Выявление особенностей вызванного моторного потенциала с помощью сверточных нейронных сетей: преодоление ограничений ручного анализа

Моторные вызванные потенциалы (МВП) – это электрофизиологические сигналы, имеющие решающее диагностическое и мониторинговое значение в неврологии, нейрохирургии и реабилитационной медицине. Традиционно извлечение признаков из данных МВП основывалось на ручном контроле и измерениях, проводимых обученными врачами в соответствии с установленными правилами. Это процесс, который по своей природе субъективен, трудоемок и подвержен значительным различиям между наблюдателями. В этой статье представлено всестороннее обоснование использования подходов на основе сверточных нейронных сетей (CNN) для извлечения признаков МВП. CNN обеспечивают превосходные показатели по ключевым параметрам, включая точность, воспроизводимость, скорость обработки и способность обнаруживать скрытые морфологические паттерны, которые могут ускользать от человеческого визуального восприятия, по сравнению с традиционными ручными методами. Кроме того, автоматизированный анализ на основе CNN устраняет вариабельность между пациентами, что позволяет проводить мониторинг в режиме реального времени во время операции. Оценки производительности, основанные на компьютерном моделировании и структурированном сравнительном анализе двух методов, убедительно подтверждают это утверждение. Внедрение CNN представляет собой революционный шаг на пути к объективному, масштабируемому и клинически надежному анализу, который может стандартизировать интерпретацию МВП в различных клинических условиях и потенциально улучшить результаты лечения пациентов за счет более последовательной неврологической оценки.

1. Rossini P.M., Burke D., Chen R., et al. Non-invasive electrical and magnetic stimulation of the brain, spinal cord, roots and peripheral nerves: Basic principles and procedures for routine clinical and research application. An updated report from an I.F.C.N. Committee. Clinical Neurophysiology. 2015;126(6):1071–1107. https://doi.org/10.1016/j.clinph.2015.02.001

2. MacDonald D.B., Skinner S., Shils J., Yingling C. Intraoperative motor evoked potential monitoring – А position statement by the American Society of Neurophysiological Monitoring. Clinical Neurophysiology. 2013;124(12):2291–2316. https://doi.org/10.1016/j.clinph.2013.07.025

3. Picht Th., Mularski S., Kuehn B., et al. Navigated transcranial magnetic stimulation for preoperative functional diagnostics in brain tumor surgery. Neurosurgery. 2009;65(6):93–98. https://doi.org/10.1227/01.NEU.0000348009.22750.59

4. Kerwin L.J., Keller C.J., Wu W., Narayan M., Etkin A. Test-retest reliability of transcranial magnetic stimulation EEG evoked potentials. Brain Stimulation. 2018;11(3):536–544. https://doi.org/10.1016/j.brs.2017.12.010

5. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015;521:436–444. https://doi.org/10.1038/nature14539

6. Roy Y., Banville H., Albuquerque I., et al. Deep learning-based electroencephalography analysis: a systematic review. Journal of Neural Engineering. 2019;16. https://doi.org/10.1088/1741-2552/ab260c

7. Schirrmeister R.T., Springenberg J.T., Fiederer L.D.J., et al. Deep learning with convolutional neural networks for EEG decoding and visualization. Human Brain Mapping. 2017;38(11):5391–5420. https://doi.org/10.1002/hbm.23730

8. Parduzi Q., Wermelinger J., Koller S.D., et al. Explainable AI for Intraoperative Motor-Evoked Potential Muscle Classification in Neurosurgery: Bicentric Retrospective Study. Journal of Medical Internet Research. 2025;27. https://doi.org/10.2196/63937

9. Kołodziej M., Majkowski A., Rak R.J., Wiszniewski P. Convolutional Neural Network-Based Classification of Steady-State Visually Evoked Potentials with Limited Training Data. Applied Sciences. 2023;13(24). https://doi.org/10.3390/app132413350

10. Bengio Y., Courville A., Vincent P. Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2013;35(8):1798–1828. https://doi.org/10.1109/TPAMI.2013.50

11. Negro F., Muceli S., Castronovo A.M., Holobar A., Farina D. Multi-channel intramuscular and surface EMG decomposition by convolutive blind source separation. Journal of Neural Engineering. 2016;13. https://doi.org/10.1088/1741-2560/13/2/026027

12. Craik A., He Y., Contreras-Vidal J.L. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of Neural Engineering. 2019;16. https://doi.org/10.1088/1741-2552/ab0ab5

13. Wang Ch., Qian W., Shen S., et al. Enhanced semi-supervised model for acoustic leak detection in water distribution networks. Automation in Construction. 2025;175. https://doi.org/10.1016/j.autcon.2025.106228

14. He K., Zhang X., Ren Sh., Sun J. Deep Residual Learning for Image Recognition. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27–30 June 2016, Las Vegas, NV, USA. IEEE; 2016. P. 770–778. https://doi.org/10.1109/CVPR.2016.90

15. Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. In: Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), 22–29 October 2017, Venice, Italy. IEEE; 2017. P. 618–626. https://doi.org/10.1109/ICCV.2017.74