Введение
Задержки моторных вызванных потенциалов (МЭП) определяются как время между импульсом трансканиальной магнитной стимуляции (ТМС), приложенным к первичной моторной коре, и появлением мышечного ответа с амплитудой от пика к пику, регистрируемого с помощью электромиографии (ЭМГ). Эти задержки отражают эффективность передачи нейронов по кортикоспинальному тракту от спинномозгового канала к спинномозговому каналу. связь синапсов с периферическими двигательными единицами, их измерение, несмотря на технические требования, дает уникальную возможность оценить функциональную целостность центральных и периферических двигательных путей (Эмерсон Р. Г., 1998)., его применение варьируется от клинической диагностики неврологических поражений до исследования механизмов пластичности мозга.
В клиническом контексте латентность МЭП служит целью для оценки биомаркеров таких патологий, как рассеянный склероз, мозговые инсульты или травмы спинного мозга. Например, длительная задержка может указывать на демиелинизацию кортикоспинального тракта, в то время как отсутствие реакции указывает на полное прерывание двигательного пути (Митчелл, Т. М. и Макгроу Хи, 1997), эти измерения позволяют количественно оценить эффекты протоколов нейромодуляции (например, повторяющийся ТМС) или препараты, влияющие на возбудимость коры головного мозга, и, подобно амплитуде, с которой испытуемые МЭП могут учитывать индивидуальные и контекстуальные вариации (усталость, внимание), латентность является более стабильным параметром, что делает его предпочтительным инструментом для лонгитюдных или межгрупповых сравнений.
Ручной расчет задержек МЭП основан на строгой методологии, сочетающей точные технические знания, опыт сбора данных и аналитический опыт. После размещения катушки TMS на первичной моторной коре (обычно определяемой по краниальным ориентирам или нейронавигационным данным) подается магнитный импульс, индуцирующий электрический ток в нейронах коры (Ливингстон, С. К., и Ингерсолл, К. Д., 2008). Мышечная реакция регистрируется поверхностными ЭМГ-электродами, размещенными на целевой мышце (например, отводящей мышце кисти). Сигнал ЭМГ, отфильтрованный (полоса пропускания: 10 Гц-2 кГц) и отобранный на высокой частоте (> 5 кГц), отображается на экране для определения начала МЭП. Это определяется как первое отклонение сигнала, превышающее заданный порог (например, на 2 стандартных отклонения выше заданного значения).имитация фонового шума). Однако эта идентификация не является полностью автоматизированной: часто требуется ручная корректировка экспертом, чтобы исключить артефакты (например, потенциалы, связанные с непроизвольным/произвольным сокращением мышц субъекта) и подтвердить отправную точку МЭП. Затем задержка вычисляется путем измерения времени, прошедшего между запуском ТМС (t=0) и этой начальной точкой, как правило, с использованием специализированного программного обеспечения, позволяющего точно разместить временные указатели.
Учитывая ряд ограничений ручных методов аннотирования задержек МЭП, таких как субъективность промежуточной оценки и длительное время, необходимое для анализа больших наборов данных, автоматическое аннотирование является многообещающим решением для стандартизации и оптимизации этого процесса. Этот подход основан на компьютерных алгоритмах, которые позволяют обнаруживать и измерять задержки МЭП с повышенной точностью, тем самым снижая фактор человеческих ошибок, которые могут повлиять на результаты обработки данных клинических или научных исследований.
Основная идея автоматической аннотации заключается в том, чтобы заменить или помочь эксперту определить начальную точку МЭП на основе объективных математических критериев.Наиболее часто используемыми методами являются:
- Алгоритмы, основанные на адаптивных порогах, которые динамически корректируют порог обнаружения в соответствии с ЭМГ фонового шума.
- Методы определения производной сигнала, при которых пик первой производной ЭМГ-сигнала указывает на начальную точку мышечной реакции.
- Методы вейвлет-преобразования, эффективные для выделения специфических временных компонентов МЭП, несмотря на артефакты.
- Сверточные нейронные сети (CNN), обученные на патологических контекстах, аннотированных вручную.
В заключение отметим, что задержки МЭП представляют собой связующее звено между фундаментальной неврологией и трансляционной медициной. Их ручное измерение, хотя и требует больших затрат, обеспечивает беспрецедентное временное разрешение и специфичность для отображения двигательной функции. несмотря на то, что технический прогресс обещает все большую автоматизацию, опыт человека по-прежнему необходим для обеспечения достоверности данных, особенно в популяции патологоанатомов, где важна каждая миллисекунда.
В нашем исследовании возникает ряд исследовательских вопросов, основанных, в частности, на ограничениях и возможностях, выявленных ранее: Как предварительно обработать набор данных, переданный автоматизированной модели для аннотации МЭП? Какова архитектура модели и как ее обучить? Как мы можем подтвердить результаты и обобщить их? Как мы можем интерпретировать результаты и как мы можем использовать их в клинической практике?
Обзор литературы
В последние годы появилось несколько исследований, которые проиллюстрировали потенциал автоматизированных методов, основанных на машинном обучении, в частности, глубокого обучения, как многообещающих решений для преодоления ограничений ручных методов, в этой главе мы рассмотрим последние подходы в области автоматизации анализа МЭП, было проведено множество исследований для разработки автоматизированных моделей задержек МЭП, некоторые из которых основаны на оценке абсолютных жестких пороговых значений (Ратнадурай Гиридхаран и др., 2019), другие - на статистических показателях (Харкель и др., 2016; Соуза В. Х и др., 2018), также был проведен хороший сравнительный обзор предыдущих методов (Шода Дж. и др., 2020), в нашем обзоре мы рассмотрим три основных исследования: алгоритм автоматического аннотирования МЭП на основе глубокого обучения (DELMEP), (Милардович и др., 2023), автоматизированная модель для определения задержек по производной ЭМГ-сигнала (Бигони К. и др., 2022) и MEPFeatX (гуен Д. Т. А. и др., 2025), инструмент для автоматического извлечения различных характеристик МЭП.
Эти три недавних и актуальных исследования способствовали улучшению автоматизированного обнаружения задержек МЭП, уделяя особое внимание их инновационным подходам, результатам и ограничениям. Цель данного обзора - дать полное представление о технологических достижениях в этой области и выявить сохраняющиеся проблемы для более широкого применения в клинических и исследовательских условиях.
- DELMEP: Алгоритм глубокого обучения для автоматизированного определения задержек моторных реакций: (Милардович и др., 2023)
Исследование DELMEP сосредоточено на разработке алгоритма глубокого обучения для автоматизированного аннотирования задержек МЭП основная цель этого исследования - заменить ручные методы аннотирования МЭП, которые часто являются длительными, субъективными и ненадежными, более быстрым, точным и воспроизводимым решением.
Модель DELMEP основана на нейронной сети прямого действия, что является упрощенным, но эффективным подходом в контексте данных ЭМГ (Милардович и др., 2023).
Предварительная обработка ЭМГ-сигналов имеет решающее значение, они фильтруются для устранения артефактов и нормализуются для обеспечения их однородности.
В модели используется скрытая однослойная нейронная сеть с функцией потерь, основанной на среднеквадратичных ошибках. Сеть обучается на большом наборе данных, содержащем данные МЭП от здоровых испытуемых.
Модель была протестирована на наборе данных, составленном из нескольких сеансов TMC по разным темам, и точность прогнозов была сопоставлена с точностью ручных аннотаций трех экспертов-людей.
Модель DELMEP продемонстрировала многообещающую производительность при среднем абсолютном значении около 0,5 мс, что сопоставимо с межэкспертной вариабельностью. Метод также позволяет обрабатывать сигналы в режиме реального времени, что делает его пригодным для клинических применений, где необходим быстрый анализ. Еще одной интересной особенностью DELMEP является способность оставаться устойчивым к колебаниям амплитуды МЭП, что является серьезной проблемой для традиционных подходов.
Хотя модель является многообещающей, она основана на относительно простой архитектуре, которая не учитывает сложных временных зависимостей в сигналах ЭМГ. Кроме того, он оценивался в основном на данных от здоровых испытуемых, что ограничивает его обобщение на более разнообразные клинические группы, в частности, с неврологическими расстройствами, кроме того, исследование не предоставляет подробной информации о подготовленном наборе данных с точки зрения формата и структуры, что делает модель непереносимой и трудной для воспроизведения на других компьютерах. другие наборы данных.
- Автоматизированный метод определения длительности вызванных моторных потенциалов: (Бигони К. и др., 2022)
В исследовании предлагается автоматизированный метод определения латентности MEPS по первой производной ЭМГ-сигнала. В отличие от подхода DELMEP, в котором используется нейронная сеть, этот метод основан на правилах, основанных на характеристиках ЭМГ-сигнала, с целью упрощения аннотации МЭП за счет поддержания высокой точности (Бигони К. и др., 2022).
Выделение латентности было определено с использованием первой производной ЭМГ-сигнала, что позволяет точно идентифицировать изменение наклона, связанное с началом МЭП. Этот процесс выполняется во временных интервалах вокруг стимула ТМС.
Алгоритм был протестирован на наборе данных, включающем 6500 исследований с участием 20 здоровых людей и 11 пациентов, перенесших инсульт. Результаты были сравнены с результатами, полученными тремя экспертами-людьми.
Результаты показали, что автоматизированный метод может прогнозировать задержку сообщений с низкой погрешностью, особенно в тех случаях, когда сообщения были четкими. Метод также показал хорошую корреляцию с комментариями человека, хотя в некоторых случаях при слабом определении сообщений возникают расхождения.
Метод остается чувствительным к шуму и может быть менее точным для МЭП с низкой амплитудой. Кроме того, он не учитывает сложную временную взаимосвязь, которую могли бы зафиксировать более сложные модели.
- MEPFeatX: Автоматическое извлечение признаков моторно-вызванных потенциалов. (гуен Д. Т. А. и др., 2025)
Цель MEPFeatX (гуен Д. Т. А. и др., 2025)состоит в том, чтобы предоставить полный инструмент для автоматической аннотации характеристик МЭП, не только латентности, но и других параметров, таких как амплитуда, длительность и многофазность. Это программное обеспечение призвано упростить анализ карт за счет автоматического и быстрого извлечения соответствующих характеристик из сигналов ЭМГ.
Программное обеспечение использует скользящие окна и динамические пороговые значения для извлечения нескольких функций из МЭП. Оно основано на MATLAB и предлагает простой в использовании пользовательский интерфейс для нейрофизиологов.
Эффективность этого инструмента была подтверждена на основе набора данных, полученных в ходе нескольких исследований ТМС на здоровых людях.
Программное обеспечение показало надежные результаты по извлечению основных характеристик МЭП с производительностью, сравнимой с человеческими оценками таких параметров, как амплитуда и задержка (гуен Д. Т. А. и др., 2025).
Несмотря на гибкость этого инструмента, он основан на фиксированных правилах и не использует преимуществ моделей глубокого обучения, которые потенциально могли бы обеспечить более детальный и надежный анализ в условиях вариаций ЭМГ-сигналов.
Результаты
Приведенное ниже сравнение (таблица 1) подводит итог трем исследованиям с точки зрения их целей, методов, результатов, сильных сторон и ограничений.
|
Аспект |
DELMEP |
Автоматический метод определения задержек MEP |
MEPFeatX |
|
Цели |
Автоматическое создание аннотаций к картам с задержкой с использованием глубокого обучения |
Автоматическое определение задержек с использованием производной ЭМГ-сигнала |
Автоматизируйте извлечение признаков МЭП с помощью MATLAB |
|
Методология |
Нейронная сеть прямого действия, обученная на основе отфильтрованных данных ЭМГ |
Алгоритм на основе правил, использующий первую производную ЭМГ-сигнала |
Обработка сигналов и извлечение на основе пороговых значений с помощью графического интерфейса |
|
Входные данные |
Предварительно обработанные сигналы ЭМГ от здоровых людей |
Исходные данные ЭМГ от 20 здоровых испытуемых + 11 пациентов, перенесших инсульт |
ЭМГ-сигналы из различных исследований ТМС |
|
Выход |
Задержка МЭП |
Задержка МЭП |
Множество признаков МЭП |
|
Методы проверки |
Сравнивается с комментариями экспертов за несколько сеансов |
По сравнению с 3 оценщиками-людьми, участвовавшими в 6500 исследованиях |
Сравнение с ручными аннотациями к внутренним наборам данных |
|
Основные результаты |
Средняя абсолютная ошибка < 0,5 мс; сопоставима с оценками людей |
Высокая корреляция с комментариями экспертов; надежна для здоровых испытуемых |
Точное извлечение признаков; сопоставимо с выводами экспертов |
|
Сильные стороны |
Высокая точность, потенциал в режиме реального времени, возможность обобщения |
Проста, быстра и поддается интерпретации; не требует обучения |
Всестороннее извлечение признаков; удобный интерфейс |
|
Ограничения |
Простая архитектура модели; обучение проводится только на здоровых данных |
Всестороннее выделение признаков; удобный интерфейс |
Основан на правилах; не обладает адаптивностью или возможностями обучения |
|
Технологическая основа |
Глубокое обучение (нейронные сети) |
Детерминированная обработка сигналов |
Обработка сигналов на основе MATLAB |
|
Целевые пользователи |
Клиницисты, исследователи в области нейрофизиологии |
Клиницисты, электрофизиологи |
Клиницисты и исследователи имеют доступ к MATLAB |
|
Доступность |
Открытый исходный код, который еще не опубликован
|
Метод описан в публикации; доступность кода неясна |
Набор инструментов MATLAB находится в свободном доступе |
Таблица 1: Сравнительная таблица трех методов
Обсуждение результатов
Из трех исследований мы можем видеть, что все модели были разработаны на основе собственного набора данных, в некоторых условиях с несколькими этапами предварительной обработки, что затрудняло их воспроизведение, кроме того, мы попытались протестировать, например, алгоритм DELMEP на наборе данных ТМС лаборатория НИУ ВШЭ, но столкнулись с трудностями. проблема в том, что мы не смогли выполнить предложенный скрипт на нашем наборе данных из-за несоответствия входного формата.
Другим важным моментом является то, что структура используемой нейронной сети (NN), например, в DELMEP, которая является простой прямой связью, игнорирует временные зависимости от сигналов ЭМГ и снижает точность для сложных и зашумленных сигналов МЭП.
Кроме того, все три метода были протестированы на данных здоровых людей, и в реальных клинических условиях они могут плохо реагировать на шумы или отсутствие ответов,
за исключением MEPFeatX, исследования фокусируются только на задержках, в то время как другие важные характеристики (амплитуда, продолжительность, полифазия) также могут быть автоматизированы с помощью технологий глубокого обучения..
Заключение
в настоящем обзоре литературы мы представили наиболее важные исследования, которые были проведены для автоматизации выделения признаков моторных вызванных потенциалов, точнее, задержек МЭП, идея не нова, но сталкивается с множеством трудностей, как мы уже упоминали в настоящей статье, все существующие методы показали хорошие результаты в выявлении Функции МЭП, но общим ограничением было то, что они были разработаны для определенных наборов данных, что делало их невоспроизводимыми в других наборах данных. в нашем следующем исследовании мы предложим инновационный подход, основанный на сверточных нейронных сетях (CNN), для автоматизации определения латентных моторных вызванных потенциалов МЭП по электромиографическим сигналам (ЭМГ), полученным с помощью транскраниальной магнитной стимуляции (ТМС).
Инициатива будет направлена на удовлетворение растущей потребности в надежных, воспроизводимых и автоматизированных инструментах в области нейрофизиологии, где написание аннотаций вручную остается утомительной задачей, подверженной вариативности между аннотаторами и чувствительной к помехам в сигналах. состоит из создания высококачественного аннотированного набора данных, реализации модели CNN и тщательной оценки, основанной на стандартных показателях, таких как MAE, корреляция Пирсона и среднее смещение. Если результаты подтвердят нашу гипотезу, это исследование может привести к созданию надежного клинического инструмента, облегчающего анализ двигательных реакций в контексте диагностики, последующего терапевтического наблюдения или фундаментальных исследований.
Таким образом, этот проект является частью динамичной модернизации инструментов нейрофизиологии, частью платформы автоматизированного прогнозирования, которая поможет в обработке экспериментов ТМС в лабораториях НИУ ВШЭ, опираясь на достижения в области глубокого обучения, чтобы предложить автоматическое, надежное и клинически значимое решение для определения задержек и амплитуд МЭП....и так далее.