Delta2Gamma: самообучающийся анализ ЭЭГ точнее находит признаки Альцгеймера

1 сентября 20268 просмотров

Новый подход обучается на немаркированных сигналах, раскладывая запись на пять ритмов и адаптивно настраивая контрастивное сравнение. На наборе данных ADFTD он достиг точности 92,4%, опередив классические контролируемые методы.

Delta2Gamma: самообучающийся анализ ЭЭГ точнее находит признаки Альцгеймера

ЭЭГ как дешевый, но сложный сигнал

Для ранней диагностики болезни Альцгеймера нужны доступные методы. ЭЭГ выглядит идеально: оборудование портативное и недорогое. Но у записей есть особенности: они зашумлены, сильно различаются между людьми, а размеченных клинических данных мало. Из-за этого обычные нейросети, обученные «в лоб», часто переобучаются и плохо работают на новых пациентах.

В таких условиях перспективен самообучающийся анализ, например Delta2Gamma.

Самообучение вместо ручной разметки

Исследователи Чанву Пак и Чанву Ким предложили фреймворк Delta2Gamma, который не требует больших размеченных наборов. Идея в том, чтобы учиться на самих сигналах, создавая из них дополненные версии и сопоставляя их между собой — такой подход называется контрастивным обучением.

Сначала каждая запись раскладывается на пять классических нейронных ритмов: дельту, тету, альфу, бету и гамму. Для каждого ритма используется отдельный энкодер и своя проекционная голова, ведь статистика у диапазонов разная. Чтобы они вносили сбалансированный вклад в обучение, для каждого диапазона адаптивно подбирается температура — параметр, управляющий чувствительностью контрастивной функции потерь.

Результаты

Работа принята к 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). На когорте ADFTD эффективность Delta2Gamma проверили со строгим протоколом leave-one-subject-out: модель обучается на всех участниках, кроме одного, а потом проверяется на исключенном субъекте. Это максимально приближено к реальному использованию. На такой проверке удалось разделить пациентов с Альцгеймером и когнитивно нормальных людей с точностью 92,4%.

Этот результат превосходит как обычные контролируемые нейросети, так и недавние специализированные методы анализа ЭЭГ, которые разрабатывались именно для этой задачи.

Выводы

Delta2Gamma демонстрирует, что самообучающийся анализ ЭЭГ способен давать высокую точность без огромных размеченных баз. Возможность работать с сырыми, неразмеченными данными делает подход масштабируемым — его можно применять для массового скрининга деменции, где главное — низкая стоимость и простота. Это не замена полноценной диагностике, но перспективный инструмент для первичного отбора.

Часто задаваемые вопросы

Похожие материалы

Все материалы
AURA-Eval: как проверить, что LLM-агент распознал риск и изменил следующий шаг
Новости

AURA-Eval: как проверить, что LLM-агент распознал риск и изменил следующий шаг

Фреймворк оценивает поведение LLM-агентов не по финальному вердикту, а по реакции на риск в ключевых точках: траектории вызовов инструментов прерываются, после чего модель должна продолжить рассуждение и действие, а панель LLM-судей разбирает обнаружение риска, характер и безопасность шага. На 1249 заданиях, собранных из 157 траекторий R-Judge, у 20 моделей небезопасные действия учащаются при отсутствии безопасного пути, а снятие надзора до выполнения переводит 52,3% изначально безопасных случаев в небезопасные.

10 ноября 2026
Память резервуара Черна — Саймонса: самостоятельная динамика связности и перенос плотности
Новости

Память резервуара Черна — Саймонса: самостоятельная динамика связности и перенос плотности

В статье разбирается, как резервуар сохраняет историю входных сигналов одновременно в распределении плотности и геометрических степенях свободы. Сравнение четырёх механизмов показывает, что ток создаёт отдельную компоненту связности, меняющую последующий отклик плотности, а учёт всех измеренных признаков даёт небольшой прирост в декодировании порядка импульсов.

10 ноября 2026
STAR: адаптивная нормализация временного контекста и графа сервисов для сквозного инцидент-менеджмента
Исследования

STAR: адаптивная нормализация временного контекста и графа сервисов для сквозного инцидент-менеджмента

Фреймворк STAR учит представления по метрикам, журналам и трассировкам, применяя обучаемую нормализацию с учётом многомасштабной временной динамики и структуры зависимостей между сервисами. На двух реальных наборах данных такой контур обеспечивает устойчивый рост качества выявления аномалий, сортировки отказов и поиска корневых причин относительно современных базовых методов.

10 ноября 2026
Delta2Gamma: самообучающийся анализ ЭЭГ для диагностики Альцгеймера