การประมวลผลสัญญาณชีวภาพ: EEG และสัญญาณทางระบบประสาท

กำไร:

• ความสามารถในการสร้างเวิร์กโฟลว์ปัญญาประดิษฐ์ในการลบสิ่งประดิษฐ์ การตรวจจับเหตุการณ์ และการดึงคุณสมบัติในการบันทึก EEG
• ความสามารถในการรับรู้ผลกระทบของอัตราส่วนสัญญาณต่อเสียงรบกวนที่ต่ำของ EEG และความแปรปรวนสูงในการตรวจสอบ
• ความสามารถในการอธิบายว่าเอาต์พุต AI ของสัญญาณประสาทควรได้รับการทดสอบโดยได้รับอนุมัติจากนักประสาทสรีรวิทยาทางคลินิก

Electroencephalography (EEG; English electroencephalography) คือการบันทึกกิจกรรมทางไฟฟ้าของสมองโดยมีขั้วไฟฟ้าวางอยู่บนหนังศีรษะ EEG ถูกนำมาใช้ในหลากหลายด้าน ตั้งแต่การวินิจฉัยโรคลมบ้าหมู ไปจนถึงระยะการนอนหลับ ตั้งแต่การตรวจติดตามผู้ป่วยหนักไปจนถึงอินเทอร์เฟซของสมองและคอมพิวเตอร์ แต่มันเป็นสัญญาณที่ท้าทายกว่า ECG มาก เพราะแอมพลิจูดของมันอยู่ในระดับไมโครโวลต์ (หนึ่งในล้านของโวลต์) ซึ่งหมายความว่ามันเกือบจะเล็กเท่ากับสัญญาณรบกวน อัตราส่วนสัญญาณต่อเสียงรบกวนต่ำ (เรียกสั้น ๆ ว่า SNR; ความแรงสัมพัทธ์ของสัญญาณที่เป็นประโยชน์ต่อเสียงรบกวน) ทำให้ EEG ทั้งน่าดึงดูดและเป็นอันตรายต่อปัญญาประดิษฐ์ ในบทนี้ เราจะดูขั้นตอนการทำงานของ EEG ปัญหาของสิ่งประดิษฐ์ และเหตุใดการอนุมัติของนักประสาทสรีรวิทยาจึงเป็นสิ่งที่ขาดไม่ได้

เรามาพูดกันตั้งแต่ต้น: แบบจำลอง EEG อาจบอกว่า "การจับกุมเป็นไปได้"; แต่การวินิจฉัยโรคลมบ้าหมูและการตีความอาการชักเป็นของนักประสาทสรีรวิทยาคลินิก ปัญญาประดิษฐ์ไม่ได้วินิจฉัย

ห่วงโซ่การประมวลผล EEG

ขั้นตอนที่ 1 — การลงทะเบียนและการประกอบ EEG เป็นแบบหลายช่องสัญญาณ (โดยทั่วไปคือขั้วไฟฟ้า 19-256) การวางอิเล็กโทรดเป็นไปตามคำสั่งมาตรฐานสากล (ระบบ 10-20) สัญญาณจะถูกอ่านโดยสัมพันธ์กับอิเล็กโทรดอ้างอิง ทางเลือกในการติดตั้งส่งผลต่อการตีความ

ขั้นตอนที่ 2 — การสกัดสิ่งประดิษฐ์ แหล่งที่มาของการปนเปื้อน EEG มีมากมาย: การกระพริบตาและการเคลื่อนไหวของดวงตา การทำงานของกล้ามเนื้อ (โดยเฉพาะขากรรไกรและคอ) การเต้นของหัวใจ เหงื่อออก การสัมผัสของอิเล็กโทรด และการรบกวนของกริด สิ่งประดิษฐ์เหล่านี้สามารถเลียนแบบคลื่นสมองจริงได้ ปัญญาประดิษฐ์ช่วยในการทำความสะอาดเซ็กเมนต์สิ่งประดิษฐ์ผ่านวิธีการต่างๆ เช่น การติดธงและการวิเคราะห์องค์ประกอบอิสระ

ขั้นตอนที่ 3 — การแยกคุณสมบัติ EEG มักจะแบ่งออกเป็นคลื่นความถี่: เดลต้า (ช้า นอนหลับลึก) ทีต้า อัลฟา (พักผ่อน) เบตา (ตื่นตัว) และแกมมา จุดแข็งของแบนด์ การวัดการเชื่อมต่อ และการตอบสนองที่เกี่ยวข้องกับเหตุการณ์ถูกนำมาใช้เป็นคุณสมบัติ

ขั้นตอนที่ 4 — การตรวจจับ/จำแนกเหตุการณ์ แบบจำลองนี้แนะนำเหตุการณ์ต่างๆ เช่น กิจกรรมการชัก การปลดปล่อยคลื่นที่ขัดขวาง หรือระยะการนอนหลับ ผลลัพธ์จะเป็นเครื่องหมายและแท็กที่ประทับเวลา

ขั้นตอนที่ 5 — การประเมินโดยผู้เชี่ยวชาญ สัญญาณจะถูกนำเสนอต่อนักประสาทสรีรวิทยาทางคลินิก ผู้เชี่ยวชาญยืนยัน แก้ไข หรือปฏิเสธ ความคิดเห็นมีไว้สำหรับผู้เชี่ยวชาญ

เหตุใดการตรวจสอบ EEG จึงเป็นเรื่องยาก

เหตุผลสามประการที่ทำให้ EEG มีความเปราะบางเป็นพิเศษ ประการแรก SNR ต่ำ: สัญญาณที่แท้จริงถูกซ่อนอยู่ในสัญญาณรบกวน โมเดลอาจเข้าใจผิดว่าสัญญาณรบกวนเป็นรูปแบบได้อย่างง่ายดาย ประการที่สอง ความแปรปรวนสูง: แม้แต่ EEG ของคนคนเดียวกันยังแปรผันตามความตื่นตัว การใช้ยา และอายุ ความแตกต่างระหว่างบุคคลนั้นยิ่งใหญ่กว่า ประการที่สาม ความไม่แน่นอนในการอ้างอิง: แม้แต่ผู้เชี่ยวชาญก็ไม่เห็นด้วยกับการทำเครื่องหมาย "มาตรฐานทองคำ" ของเหตุการณ์ต่างๆ เช่น การชัก (ความแปรปรวนระหว่างเซิร์ฟเวอร์สังเกตการณ์) เมื่อรวมทั้งสามสิ่งนี้เข้าด้วยกัน รูปแบบ EEG ที่ดูน่าประทับใจในห้องปฏิบัติการจะพังลงในคลินิกจริงได้อย่างง่ายดาย

คดีเล็กๆ สามคดี: ตามตัวเลข

กรณีที่ 1 — การกะพริบเป็นการเลียนแบบอาการชัก แบบจำลองการตรวจจับอาการชักเข้าใจผิดว่าการกะพริบตาเป็นจังหวะพบว่ามีหนามแหลมและคลื่นในบริเวณส่วนหน้าของผู้ป่วยเด็ก ทำให้เกิดสัญญาณเท็จหลายครั้งต่อนาที ผู้เชี่ยวชาญเห็นว่ารอยดังกล่าวซ้อนทับกับช่องตาและแยกสิ่งแปลกปลอมออกจากกัน แบบจำลองสร้างป้าย ผู้เชี่ยวชาญดึงเอาความเป็นจริงออกมา

กรณีที่ 2 — ประหยัดเวลาในการจัดระยะการนอนหลับ ห้องปฏิบัติการการนอนหลับจะแบ่งระยะการบันทึกด้วยตนเองในช่วง 30 วินาทีตลอดทั้งคืน ประมาณ 2 ชั่วโมงต่อการบันทึก AI ก่อนการแสดงละครลดลงเหลือ 35 นาที; ช่างเทคนิคตรวจสอบเฉพาะส่วนและการเปลี่ยนภาพที่โมเดลไม่ชัดเจน ผู้เชี่ยวชาญอนุมัติรายงานการแสดงละครขั้นสุดท้าย

กรณีที่ 3 — การปฏิเสธการตรวจสอบภายนอก แบบจำลองการตรวจจับอาการชักแสดงความไว 90% ที่ศูนย์กลางที่ได้รับการพัฒนา ลดลงเหลือ 68% ในข้อมูลที่รวบรวมโดยโรงพยาบาลอื่นโดยใช้อิเล็กโทรดและอุปกรณ์บันทึกที่แตกต่างกัน จำนวนอิเล็กโทรด อัตราการสุ่มตัวอย่าง และโปรไฟล์ของผู้ป่วยแตกต่างกัน โมเดลไม่สามารถถือว่าเชื่อถือได้จนกว่าจะได้รับการตรวจสอบซ้ำในแต่ละสภาพแวดล้อมที่จะใช้งาน

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

หมายเหตุ: พร้อมท์ต่อไปนี้มีประโยชน์ในการแก้ไขรายงาน EEG/ข้อความคุณลักษณะ การตีความ EEG แบบ Raw เป็นผลงานของซอฟต์แวร์และนักประสาทสรีรวิทยาที่ได้รับการตรวจสอบแล้ว

พรอมต์ที่อ่อนแอ:

มีโรคลมบ้าหมูใน EEG นี้หรือไม่[คุณสมบัติ]

พรอมต์อันทรงพลัง:

บทบาทของคุณ: คุณเป็นผู้ช่วยวิเคราะห์สัญญาณประสาท (คุณไม่ใช่ผู้วินิจฉัย) ประเมินคุณสมบัติสรุป EEG ที่ไม่ระบุชื่อต่อไปนี้: - ตารางจุดแข็งของแบนด์และสัญญาณเหตุการณ์ ตีความ แต่ไม่ต้องวินิจฉัย - สำหรับแต่ละป้ายเหตุการณ์ "จะมีสิ่งประดิษฐ์ได้ไหม" เพิ่มคอลัมน์ (ตา/กล้ามเนื้อ/ตาราง)- เขียนความกำกวมให้ชัดเจน เพิ่มคำเตือน SNR ต่ำ - สุดท้ายระบุ 3 จุดที่นักประสาทสรีรวิทยาควรยืนยันในการบันทึกแบบดิบ คุณสมบัติที่ไม่ระบุชื่อ: [จุดแข็งของแบนด์ การประทับเวลาของเหตุการณ์ ข้อมูลช่อง]

เทมเพลตที่คัดลอกได้สี่แบบ

1) สรุปความแข็งแกร่งของวงดนตรี:

ตารางกำลังของย่านความถี่ EEG ต่อไปนี้ (เดลต้า ทีต้า อัลฟา เบต้า) และประเมินความน่าเชื่อถือด้วยสถานะตื่น อย่าวินิจฉัย. ข้อมูล: [ค่า]

2) การตรวจสอบความเป็นไปได้ของสิ่งประดิษฐ์:

สำหรับสัญญาณที่เกิดขึ้นแต่ละอย่าง ให้ทำเครื่องหมายโอกาสที่ดวงตา/กล้ามเนื้อ/ตาข่ายจะผิดปกติเป็นต่ำ/กลาง/สูง และเขียนเหตุผลของคุณ สัญญาณ: [รายการ]

3) การควบคุมคุณภาพการจัดเตรียมการนอนหลับ:

ทำเครื่องหมายการเปลี่ยนแปลงอย่างกะทันหัน/ไม่น่าเป็นไปได้ (เช่น กระโดดจาก REM ไปสู่โหมดสลีปลึก) ในเอาต์พุตการแสดงระยะการนอนหลับของ AI ด้านล่าง แสดงรายการชิ้นส่วนที่ต้องมีการควบคุมโดยช่างเทคนิค เอาต์พุต: [การแสดงละคร]

4) แผนการตรวจสอบภายนอก:

เขียนแผนการตรวจสอบความถูกต้องภายนอกฉบับร่างสำหรับแบบจำลองการตรวจจับเหตุการณ์ EEG: จำนวนอุปกรณ์/อิเล็กโทรดที่แตกต่างกัน ข้อตกลงระหว่างเซิร์ฟเวอร์สังเกตการณ์ (คัปปา) SNR และการทดสอบสิ่งประดิษฐ์ ทำเครื่องหมายจุดตรวจสอบส่วนบุคคล

บทบาทของโมเดล: ตามประเภทงาน

ประเภทงาน

การมีส่วนร่วมของ AI

การวิพากษ์วิจารณ์

การตรวจสอบ

การทำเครื่องหมายสิ่งประดิษฐ์

สูง

ต่ำ

บทวิจารณ์ของผู้เชี่ยวชาญ

การแยกแบนด์/ฟีเจอร์

สูง

ปานกลาง

ความน่าเชื่อถือทางสรีรวิทยา

การจัดเตรียมงานการนอนหลับเบื้องต้น

สูง

ปานกลาง

การอนุมัติจากผู้เชี่ยวชาญ

การตรวจจับก่อนการจับกุม

ปานกลาง

สูง

นักประสาทสรีรวิทยา + บันทึกดิบ

การตัดสินใจวินิจฉัย

จำกัด

สูงมาก

การอนุมัติจากผู้เชี่ยวชาญเต็มรูปแบบ

เคล็ดลับ: ก่อนที่จะอาศัยรูปแบบลายเซ็นใน EEG ให้ตรวจสอบการทับซ้อนของสัญญาณนั้นกับช่องตาและกล้ามเนื้อ กิจกรรมส่วนใหญ่ที่ดูเหมือนจะเป็นการจับกุมนั้นเป็นสิ่งประดิษฐ์ทางชีววิทยาจริงๆ

ข้อควรระวัง: เมื่อแบบจำลอง EEG ได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่รวบรวมจากผู้ป่วยจำนวนไม่มาก โมเดลเหล่านั้นจะพอดี (จดจำ) รูปแบบเฉพาะของแต่ละบุคคลมากเกินไป และเกิดข้อขัดข้องในผู้ป่วยรายใหม่ ประสิทธิภาพในห้องปฏิบัติการที่สูงไม่ได้รับประกันความสำเร็จทางคลินิกที่แท้จริง การตรวจสอบภายนอกเป็นสิ่งจำเป็น

ข้อผิดพลาดทั่วไป

• การเข้าใจผิดว่าสิ่งประดิษฐ์นั้นเป็นสัญญาณสมอง การกระพริบตาและการทำงานของกล้ามเนื้อเลียนแบบอาการชัก ควรตรวจสอบการทับซ้อนของช่อง
• ไม่สนใจ SNR ต่ำ สัญญาณรบกวนที่อ่อนแออาจทำให้โมเดลเข้าใจผิดได้ง่าย
• การตรวจสอบในศูนย์เดียว รูปแบบอุปกรณ์และอิเล็กโทรดที่แตกต่างกันทำให้ประสิทธิภาพลดลง
• ละเว้นความแปรปรวนของเซิร์ฟเวอร์ระหว่างผู้สังเกตการณ์ เมตริกโมเดลจะทำให้เข้าใจผิดหากข้อมูลอ้างอิงไม่ชัดเจน
• การกำจัดผู้เชี่ยวชาญ สัญญาณได้รับการสนับสนุน การตีความอาการชักและการวินิจฉัยเป็นของผู้เชี่ยวชาญ

โดยสรุป

• EEG เป็นสัญญาณไมโครโวลต์แบบหลายช่องสัญญาณที่มี SNR ต่ำ มันไวต่อสิ่งประดิษฐ์อย่างมาก
• เวิร์กโฟลว์ประกอบด้วยแอสเซมบลี การแยกอาร์ติแฟกต์ การแยกฟีเจอร์ และการตรวจจับเหตุการณ์
• SNR ต่ำ ความแปรปรวนสูง และความไม่แน่นอนของการอ้างอิงทำให้การตรวจสอบทำได้ยากเป็นพิเศษ
• ควรตรวจสอบโมเดลอีกครั้งในแต่ละอุปกรณ์และกลุ่มประชากรที่จะใช้
• การชักและการตีความการวินิจฉัยเป็นของนักประสาทสรีรวิทยาทางคลินิก AI ไม่วินิจฉัย

งานสมัคร

เลือกสถานการณ์การตรวจจับเหตุการณ์ EEG สมมุติ (เช่น การตรวจจับการชักล่วงหน้า) เขียนลายเซ็นเหตุการณ์ห้ารายการที่โมเดลสร้างขึ้นและถามแต่ละรายการว่า "นี่อาจเป็นสิ่งประดิษฐ์ได้หรือไม่" กรอกข้อมูลลงในคอลัมน์ (ตา/กล้ามเนื้อ/ตาราง/จริง) จากนั้นเขียนแผนการตรวจสอบภายนอกสามรายการสำหรับแบบจำลองนี้ และทำเครื่องหมายจุดที่ผู้เชี่ยวชาญทำการตัดสินใจขั้นสุดท้ายอย่างชัดเจน

รายการตรวจสอบ

• [ ] ฉันรู้ว่า EEG เป็นสัญญาณ SNR ต่ำ หลายช่องสัญญาณ และมีแนวโน้มที่จะเกิดข้อผิดพลาด
• [ ] ฉันเข้าใจขั้นตอนการประกอบ การแยกสิ่งประดิษฐ์ คุณลักษณะ และขั้นตอนการตรวจจับเหตุการณ์ของเวิร์กโฟลว์
• [ ] ฉันเห็นว่าสิ่งประดิษฐ์เลียนแบบเหตุการณ์และใช้การควบคุมการทับซ้อนกันของช่องสัญญาณ
• [ ] ฉันเข้าใจว่าทำไมการตรวจสอบจากภายนอกจึงมีความสำคัญ และฉันเข้าใจความแปรปรวนของเซิร์ฟเวอร์ระหว่างผู้สังเกตการณ์
• [ ] ฉันได้ทำความเข้าใจว่าการตีความอาการชักและการวินิจฉัยยังคงอยู่กับผู้เชี่ยวชาญ