Интеграция ЭЭГ и машинного обучения для анализа изменений головного мозга в процессе реабилитации афазии Брока
Инсульт – это тяжелое, меняющее жизнь событие, затрагивающее около 12 миллионов человек во всем мире и включающее в себя как ишемический, так и геморрагический варианты. Смертность среди пострадавших составляет от 20 до 50 %, в зависимости от типа инсульта и доступности высококвалифицированной медицинской помощи. Кроме того, значительное большинство выживших после инсульта сталкиваются с инвалидностью, значительно ухудшающей качество жизни.
К характерным постинсультным симптомам относится афазия Брока – состояние, характеризующееся нарушением беглости речи вследствие повреждения зоны Брока, отвечающей за формирование речи. Поскольку речь является основополагающим аспектом человеческой личности и необходима для различных повседневных действий, связанных с общением, возникает острая необходимость в разработке эффективных методов реабилитации лиц с постинсультной афазией Брока. Изучение механизмов, лежащих в основе повреждений, вызывающих афазию, и механизмов, способствующих восстановлению, становится важнейшей областью исследований.
В последние годы в литературе все больше внимания уделяется использованию электроэнцефалографии (ЭЭГ) для прогнозирования исходов после инсульта и повышения эффективности реабилитации. Объединение ЭЭГ с машинным обучением меняет процесс реабилитации. В данном исследовании представлена модель на базе нейронной сети, способная различать состояния до и после реабилитации у пациентов с афазией Брока, данные для которой были сформированы на основе записей ЭЭГ во время выполнения заданий на вербальную и пространственную рабочую память.
10 пациентов были отобраны на основании Бостонской диагностической шкалы афазии (BDAE) и доминирующей правой руки по Эдинбургскому опроснику (EHI), возраст участников составил от 47 до 85 лет, в среднем 67 лет. Дополнительными критериями включения было то, что инсульт, который пережил пациент, был первым, произошел на территории сегмента М2 левой средней мозговой артерии, и наблюдаемое поражение присутствовало в зоне Брока, а также в части комплекса Брока. Критериями исключения были наличие известных психических или неврологических расстройств до инсульта, умеренный или тяжелый гемипарез, тяжелые осложнения или ухудшение состояния пациента, более одного инсульта или наличие других внутричерепных патологий.
Для анализа использовались показатели причинности Грейнджера (GC), величины фазовой блокировки (PLV), взвешенного индекса фазовых задержек (wPLI), взаимной информации (MI) и комплексного коэффициента корреляции Пирсона (CPCC) в дельта-, тета-, низко- и высокогамма-диапазонах (за исключением GC, который охватывал весь частотный спектр).
На восьми участниках, авторы оценили точность межсубъектного прогнозирования по всем методам и частотным диапазонам связности. GC, MI theta и PLV low-gamma оказались лучшими, достигнув 89,4 %, 85,8 % и 82,7 % точности при классификации данных вербальной рабочей памяти. Интересно, что меры, направленные на устранение объемной проводимости, показали наихудшие результаты в предсказании изменений мозга, вызванных реабилитацией. Это наблюдение в сочетании с вариациями в производительности модели в разных частотных диапазонах предполагает, что различные степени синхронизации коры отражают различные мозговые процессы, вовлеченные в реабилитацию.
Таким образом, в данном исследовании авторам удалось создать точный классификатор состояний до и после реабилитации, основанный на показателях синхронности работы областей головного мозга на основании данных ЭЭГ во время выполнения заданий на вербальную и пространственную рабочую память. Авторы обнаружили, что использование когерентности ЭЭГ в качестве входного признака значительно повлияло на точность классификатора. Классификатор одинаково хорошо справлялся с данными, полученными во время выполнения задач на вербальную или пространственную рабочую память. Более того, результаты классификации позволяют предположить, что различные показатели синхронизации отражают разные нейронные процессы, происходящие во время реабилитации при афазии Брока.
Несмотря на то, что предстоит проделать еще большую работу по повышению объяснимости и валидности моделей машинного обучения, авторы считают, что эта работа послужит ступенькой к систематической оценке нейронных коррелятов реабилитации с использованием машинного обучения в качестве инструмента для данных исследований. Данная работа отличается от других имеющихся исследований тем, что в ней использовано новое сочетание расширенного анализа ЭЭГ, метрик функциональной связи и машинного обучения для конкретного изучения реабилитации афазии Брока после инсульта. Эта целенаправленная стратегия в сочетании с тщательной методологической разработкой, позволяющей получить значимые результаты даже при ограниченном количестве данных, выделяет эту работу в области исследований реабилитации после инсульта.
Источник: Močilnik V. et al. Integrating EEG and Machine Learning to Analyze Brain Changes during the Rehabilitation of Broca’s Aphasia // Sensors. 2024. Vol. 24, № 2. P. 329.
Перевод и адаптация Шадеркина Анастасия, Сеченовский университет, Москва (команда Доквей).