Северного Кавказа
по надзору за соблюдением законодательства
в сфере массовых коммуникаций
и охране культурного наследия
ПИ №ФС77-26521 от 7 декабря 2006 года
ISSN 2073-8137
русский
english
Поиск по сайту
Адрес редакции
355017, Ставрополь, улица Мира, 310.
Телефоны
(8652) 35-25-11, 35-32-29.
E-mail
medvestnik@stgmu.ru
Журнал включён в Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы результаты диссертаций на соискание учёной степени кандидата и доктора наук (решение Президиума ВАК Минобрнауки РФ №6/6, февраль 2010).
Журнал включён в Реферативный журнал и Базы данных ВИНИТИ РАН и зарегистрирован в Научной электронной библиотеке в базе данных Российского индекса научного цитирования на основании сублицензионного договора № 07-04/09-14 от 25 марта 2009 года.
Журнал индексируется: БД SCOPUS, Ulrich's International Periodicals Directory.
Использование искусственного интеллекта для оценки и систематизации электроэнцефалограмм сна у новорожденных, имеющих риск развития патологии головного мозга
[Неврология]
Селицкий Стас ; Селицкая Наталья ; Шульц Д. ;
Проведен анализ возможности машинного обучения в изучении и систематизации электроэнцефалограмм, записанных в течение сна у новорожденных с риском развития патологии головного мозга. Новорожденные были представлены в разных возрастных группах. Интерпретация ЭЭГ рассматривалась как мультизадачная проблема, решаемая с помощью применения искусственного интеллекта (модель дерева решений), который эффективно и точно оценивал постконцептуальный возраст ребенка. Вместе с тем полной экспертной оценки изменений ряда параметров достигнуть не удалось из-за недостаточной глубины принятия решений/заключений в предлагаемой модели исследования. Кроме того, ЭЭГ сна имеют значительное перекрытие между возрастами из-за различий как в моделях развития мозга новорожденных, так и в оценках экспертов. Результаты исследования продемонстрировали способность предложенной технологии машинного обучения обеспечить оценку и систематизацию результатов ЭЭГ, сопоставимую по точности с заключениями экспертов.
Список литературы:
1. Jakaite L., Schetinin V., Maple C. Bayesian assessment of newborn brain maturity from two-channel sleep electroencephalograms. Computational and Mathematical Methods in Medicine. 2012(3):629654. https://doi.org/10.1155/2012/629654
2. Nyah N., Jakaite L., Schetinin V., Sant P., Aggoun A. Evolving polynomialneural networks for detecting abnormal patterns. In: 2016 IEEE 8th International Conference on Intelligent Systems. 2016:74-80. https://doi.org/10.1109/IS.2016.7737403
3. Miranda-Dominguez O., Mills B. D., Carpenter S. D., Grant K. A., Kroenke C. D. [et al.] Connectotyping: Model based finger-printing of the functional connectome. PLOS ONE. 2014;9(11):e111048. https://doi.org/10.1371/journal.pone.0111048
4. Schetinin V., Jakaite L., Nyah N., Novakovic D., Krzanowski W. Feature extraction with GMDH-type neural networks for EEG-based person identification. International Journal of Neural Systems. 2017;28(6). https://doi.org/10.1142/S0129065717500642
5. Selitskaya N., Seliski S., Jakaite L., Schetinin V., Evance F. [et al.] Deep learning for biometric face recognition: Experimental study on benchmark data sets. Deep Biometrics. 2020:71-970. https://doi.org/10.1007/978-3-030-32583-1_5
6. Guyer C., Werner H., Wehrle F., Bolsterli B. K., Hagmann C. [et al.] Brain maturation in the first 3 months of life, measured by electroencephalogram: A comparison between preterm and term-born infants. Clin. Neurophysiol. 2019;130(10):1859-1868. https://doi.org/10.1016/j.clinph.2019.06.230
7. Castro Conde J. R., González Campo C., González González N. L., Reyes Millán B., González Barrios D. [et al.] Assessment of neonatal EEG background and neurodevelopment in full-term small for their gestational age infants. Pediatr. Res. 2020;88(1):91-99. https://doi.org/10.1038/s41390-019-0693-0
8. Cohen E., Wong F. Y., Wallace E. M., Mockler J. C., Odoi A. [et al.] EEG power spectrum maturation in preterm fetal growth restricted infants. Brain Res. 2018;1678:180-186. https://doi.org/10.1016/j.brainres.2017.10.010
9. Schetinin V., Jakaite L., Krzanowski W. Bayesian averaging over decisiontree models: An application for estimating uncertainty in trauma severity scoring. International Journal of Medical Informatics. 2018;112:6-14. https://doi.org/10.1016/j.ijmedinf.2018.01.009
10. Schetinin V., Jakaite L., Krzanowski W. Bayesian averaging over decision treemodels for trauma severity scoring. Artificial Intelligence in Medicine. 2018;84:139-145. https://doi.org/10.1016/j.artmed.2017.12.003
11. Schetinin V., Jakaite L., Krzanowski W. Bayesian learning of models for estimating uncertainty in alert systems: Application to air traffic conflict avoidance. Integrated Computer-Aided Engineering. 2018;26:1-17. https://doi.org/10.3233/ica-180567
12. Akter M., Jakaite L. Extraction of texture features from x-ray images: Case ofosteoarthritis detection. Third International Congress on Information and Communication Technology. 2019:143-150. https://doi.org/10.1007/978-981-13-1165-9_13
13. Jakaite L., Schetinin V., Hladuvka J., Minaev S., Ambia A. [et al.] Deep learning for early detection of pathological changes in x-ray bone microstructures: case of osteoarthritis. Scientific Reports. 2021;11(1):e2294. https://doi.org/10.1038/s41598-021-81786-4
14. Schetinin V., Jakaite L. Extraction of features from sleep EEG for Bayesianassessment of brain development. PLоS ONE. 2017;12(3):e0174027. https://doi.org/10.1371/journal.pone.0174027
15. Low E., Mathieson S. R., Stevenson N. J., Livingstone V., Ryan C. A. [et al.] Early Postnatal EEG Features of Perinatal Arterial Ischaemic Stroke with Seizures. PLoS ONE. 2014;9(7):1-9. https://doi.org/10.1371/journal.pone.0100973
16. Frank E., Hall M. A simple approach to ordinal classification. In: Proceedingsof the 12th European Conference on Machine Learning. 2001; 2167(2167):145-156. https://doi.org/10.1007/3-540-44795-4_13
17. Furnkranz J. Pairwise classification as an ensemble technique. In: Proceedingsof the 13th European Conference on Machine Learning. 2002: 97–110.
18. Jakaite L., Schetinin V. Feature selection for Bayesian evaluation of trauma deathrisk. In: 14th Nordic-Baltic Conference on Biomedical Engineering and Medical Physics: NBC. 2008:123-126. https://doi.org/10.1007/978-3-540-69367-3_33
19. Jakaite L., Schetinin V., Schult J. Feature extraction from electroencephalograms for Bayesian assessment of newborn brain maturity. In: Proceedings of the 24th IEEE International Symposium on Computer-Based Medical Systems. 2011. https://doi.org/10.1109/CBMS.2011.5999109
20. Kaminska A., Eisermann M., Plouin P. Child EEG (and maturation). Handb. Clin. Neurol. 2019;160:125-142. https://doi.org/10.1016/B978-0-444-64032-1.00008-4
21. Navarro X., Porée F., Kuchenbuch M., Chavez M., Beuchée A. [et al.] Multi-feature classifiers for burst detection in single EEG channels from preterm infants. J. Neural. Eng. 2017;14(4):046015. https://doi.org/10.1088/1741-2552/aa714a
22. Bishop C. M. Pattern Recognition and Machine Learning. Journal of Electronic Imaging. 16(4):140-155. https://doi.org/10.1117/1.2819119
23. Platt J., Cristianini N., Shawe-Taylor J. Large margin dags for multiclass classification. Advances in Neural Information Processing Systems. 2000;12:547-553.
Ключевые слова: ЭЭГ, постконцептуальный возраст, новорожденные, развитие мозга, классификация, машинное обучение, искусственный интеллект
Учредители:
Ставропольская государственная медицинская академия
Государственный научно-исследовательский институт курортологии
Пятигорская государственная фармацевтическая академия