ЭЭГ

Исследование опубликовано в журнале npj Digital Medicine 3 августа 2026 года и посвящено применению технологии цифровых двойников для прогнозирования прогрессирования болезни Альцгеймера. Методология основана на анализе электроэнцефалограммы (ЭЭГ) пациентов с последующим созданием персонализированных цифровых моделей, которые имитируют нейронную активность и позволяют предсказывать траекторию развития заболевания. Цифровые двойники в данном контексте представляют собой машинно-обучаемые модели, которые интегрируют индивидуальные нейрофизиологические данные пациента для симуляции различных сценариев прогрессирования когнитивных нарушений. Подход сочетает методы глубокого обучения для обработки сигналов ЭЭГ с динамическим моделированием патологических процессов в мозге. Технология потенциально позволяет клиницистам оценивать эффективность различных терапевтических вмешательств на виртуальной модели перед применением у конкретного пациента. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость работы для области цифровой медицины и ИИ-диагностики неврологических заболеваний. Детальные результаты исследования, включая метрики точности прогнозирования и размеры выборки, не представлены в доступном фрагменте текста.

Данный систематический обзор посвящен анализу современных методов использования искусственного интеллекта для прогнозирования эпилептических приступов на основе данных электроэнцефалографии (ЭЭГ) в режиме реального времени. Исследование фокусируется на оценке эффективности алгоритмов машинного и глубокого обучения, способных выявлять преиктальные состояния до наступления клинического приступа. В работе систематизированы различные архитектуры нейронных сетей, применяемые для обработки временных рядов ЭЭГ, и оцениваются их показатели точности, чувствительности и специфичности. Авторы анализируют переход от статических моделей к системам непрерывного мониторинга, которые критически важны для разработки носимых устройств. Ключевым аспектом является выявление существующих пробелов в методологии, таких как проблема обобщающей способности моделей на новых пациентах и вычислительная сложность алгоритмов. Результаты обзора подчеркивают потенциал ИИ в создании систем раннего предупреждения, способных значительно повысить безопасность и качество жизни пациентов с тяжелыми формами эпилепсии.

В статье представлена инновационная архитектура глубокого обучения под названием CastNet, предназначенная для автоматизированного обнаружения депрессивных состояний на основе анализа сигналов электроэнцефалограммы (ЭЭГ). Основная особенность модели заключается в использовании трехканальной обработки данных, что позволяет более эффективно извлекать пространственно-временные признаки из нейронной активности. Исследование фокусируется на проблеме кросс-субъектного анализа, стремясь обеспечить высокую точность диагностики даже при работе с данными новых пациентов, не участвовавших в обучении модели. Методология включает в себя специализированные слои для обработки сигналов ЭЭГ, что позволяет минимизировать индивидуальные различия между испытуемыми. Результаты демонстрируют превосходство CastNet над существующими методами классификации, подтверждая потенциал технологии для интеграции в системы цифровой психиатрии. Данная разработка имеет высокую клиническую значимость, так как может стать инструментом объективного мониторинга ментального здоровья и ранней диагностики депрессии.

Исследователи разработали инновационную систему BrainYears — «часы биологического возраста» мозга, основанные на анализе электроэнцефалограммы (ЭЭГ) с помощью машинного обучения. В ходе разработки использовались 643 высокоразмерных нейронных признака, полученных с помощью портативного устройства Sens.ai. Модель демонстрирует высокую точность предсказания хронологического возраста с коэффициентом корреляции Пирсона r = 0,92 и средней абсолютной ошибкой (MAE) всего 4,43 года. В отличие от дорогостоящих и громоздких методов МРТ, данный подход является неинвазивным, экономичным и позволяет проводить регулярный мониторинг состояния мозга в домашних условиях. В рамках клинического исследования программы нейромодуляции группа участников показала значительное омоложение биологического возраста мозга в среднем на 5,18 года, в то время как в контрольной группе изменений не зафиксировано (+0,07 года). Данная разработка представляет собой готовую платформу для количественной оценки эффективности терапевтических вмешательств и мониторинга нейродегенеративных процессов.

Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен инновационный подход к лечению большого депрессивного расстройства (БДР) с использованием цифровых биомаркеров на основе электроэнцефалографии (ЭЭГ). Авторы разработали метод персонализации параметров транскраниальной магнитной стимуляции (ТМС), который позволяет адаптировать терапию под индивидуальные нейрофизиологические особенности пациента. Использование ЭЭГ-данных в качестве цифрового биомаркера позволяет точнее определять целевые зоны коры головного мозга и оптимизировать протоколы стимуляции. Методология исследования направлена на преодоление проблемы низкой эффективности стандартных протоколов ТМС, которые часто применяются по принципу «один размер для всех». Ключевым результатом является возможность повышения клинической эффективности терапии за счет точной настройки нейромодуляции. Данная разработка имеет высокую значимость для психиатрической практики, предлагая переход к прецизионной (высокоточной) нейротерапии на основе объективных данных мониторинга мозговой активности.

Компания Zeto получила разрешение FDA на использование своего нового ЭЭГ-устройства New Wave, предназначенного для записи мозговых волн в амбулаторных условиях или дома. Устройство позволяет проводить краткосрочную запись до 2,5 часов с синхронизацией видео, аудио и дополнительных биометрических сигналов через облачную платформу.