a ritmurilor și semnalelor de fundal, cât și o „detectare rapidă a schimbărilor” simultan.
Echipa de cercetare s-a concentrat pe următoarea caracteristică a semnalelor de fundal: puterea acestora scade exponențial cu creșterea frecvenței, urmând o formă funcțională specifică. NONOS este un model AI antrenat să ia semnalele cerebrale înregistrate în timp ca input și să extragă doar componentele de fundal care urmează acest model funcțional. Prin scăderea semnalelor de fundal extrase din semnalele originale, rămân doar componentele ritmice pure, făcând posibilă detectarea rapidă a schimbărilor în ambele componente fără a pierde rezoluția temporală.
De fapt, atunci când echipa de cercetare a analizat componentele ritmice extrase de NONOS din semnalele cerebrale ale pacienților cu boala Parkinson, performanța de prezicere a piciorului pe care un pacient urma să-l folosească pentru a avansa a atins valoarea de 0,98, o îmbunătățire semnificativă față de metodele convenționale (0,54–0,79). În experimentele realizate pe șoareci modelând boala Parkinson, NONOS a fost de asemenea singura metodă care a detectat sensibil scăderea rapidă a intensității undelor beta în urma stimulării cerebrale profunde (terapia de stimulare electrică), care fusese dificil de identificat prin metode convenționale.
„Semnificația acestui studiu constă în demonstrarea faptului că ritmurile și semnalele de fundal amestecate în semnalele cerebrale pot fi separate fără a pierde rezoluția temporală”, a declarat profesorul Ji-Woong Choi de la DGIST.
„Dacă dezvoltăm în continuare NONOS pentru a funcționa în timp real pe dispozitivele implantabile pentru creier prin reducerea cerințelor computaționale, va contribui la îmbunătățirea preciziei terapiei personalizate de stimulare cerebrală profundă, care ajustează stimularea electrică în funcție de condiția fiecărui pacient”, a afirmat Ji-Woong Choi.
„NONOS are avantajul de a putea separa componentele periodice și aperiodice ale diferitelor semnale biologice care se schimbă rapid în timp, cu o rezoluție temporală ridicată, și astfel va fi util pentru analiza unei game largi de semnale variabile în timp dincolo de exemplele prezentate în lucrare”, a declarat profesorul Han-Joon Kim de la Institutul Național de Tehnologie Kumoh.
Acest studiu a fost sprijinit de Programul STEAM de Cercetare al Fundației Naționale de Cercetare din Coreea (BRIDGE Convergence R&D) și de Programul de Dezvoltare a Tehnologiilor de Convergență în Știința Creierului, precum și de programul Glocal Lab al Ministerului Educației. Profesorul Ji-Woong Choi de la DGIST și profesorul Han-Joon Kim de la Institutul Național de Tehnologie Kumoh au fost coautori corespunzători, iar Jinmo Kim, un student în programul integrat de masterat-doctorat din Departamentul de Inginerie Electrică și Informatică de la DGIST, a participat ca autor principal. Rezultatele au fost publicate în NeuroImage, o revistă internațională de top în domeniul neuroimaginării.
