Определение болезни Паркинсона по ЭЭГ с использованием методов машинного обучения и спектрального анализа: диагностический потенциал и клиническая применимость

Статья посвящена актуальной проблеме ранней инструментальной диагностики болезни Паркинсона (БП). Существующие клинические методы оценки часто субъективны, что диктует необходимость внедрения автоматизированных систем анализа биомаркеров. Целью работы стала разработка и валидация системы классификации пациентов с БП и здоровых испытуемых на основе количественного анализа ЭЭГ.

Исследование проведено на данных открытого датасета UCSD Resting State EEG (16 пациентов, 16 здоровых). В работе сравнивалась эффективность двух методов извлечения признаков: быстрого преобразования Фурье (FFT) и вейвлетпреобразования (вейвлеты Добеши и Морле).

В качестве классификатора использовалась сверточная нейронная сеть (CNN). Результаты показали значительное преимущество метода FFT для анализа записей в состоянии покоя: точность классификации достигла 97%, чувствительность – 91%, специфичность – 95% (AUC 0,97). Вейвлет-анализ продемонстрировал меньшую точность (78%), что объясняется стационарностью сигнала покоя, для которого временная локализация признаков избыточна.

Установлено, что ключевыми спектральными маркерами патологии являются замедление ритмики (рост тета/дельтадиапазонов) и редукция альфа-ритма. Практическая значимость работы заключается в создании микросервиса на базе Python (FastAPI) и ONNX, позволяющего интегрировать модель в клиническую практику в качестве системы поддержки принятия врачебных решений (СППВР).