Удаление артефактов на основе глубокого обучения в приобретении нейронных сигналов

Введение в приобретение нейронных сигналов и артефактов

Приобретение нейронных сигналов включает в себя набор методов, используемых для записи электрической активности из мозга, спинного мозга и периферических нервов. Электроэнцефалография (ЭЭГ), магнитоэнцефалография (МЭГ), электрокортикография (ЭКОГ) и локальные полевые потенциалы (ЛПФ) являются одними из наиболее распространенных методов, используемых как в клинической диагностике, так и в исследованиях нейронауки. Верность этих записей имеет первостепенное значение для извлечения значимой информации о нейронной динамике, когнитивных процессах и патологических состояниях. Однако нейронные сигналы неизменно загрязнены артефактами - нежелательной электрической активностью, возникающей из источников, отличных от интересующих нейронов.

Артефакты можно широко классифицировать по физиологическим и нефизиологическим категориям. Физиологические артефакты происходят из самого тела: глазные моргания и саккады производят большие отклонения напряжения в фронтальных каналах ЭЭГ; мышечные сокращения (миогенная активность) вводят высокочастотный шум; сердечная активность (ЭКГ) и импульсные пульсации создают низкочастотные дрейфы. Нефизиологические артефакты происходят из внешних источников: помехи линии электропередач (50/60 Гц), движение электродов, движение кабелей и электромагнитные помехи от близлежащего оборудования. Эти загрязнители могут затенить истинный нейронный сигнал, что приводит к неправильной интерпретации в приложениях, начиная от обнаружения захвата и постановки сна до управления интерфейсом мозг-компьютер (BCI). Эффективное удаление артефакта, следовательно, является критическим этапом предварительной обработки в любом трубопроводе анализа нейронных сигналов.

Традиционные методы удаления артефактов включают линейную фильтрацию, независимый компонентный анализ (ICA), анализ основных компонентов (PCA) и ручное курирование экспертными аннотаторами. Хотя эти подходы служили области в течение десятилетий, они страдают от нескольких ограничений. Линейные фильтры эффективны только тогда, когда артефакты занимают различные полосы частот, которые не пересекаются с нейронной активностью; например, удаление 60 Гц помех линии электропередач является простым, но разделение мышечного шума (20-200 Гц) от гамма-диапазона мозговых ритмов (30-100 Гц) является гораздо более сложным. ICA может разлагать многоканальные записи на статистически независимые компоненты, но это требует опыта пользователя для идентификации компонентов артефакта и может бороться с нестационарными, нелинейными смесями. ручное редактирование трудоемко, субъективно и непрактично для крупномасштабных приложений в реальном времени.

Почему глубокое обучение для удаления артефактов?

Глубокое обучение произвело революцию во многих областях обработки сигналов и компьютерного зрения, и удаление нейронных артефактов не является исключением. Основным преимуществом моделей глубокого обучения является их способность изучать сложные, нелинейные отображения непосредственно из данных, не требуя явных математических моделей процесса генерации артефактов. Сверточные нейронные сети (CNN) преуспевают в захвате локальных временных моделей, рекуррентные нейронные сети (RNN) и сети с длительной краткосрочной памятью (LSTM) моделируют последовательные зависимости, а автокодировщики могут изучать компактные представления, которые отделяют чистую нейронную активность от шума. Эти модели могут обучаться контролируемым образом с использованием парных загрязненных и чистых сигналов или неконтролируемым / самоконтролируемым образом, используя статистические свойства данных.

Типы используемых архитектур глубокого обучения

Свёрточные нейронные сети (CNN)

CNN особенно хорошо подходят для удаления артефактов, потому что они могут автоматически изучать фильтры, которые обнаруживают специфические для артефакта особенности. Например, глубокий CNN может быть обучен для идентификации резких переходов миганий глаз или ритмических паттернов мышечного шума. Укладывая несколько сверточных слоев с увеличением восприимчивых полей, сеть может захватывать как мелкозернистые, так и широкие временные паттерны. Последние архитектуры, такие как U-Net, первоначально предназначенные для сегментации изображений, были адаптированы для одномерных временных рядов ЭЭГ, что дает впечатляющую производительность деноза.

Рекуррентные и LSTM сети

RNN и LSTM являются естественным выбором для данных временных рядов, поскольку они поддерживают внутреннее состояние, которое кодирует прошлую информацию. При удалении артефактов эти модели могут изучать временную динамику как нейронных сигналов, так и артефактов. Например, автокодер на основе LSTM может реконструировать чистые сигналы, кодируя загрязненный вход в скрытое представление, а затем декодировать его при подавлении связанных с артефактом шаблонов. Двунаправленные LSTM дополнительно повышают производительность за счет обработки данных вперед и назад во времени.

Автокодеры

Автокодеры учатся сжимать входные данные в представление более низких измерений, а затем реконструировать его. При обучении на чистых нейронных сигналах автокодер научится реконструировать только «нормальные» нейронные функции; если представленный загрязненный сигнал, реконструкция будет иметь тенденцию удалять артефакты, потому что они не соответствуют изученному распределению. Автокодеры деноизации явно повреждают вход во время обучения, заставляя сеть реконструировать чистую версию. Вариационные автокодеры (VAE) добавляют вероятностный компонент, позволяя более надежное денозирование.

Генеративные состязательные сети (GAN)

GAN состоят из генератора, который производит чистые сигналы от загрязненных входов и дискриминатора, который пытается отличить генерируемые сигналы от истинных чистых. Благодаря состязательной подготовке генератор становится высококвалифицированным в производстве нейронных данных без артефактов. Хотя GAN может быть более трудным для обучения, они продемонстрировали перспективу в удалении сложных, нестационарных артефактов, где другие методы терпят неудачу.

Преимущества методов глубокого обучения для удаления артефактов

Глубокое обучение предлагает несколько неоспоримых преимуществ перед традиционными подходами:

Последние разработки и приложения

Удаление артефактов в реальном времени для интерфейсов мозг-компьютер

Одна из наиболее активных областей применения — интерфейсы мозг-компьютер, где чистые сигналы необходимы для точного декодирования команд. Например, гибридная модель CNN-LSTM может непрерывно удалять глазные и мышечные артефакты из ЭЭГ, поскольку пользователь выполняет задачи моторной визуализации. В исследовании, опубликованном в журнале Neural Engineering , такая система достигла точности классификации более 90% для моторных изображений четырех классов по сравнению с 78% при обычной очистке на основе ICA. Снижение вычислительной задержки (менее 20 мс на окно) делает ее возможной для управления курсором в реальном времени и работы протезного устройства.

Портативные нейродиагностические устройства

Носимые гарнитуры ЭЭГ и системы сухих электродов становятся все более популярными для домашнего мониторинга эпилепсии, нарушений сна и когнитивных функций. Однако эти устройства особенно восприимчивы к артефактам движения и плохому контакту с электродом. Модели глубокого обучения, которые достаточно легки для работы на встроенных процессорах (например, Raspberry Pi, чипы смартфонов), были разработаны для очистки сигналов на устройстве. Примером является CNN с дистиллированными знаниями, который снижает мощность артефакта на 12 дБ при потреблении только 5 мВт мощности, как сообщается в IEEE Транзакции на биомедицинской инженерии . Это позволяет надежно удалять артефакты без необходимости подключения к облаку, сохраняя конфиденциальность пользователей.

Мультимодальный артефакт

Например, одновременная ЭЭГ и функциональные записи ближней инфракрасной спектроскопии (fNIRS) могут быть совместно деноизированы с использованием архитектуры глубокого обучения, которая объединяет временные особенности от обеих модальностей. Исследование 2023 года показало, что кросс-модальный автокодер может уменьшить артефакты движения на 60% по сравнению с одномодальным денозированием, открывая новые возможности для надежной нейровизуализации в натуралистических условиях.

Проблемы и ограничения подходов к глубокому обучению

Несмотря на впечатляющую производительность, методы глубокого обучения для удаления артефактов сталкиваются с несколькими препятствиями, которые необходимо устранить для широкого распространения:

  • Необходимость в больших маркированных наборах данных.] Надзорные модели требуют много парных примеров загрязненных и чистых сигналов. Сбор чистых нейронных данных с использованием наземной истины затруднен, потому что истинные чистые сигналы редко достижимы in vivo. Исследователи часто прибегают к полуимитированным данным, где чистые записи искусственно повреждены известными артефактами, но это может не полностью захватить изменчивость реальных артефактов. Обучение передаче и самоконтролируемая подготовка появляются в качестве способов смягчения этого требования.
  • Требуется вычислительный ресурс. Для обучения глубоких сетей требуются мощные графические процессоры и значительная память, что может быть барьером для небольших лабораторий или клинических установок с ограниченной ИТ-инфраструктурой. Однако после обучения вывод может быть развернут на скромном оборудовании. Для уменьшения ресурсного следа активно разрабатываются методы сжатия модели, такие как обрезка, квантование и перегонка знаний.
  • Обобщение по предметам и настройкам записи. Модель, обученная на одном наборе данных, может плохо работать на данных из другой кэп, усилителя или лабораторной среды ЭЭГ из-за различий в положениях электродов, уровнях импеданса и характеристиках шума. Методы адаптации домена и обобщения домена направлены на изучение инвариантных признаков, которые передаются в разных условиях. Например, обучение состязательной области может выровнять распределения признаков между исходным и целевым доменами, улучшая точность удаления артефактов поперечного объекта на 15-20%.
  • Отсутствие объяснимости. Модели глубокого обучения часто считаются черными ящиками, что затрудняет понимание того, почему конкретный артефакт был удален или нейронная особенность была сохранена. В клинических применениях объяснимость имеет решающее значение для доверия и одобрения регулирующих органов. Исследования по картам заметности, механизмам внимания и векторам активации концепции ведутся для предоставления информации о модельных решениях. Например, сети на основе внимания могут выделить, какие моменты времени модель считается наиболее подверженной артефактам, предлагая форму визуального объяснения.

Будущие направления и новые тенденции

Самоконтролируемое и противоречивое обучение

Для снижения зависимости от меченых данных набирают силу методы самоконтролируемого обучения. В контрастном обучении модель учится различать чистые и загрязненные артефактами сегменты без явных аннотаций, максимизируя согласие между по-разному дополненными представлениями чистых данных. Ранние результаты показывают, что самоконтролируемая предварительная подготовка с последующей тонкой настройкой на небольшом маркированном наборе может соответствовать производительности полностью контролируемых моделей, при этом требуя только 10% маркированных примеров.

Объясняемый ИИ для обработки нейронных сигналов

Интеграция объяснимости в модели глубокого обучения будет иметь решающее значение для клинического принятия. Исследователи разрабатывают архитектуры «стеклянного ящика», которые по сути обеспечивают причины своих решений — например, изучая словарь шаблонов артефактов, соответствующих физиологическим источникам. Пост-схемные методы объяснения, такие как интегрированные градиенты и значения Шепли, также могут применяться для выделения наиболее влиятельных областей времени. Регулирующие органы, такие как FDA, все чаще подчеркивают алгоритмическую прозрачность, делая объяснимость ключевым приоритетом исследований.

Edge AI и обучение на чипе

По мере того, как носимые устройства становятся более сложными, появляется толчок для выполнения удаления артефактов непосредственно на узле датчика. Достижения в ускорителях ИИ сверхнизкой мощности, таких как Jetson Nano от NVIDIA, TPU Coral Edge от Google и пользовательские ASIC, позволяют делать выводы на уровнях субмилливатта. Обучение на чипе, где модель адаптируется в режиме реального времени к уникальному профилю артефакта субъекта, является новым рубежом. Адаптивный CNN, который тонко настраивает свои веса каждые несколько минут для учета изменений импеданса электродов или мышечной активности, был продемонстрирован в исследовательском прототипе.

Федеративное обучение для сохранения конфиденциальности

Медицинские данные, включая нейронные записи, очень чувствительны. Федеративное обучение позволяет нескольким больницам или исследовательским центрам совместно обучать модель глубокого обучения без обмена сырыми данными, только обновления модели. Этот подход сохраняет конфиденциальность пациентов, в то же время извлекая выгоду из различных наборов данных. Сеть федеративного удаления артефактов, обученная в четырех центрах эпилепсии, достигла сопоставимой производительности с централизованно обученной моделью, демонстрируя возможность совместного обучения, сохраняющего конфиденциальность.

Заключение

Удаление артефактов на основе глубокого обучения стало мощной парадигмой для повышения качества получения нейронных сигналов. Используя репрезентативные возможности CNN, RNN, автокодеров и GAN, эти методы могут автоматически и точно отделять значимую нейронную активность от широкого спектра физиологических и нефизиологических загрязнений. Преимущества - точность, автоматизация, сохранение функций сигнала и возможности в реальном времени - делают глубокое обучение особенно привлекательным для современных приложений, таких как интерфейсы мозг-компьютер, носимая нейродиагностика и мультимодальная нейровизуализация.

Однако проблемы остаются. Необходимость больших маркированных наборов данных, вычислительных ресурсов и кросс-субъектного обобщения требует постоянных инноваций. Новые тенденции в самоконтролируемом обучении, объяснимом ИИ, развертывании краев и федеративном обучении обещают устранить эти ограничения, прокладывая путь для более широкого клинического и коммерческого внедрения. По мере того, как нейронные интерфейсы становятся все более распространенными, надежное удаление артефактов станет краеугольным камнем надежного анализа нейронных данных. Интеграция глубокого обучения в эти конвейеры не только улучшает качество данных, но и открывает новые возможности для адаптивной и персонализированной нейротехнологии в реальном времени.

Для дальнейшего чтения см. всестороннее исследование в Nature Reviews Neuroscience Глубокое обучение для анализа электроэнцефалограммы , обзор IEEE по методам удаления артефактов Обзор методов машинного обучения для удаления артефактов ЭЭГ и недавнее клиническое исследование в NeuroImage Удаление артефактов глубокого обучения в реальном времени для интерфейсов мозг-компьютер .