Ученые Новосибирского государственного технического университета (НГТУ) представили инновационное программное обеспечение для анализа электроэнцефалограмм (ЭЭГ), способное адаптироваться под индивидуальные особенности пользователя. Разработка обещает повысить эффективность нейрофизиологических исследований в научных лабораториях и клиническую диагностику в медицинских учреждениях.
Электроэнцефалография — фундаментальный метод изучения электрической активности головного мозга. Технология базируется на фиксации электрических потенциалов с поверхности кожи головы при помощи специальных электродов с последующей компьютерной обработкой сигналов. Анализ паттернов этой активности является ключевым инструментом для выявления неврологических нарушений, включая эпилепсию, а также диагностики структурных патологий мозга, таких как новообразования, кисты или последствия острых нарушений мозгового кровообращения.

Новизна разработки НГТУ заключается в создании интеллектуальной системы, которая не просто регистрирует сигналы, но и автоматически идентифицирует, классифицирует специфические паттерны мозговой активности, возникающие в ответ на контролируемые внешние стимулы (визуальные образы, звуки, вербальные сигналы и т.д.). Как пояснили в университете, ключевым результатом работы платформы является формирование персонализированного профиля пользователя.
Этот профиль интегрирует:
- Необработанные и обработанные сигналы ЭЭГ.
- Классификацию примененных внешних раздражителей.
- Точную привязку реакций мозга к конкретным предъявленным стимулам.
Решение построено на популярном языке программирования Python, что обеспечивает его гибкость и широкие возможности для интеграции и модификации. Алгоритм обработки данных представляет собой последовательный конвейер:
- Загрузка данных: импорт файлов с записью ЭЭГ и метаданными, содержащими точные временные отметки предъявления каждого стимула (изображения, звука, слова).
- Предварительная обработка и очистка: устранение артефактов, вызванных движением глаз, мышечной активностью или помехами от электрических приборов, для выделения “чистого” нейрофизиологического сигнала.
- Извлечение признаков: анализ очищенного сигнала и вычисление информативных характеристик (признаков), описывающих реакцию мозга на каждый конкретный стимул.
Классификация реакций: применение алгоритмов машинного обучения (искусственного интеллекта) для определения того, какой именно внешний стимул спровоцировал зафиксированный паттерн мозговой активности. ИИ обучается распознавать индивидуальные “отпечатки” реакций.
Хранение и визуализация: сохранение всех исходных данных, промежуточных результатов обработки, классифицированных реакций и итоговых отчетов в структурированной базе данных. Система предоставляет инструменты для наглядного представления результатов.
По словам руководителя проекта Сергея Свиридюка, аспиранта НГТУ, главными конкурентными преимуществами разработки являются:
- Упрощенная установка и настройка по сравнению со сложными коммерческими и научными пакетами для анализа ЭЭГ.
- Единый сквозной конвейер обработки: от первичной загрузки “сырых” данных до генерации готового аналитического отчета, что минимизирует ручной труд и риск ошибок.
- Акцент на скорость и наглядность: предоставление результатов в форме, удобной для интерпретации исследователями и врачами.
Автоматизация анализа сложных ЭЭГ-данных с помощью ИИ является одним из ключевых трендов в этой области. Разработки, подобные новосибирской, направлены на преодоление основных ограничений традиционных методов: трудоемкости ручной расшифровки, субъективности интерпретации и необходимости высокой квалификации специалиста. Программная платформа для интеллектуального анализа ЭЭГ, созданная в НГТУ, представляет собой значимую отечественную разработку на стыке нейронаук, программирования и искусственного интеллекта. Ее ключевые достоинства — адаптивность к пользователю, сквозная автоматизация обработки данных от ввода до отчета, а также акцент на практическую применимость в реальных условиях научных и медицинских организаций.
Успешное внедрение и дальнейшее развитие этого решения способно внести вклад в повышение уровня нейрофизиологических исследований в России и улучшить качество диагностики неврологических заболеваний. Потенциальными направлениями развития платформы могут стать:
- Интеграция с различными типами ЭЭГ-оборудования.
- Расширение библиотеки алгоритмов машинного обучения для решения специфических диагностических задач.
- Разработка специализированных модулей для конкретных клинических применений (например, автоматический детектор эпилептиформной активности).
- Создание облачной версии для удаленного доступа и анализа данных.
Внедрение подобных цифровых инструментов в нейронауку и клиническую практику соответствует глобальным тенденциям цифровизации медицины и персонализированного подхода к диагностике.