ამიოტროფული გვერდითი სკლეროზით დაავადებული პაციენტების სიცოცხლის ხარისხის გაუმჯობესება, ხელოვნურ ინტელექტზე დაფუძნებული თავის ტვინის პოტენციალების ამოცნობის სისტემის საშუალებით
ჩამოტვირთვები
ამიოტროფიული ლატერალური სკლეროზი (ALS) წარმოადგენს პროგრესირებად ნეიროდეგენერაციულ დაავადებას, რომელიც იწვევს მოტორული ფუნქციების თანდათანობით დაკარგვას და საბოლოოდ მნიშვნელოვნად ზღუდავს ვერბალურ და არავერბალურ კომუნიკაციას. დაავადების გვიან სტადიებზე პაციენტებს ხშირად შენარჩუნებული აქვთ ცნობიერება და კოგნიტიური ფუნქციები, თუმცა ისინი პრაქტიკულად კარგავენ გარესამყაროსთან ურთიერთობის შესაძლებლობას. აღნიშნული გარემოება აჩენს ისეთი ტექნოლოგიური სისტემების შექმნის აუცილებლობას, რომლებიც კომუნიკაციის აღდგენას ან კომპენსაციას უზრუნველყოფს ტვინის აქტივობის საფუძველზე.
ექსპერიმენტული კვლევა ჩატარდა საქართველოს ტექნიკური უნივერსიტეტის ბიოსამედიცინო ინჟინეერის ლაბორატორიაში „CleaveLab“ შესაბამის ლაბორატორიაში BioRadio-ს უსადენო EEG სისტემის გამოყენებით. მონაცემები მიღებულ იქნა არაინვაზიური ელექტროენცეფალოგრაფიული რეგისტრაციის საშუალებით, 10–20 საერთაშორისო სისტემის მიხედვით განლაგებული ელექტროდებით. მიღებული სიგნალები დამუშავდა Excel-ისა და MATLAB-ის გარემოში, განხორციელდა წინასწარი დამუშავება, ნორმალიზაცია, მახასიათებლების ამოღება და კლასიფიკაციის მოდელების შედარებითი შეფასება.
კვლევის ფარგლებში შემოწმებულ იქნა რამდენიმე მანქანური სწავლების მოდელი, მათ შორის Decision Tree, Support Vector Machine და Naive Bayes. მიღებული შედეგების მიხედვით, საუკეთესო სიზუსტე 72.8% აჩვენა Naive Bayes კლასიფიკატორმა. შედეგები მიუთითებს, რომ EEG სიგნალების საფუძველზე „კი/არა“ ტიპის კოგნიტიური პასუხების ამოცნობა შესაძლებელია და მსგავსი მიდგომა პერსპექტიულია ALS-ის მქონე პაციენტებისთვის საკომუნიკაციო სისტემების შექმნის მიმართულებით.
Downloads
Brown, R. H., & Al-Chalabi, A. (2017). Amyotrophic lateral sclerosis. The New England Journal of Medicine, 377(2), 162–172.
Craik, A., He, Y., & Contreras-Vidal, J. L. (2019). Deep learning for electroencephalogram classification tasks: A review. Journal of Neural Engineering, 16(3), 031001.
Jasper, H. H. (1958). The ten-twenty electrode system of the International Federation. Electroencephalography and Clinical Neurophysiology, 10, 371–375.
Kübler, A., & Birbaumer, N. (2008). Brain–computer interfaces and communication in paralysis. Current Opinion in Neurology, 21(6), 634–638.
Lotte, F., et al. (2018). A review of classification algorithms for EEG-based brain–computer interfaces: A 10 year update. Journal of Neural Engineering, 15(3), 031005.
Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
Nicolas-Alonso, L. F., & Gomez-Gil, J. (2012). Brain computer interfaces, a review. Sensors, 12(2), 1211–1279.
Niedermeyer, E., & Lopes da Silva, F. (2005). Electroencephalography: Basic principles, clinical applications, and related fields. Lippincott Williams & Wilkins.
Teplan, M. (2002). Fundamentals of EEG measurement. Measurement Science Review, 2(2), 1–11.
Wolpaw, J. R., & Wolpaw, E. W. (2012). Brain–computer interfaces: Principles and practice. Oxford University Press.
საავტორო უფლებები (c) 2026 ქართველი მეცნიერები
ეს ნამუშევარი ლიცენზირებულია Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 საერთაშორისო ლიცენზიით .
