Классификация артефактов в электроэнцефалографических записях с помощью анализа независимых компонент (ICA) и нейронных сетей

Подробнее Cтатья посвящена разработке и анализу инновационных методов автоматизированной классификации арте фактов в электроэнцефалографических (ЭЭГ) записях с применением анализа независимых компонент (I CA) и современных нейросетевых архитектур. Цель исследования заключалась в сравнении эффективности раз личных моделей глубокого обучения для автоматического распознавания наиболее распространенных типов артефактов, включая окулярные, кардиальные, миографические и технические шумы, которые значительно усложняют интерпретацию ЭЭГ-данных в клинической практике. В работе рассматривались модели на основе рекуррентных нейронных сетей (RNN), архитектур LSTM c двухслойной структурой и dropout = 0,2, сверточных нейронных сетей (CNN с тремя слоями) и трансформеров с механизмом внимания. Для надежности результатов была реализована согласованная стратегия предобработки данных, включающая фильтрацию сигналов, балан сировку классов и оптимизацию параметров обучения (оптимизатор Adam, batch size = 32, соотношение обуча ющей/тестовой выборки 80/20). Комплексный подход позволил оценить специфические особенности каждого класса артефактов и провести глубокий анализ ошибок классификации на разных этапах обработки сигналов. Лучшие показатели были отмечены у архитектуры LSTM (F1-score 0,86), подтверждающие ее способность эф фективно моделировать сложные временные зависимости в ЭЭГ-сигналах. Модель CNN также показала высо кую точность (F1-score 0,83), особенно при выявлении двигательных паттернов, однако уступала по чувстви тельности к длительным артефактам. Полученные данные демонстрируют преимущество глубокого обучения над традиционными алгоритмами, такими как SVM и линейная классификация, и подтверждают возможность полной автоматизации этапа предобработки ЭЭГ для диагностики неврологических заболеваний. Применение предложенных методов способствует снижению субъективных ошибок, сокращению времени анализа и расши ряет перспективы внедрения интеллектуальных систем в современной нейрофизиологической практике, обес печивая повышение точности и универсальности диагностики.