Сегодня: 07.12.2023
RU / EN
Последнее обновление: 30.10.2023
Мемристивные нейронные сети для предсказания судорожной активности

Мемристивные нейронные сети для предсказания судорожной активности

С.А. Герасимова, А.В. Лебедева, Н.В. Громов, А.Е. Мальков, А.А. Федулина, Т.А. Леванова, А.Н. Писарчик
Ключевые слова: эпилепсия; локальные полевые потенциалы; искусственные нейронные сети; мемристивные устройства.
2023, том 15, номер 4, стр. 30.

Полный текст статьи

html pdf
137
210

Цель исследования — оценить возможности предсказания эпилептиформной активности по данным нейрональной активности, полученной от гиппокампа и медиальной энторинальной коры мозга мышей с хронической эпилептиформной активностью.

Для достижения этой цели была разработана глубокая искусственная нейронная сеть (ИНС) и продемонстрирована реализация такой сети с использованием мемристивных устройств.

Материалы и методы

Биологическая часть исследования. Использованы молодые здоровые аутбредные мыши CD1, разделенные на две группы: контрольная (n=6) и с индуцированной хронической эпилептиформной активностью (n=6). Для регистрации нейрональной активности от гиппокампа и медиальной энторинальной коры мозга у мышей обеих групп получены локальные полевые потенциалы (ЛПП). Полученные записи ЛПП использованы для обучения глубокой искусственной нейронной сети (ИНС). Эпилептиформную активность у мышей моделировали с помощью внутрибрюшинного введения пилокарпина (280 мг/кг). Регистрацию ЛПП у бодрствующих мышей проводили через месяц после индукции эпилептиформной активности.

Математическая часть исследования. Разработана глубокая ИНС долгой краткосрочной памяти (long short-term memory, LSTM), способная предсказывать биологические сигналы нейрональной активности мышей. Реализация ИНС была основана на использовании мемристивных устройств, которые описываются уравнениями окислительно-восстановительных процессов, протекающих в мемристивных тонких пленках «металл–оксид–металл», например Au/ZrO2(Y)/TiN/Ti и Au/SiO2(Y)/TiN/Ti. Для обучения разработанной ИНС предсказывать эпилептиформную активность использован алгоритм обучения с учителем. Это позволило настроить параметры сети и обучить ее на основе предоставленных записей нейрональной активности.

Результаты. После обучения на записях ЛПП гиппокампа и медиальной энторинальной коры мозга мышей с хронической эпилептиформной активностью предложенная глубокая ИНС продемонстрировала высокие значения метрики качества (средняя квадратичная ошибка, RMSE) и успешно предсказывала появление эпилептиформной активности незадолго до ее возникновения (40 мс). Результаты численных экспериментов показали, что значение метрики качества предсказания составило 0,019, что свидетельствует об эффективности данного подхода. Точность предсказания эпилептиформной активности с задержкой в 40 мс является значимым результатом и указывает на потенциал разработанной архитектуры нейронной сети.

Заключение. Разработанная глубокая ИНС может быть использована для предсказания патологической нейрональной активности, в частности эпилептической судорожной (фокальной) активности у мышей до ее непосредственного возникновения. Кроме того, она может быть применена для построения долгосрочного прогноза течения заболевания на основе данных ЛПП. Таким образом, разработанная ИНС на основе мемристивных устройств представляет новаторский подход к предсказанию и анализу патологической нейрональной активности, обладая потенциалом для улучшения диагностики и прогнозирования эпилептических судорог и других заболеваний, связанных с нейрональной активностью.

  1. Chang R.S., Leung C.Y.W., Ho C.C.A., Yung A. Classifications of seizures and epilepsies, where are we? — a brief historical review and update. J Formos Med Assoc 2017; 116(10): 736–741, https://doi.org/10.1016/j.jfma.2017.06.001.
  2. Pearce J.M.S. Bromide, the first effective antiepileptic agent. J Neurol Neurosurg Psychiatry 2002; 72(3): 412, https://doi.org/10.1136/jnnp.72.3.412.
  3. Mahaseth A., Lekhjung T. Child with intra cardiac masses and multiple seizure types. Rhabdomyoma, tuberous sclerosis and possible Lennox–Gastaut syndrome — a rare case report. Int J Cardiol Congenit Heart Dis 2023; 11: 100425, https://doi.org/10.1016/j.ijcchd.2022.100425.
  4. Knupp K.G., Scheffer I.E., Ceulemans B., Sullivan J., Nickels K.C., Lagae L., Guerrini R., Zuberi S.M., Nabbout R., Riney K., Agarwal A., Lock M., Dai D., Farfel G.M., Galer B.S., Gammaitoni A.R., Polega S., Davis R., Gil-Nagel A. Fenfluramine provides clinically meaningful reduction in frequency of drop seizures in patients with Lennox–Gastaut syndrome: interim analysis of an open-label extension study. Epilepsia 2023; 64(1): 139–151, https://doi.org/10.1111/epi.17431.
  5. Balfroid T., Warren A.E.L., Dalic L.J., Aeby A., Berlangieri S.U., Archer J.S. Frontoparietal 18F-FDG-PET hypo-metabolism in Lennox–Gastaut syndrome: further evidence highlighting the key network. Epilepsy Res 2023 May; 192: 107131, https://doi.org/10.1016/j.eplepsyres.2023.107131.
  6. Manral M., Dwivedi R., Gulati S., Kaur K., Nehra A., Pandey R.M., Upadhyay A.D., Sapra S., Tripathi M. Safety, efficacy, and tolerability of modified Atkins diet in persons with drug-resistant epilepsy: a randomized controlled trial. Neurology 2023; 100(13): e1376–e1385, https://doi.org/10.1212/wnl.0000000000206776.
  7. Mutanana N., Tsvere M., Chiweshe M.K. General side effects and challenges associated with anti-epilepsy medication: a review of related literature. Afr J Prim Health Care Fam Med 2020; 12(1): e1–e5, https://doi.org/10.4102/phcfm.v12i1.2162.
  8. Braun E., Gualano F.M., Siddarth P., Segal E. Second-line cannabis therapy in patients with epilepsy. Clin Neurol Neurosurg 2023; 227: 107638, https://doi.org/10.1016/j.clineuro.2023.107638.
  9. Suluhan D., Kose K., Yildiz D., Unay B. Attitudes toward rational drug use and medication self-management among parents of children with epilepsy. Jundishapur J Chronic Dis Care 2023; 12(1): e134446, https://doi.org/10.5812/jjcdc-134446.
  10. Donnan A.M., Schneider A.L., Russ-Hall S., Churilov L., Scheffer I.E. Rates of status epilepticus and sudden unexplained death in epilepsy in people with genetic developmental and epileptic encephalopathies. Neurology 2023; 100(16): e1712–e1722, https://doi.org/10.1212/wnl.0000000000207080.
  11. Gracie L., Rostami-Hochaghan D., Taweel B., Mirza N.; SAGAS Scientists’ Collaborative. The Seizure-Associated Genes Across Species (SAGAS) database offers insights into epilepsy genes, pathways and treatments. Epilepsia 2022; 63(9): 2403–2412, https://doi.org/10.1111/epi.17352.
  12. Deivasigamani S., Senthilpari C., Yong W.H. Retracted article: machine learning method based detection and diagnosis for epilepsy in EEG signal. J Ambient Intell Humaniz Comput 2021; 12: 4215–4221.
  13. Mir W.A., Anjum M., Izharuddin M., Shahab S. Deep-EEG: an optimized and robust framework and method for EEG-based diagnosis of epileptic seizure. Diagnostics (Basel) 2023; 13(4): 773, https://doi.org/10.3390/diagnostics13040773.
  14. Azzony S., Moria K., Alghamdi J. Detecting cortical thickness changes in epileptogenic lesions using machine learning. Brain Sci 2023; 13(3): 487, https://doi.org/10.3390/brainsci13030487.
  15. Jehi L. Machine learning for precision epilepsy surgery. Epilepsy Curr 2023; 23(2): 78–83, https://doi.org/10.1177/15357597221150055.
  16. Yao L., Cai M., Chen Y., Shen C., Shi L., Guo Y. Prediction of antiepileptic drug treatment outcomes of patients with newly diagnosed epilepsy by machine learning. Epilepsy Behav 2019; 96: 92–97, https://doi.org/10.1016/j.yebeh.2019.04.006.
  17. Hakeem H., Feng W., Chen Z., Choong J., Brodie M.J., Fong S.L., Lim K.S., Wu J., Wang X., Lawn N., Ni G., Gao X., Luo M., Chen Z., Ge Z., Kwan P. Development and validation of a deep learning model for predicting treatment response in patients with newly diagnosed epilepsy. JAMA Neurol 2022; 79(10): 986–996, https://doi.org/10.1001/jamaneurol.2022.2514.
  18. Plata A., Lebedeva A., Denisov P., Nosova O., Postnikova T.Y., Pimashkin A., Brazhe A., Zaitsev A.V., Rusakov D.A., Semyanov A. Astrocytic atrophy following status epilepticus parallels reduced Ca2+ activity and impaired synaptic plasticity in the rat hippocampus. Front Mol Neurosci 2018; 11: 215, https://doi.org/10.3389/fnmol.2018.00215.
  19. Lundt A., Wormuth C., Siwek M.E., Müller R., Ehninger D., Henseler C., Broich K., Papazoglou A., Weiergräber M. EEG radiotelemetry in small laboratory rodents: a powerful state-of-the art approach in neuropsychiatric, neurodegenerative, and epilepsy research. Neural Plast 2016; 2016: 8213878, https://doi.org/10.1155/2016/8213878.
  20. Wei L., Boutouil H., Gerbatin R.R., Mamad O., Heiland M., Reschke C.R., Del Gallo F., Fabene P.F., Henshall D.C., Lowery M., Morris G., Mooney C. Detection of spontaneous seizures in EEGs in multiple experimental mouse models of epilepsy. J Neural Eng 2021; 18(5): 056060, https://doi.org/10.1088/1741-2552/ac2ca0.
  21. Vishwanath M., Jafarlou S., Shin I., Lim M.M., Dutt N., Rahmani A.M., Cao H. Investigation of machine learning approaches for traumatic brain injury classification via EEG assessment in mice. Sensors (Basel) 2020; 20(7): 2027, https://doi.org/10.3390/s20072027.
  22. Ahmad I., Wang X., Zhu M., Wang C., Pi Y., Khan J.A., Khan S., Samuel O.W., Chen S., Li G. EEG-based epileptic seizure detection via machine/deep learning approaches: a systematic review. Comput Intell Neurosci 2022; 2022: 6486570, https://doi.org/10.1155/2022/6486570.
  23. Rosas-Romero R., Guevara E., Peng K., Nguyen D.K., Lesage F., Pouliot P., Lima-Saad W.E. Prediction of epileptic seizures with convolutional neural networks and functional near-infrared spectroscopy signals. Comput Biol Med 2019; 111: 103355, https://doi.org/10.1016/j.compbiomed.2019.103355.
  24. Wu X., Zhang T., Zhang L., Qiao L. Epileptic seizure prediction using successive variational mode decomposition and transformers deep learning network. Front Neurosci 2022; 16: 982541, https://doi.org/10.3389/fnins.2022.982541.
  25. Li G., Lee C.H., Jung J.J., Youn Y.C., Camacho D. Deep learning for EEG data analytics: a survey. Concurr Comput Pract Exp 2020; 32(18): e5199, https://doi.org/10.1002/cpe.5199.
  26. Budde B., Maksimenko V., Sarink K., Seidenbecher T., van Luijtelaar G., Hahn T., Pape H.C., Lüttjohann A. Seizure prediction in genetic rat models of absence epilepsy: improved performance through multiple-site cortico-thalamic recordings combined with machine learning. eNeuro 2022; 9(1): ENEURO.0160-21.2021, https://doi.org/10.1523/eneuro.0160-21.2021.
  27. Camuñas-Mesa L.A., Linares-Barranco B., Serrano-Gotarredona T. Neuromorphic spiking neural networks and their memristor–CMOS hardware implementations. Materials (Basel) 2019; 12(17): 2745, https://doi.org/10.3390/ma12172745.
  28. Fouda M.E., Kurdahi F., Eltawil A., Neftci E. Spiking neural networks for inference and learning: a memristor-based design perspective. arXiv; 2019, https://doi.org/10.48550/arxiv.1909.01771.
  29. Bayat F.M., Prezioso M., Chakrabarti B., Nili H., Kataeva I., Strukov D. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits. Nat Commun 2018; 9(1): 2331, https://doi.org/10.1038/s41467-018-04482-4.
  30. Li C., Belkin D., Li Y., Yan P., Hu M., Ge N., Jiang H., Montgomery E., Lin P., Wang Z., Song W., Strachan J.P., Barnell M., Wu Q., Williams R.S., Yang J.J., Xia Q. Efficient and self-adaptive in-situ learning in multilayer memristor neural networks. Nat Commun 2018; 9(1): 2385, https://doi.org/10.1038/s41467-018-04484-2.
  31. Zhang Y., Wang X., Friedman E.G. Memristor-based circuit design for multilayer neural networks. IEEE Trans Circuits Syst I Reg Papers 2017; 65(2): 677–686, https://doi.org/10.1109/tcsi.2017.2729787.
  32. Hu S.G., Liu Y., Liu Z., Chen T.P., Wang J.J., Yu Q., Deng L.J., Yin Y., Hosaka S. Associative memory realized by a reconfigurable memristive Hopfield neural network. Nat Commun 2015; 6: 7522, https://doi.org/10.1038/ncomms8522.
  33. Zhang S., Zheng J., Wang X., Zeng Z., He S. Initial offset boosting coexisting attractors in memristive multi-double-scroll Hopfield neural network. Nonlinear Dyn 2020; 102(4): 2821–2841.
  34. Yakopcic C., Alom M.Z., Taha T.M. Memristor crossbar deep network implementation based on a convolutional neural network. In: 2016 International Joint Conference on Neural Networks (IJCNN). IEEE; 2016; p. 963–970, https://doi.org/10.1109/ijcnn.2016.7727302.
  35. Yakopcic C., Alom M.Z., Taha T.M. Extremely parallel memristor crossbar architecture for convolutional neural network implementation. In: 2017 International Joint Conference on Neural Networks (IJCNN). IEEE; 2017; P. 1696–1703, https://doi.org/10.1109/ijcnn.2017.7966055.
  36. Xu W., Wang J., Yan X. Advances in memristor-based neural networks. Front Nanotechnol 2021; 3: 645995, https://doi.org/10.3389/fnano.2021.645995.
  37. Gromov N., Gubina E., Levanova T. Loss functions in the prediction of extreme events and chaotic dynamics using machine learning approach. In: 2022 Fourth International Conference Neurotechnologies and Neurointerfaces (CNN). IEEE; 2022, https://doi.org/10.1109/cnn56452.2022.9912515.
  38. Gerasimova S.A., Mikhaylov A.N., Belov A.I., Korolev D.S., Guseinov D.V., Lebedeva A.V., Gorshkov O.N., Kazantsev V.B. Design of memristive interface between electronic neurons. AIP Conf Proc 2018; 1959(1): 090005, https://doi.org/10.1063/1.5034744.
  39. Kipelkin I., Gerasimova S., Guseinov D., Pavlov D., Vorontsov V., Mikhaylov A., Kazantsev V. Mathematical and experimental model of neuronal oscillator based on memristor-based nonlinearity. Mathematics 2023; 11(5): 1268, https://doi.org/10.3390/math11051268.
  40. Li C., Wang Z., Rao M., Belkin D., Song W., Jiang H., Yan P., Li Y., Lin P., Hu M., Ge N., Strachan J.P., Barnell M., Wu Q., Williams R.S., Yang J.J., Xia Q. Long short-term memory networks in memristor crossbar arrays. Nature Mach Intell 2019; 1: 49–57.
  41. Mikhaylov A.N., Belov A.I., Korolev D.S., Gerasimova S.A., Antonov I.N., Okulich E.V., Shuiskiy R.A., Tetelbaum D.I. Effect of ion irradiation on resistive switching in metal-oxide memristive nanostructures. J Phys Conf Ser 2019; 1410(1): 012245, https://doi.org/10.1088/1742-6596/1410/1/012245.
  42. van Luijtelaar G., Lüttjohann A., Makarov V.V., Maksimenko V.A., Koronovskii A.A., Hramov A.E. Methods of automated absence seizure detection, interference by stimulation, and possibilities for prediction in genetic absence models. J Neurosci Methods 2016; 260: 144–158, https://doi.org/10.1016/j.jneumeth.2015.07.010.
  43. Li X., Ouyang G., Richards D.A. Predictability analysis of absence seizures with permutation entropy. Epilepsy Res 2007; 77(1): 70–74, https://doi.org/10.1016/j.eplepsyres.2007.08.002.
  44. Pisarchik A.N., Grubov V.V., Maksimenko V.A., Lüttjohann A., Frolov N.S., Marqués-Pascual C., Gonzalez-Nieto D., Khramova M.V., Hramov A.E. Extreme events in epileptic EEG of rodents after ischemic stroke. Eur Phys J Spec Top 2018; 227: 921–932.
  45. Frolov N.S., Grubov V.V., Maksimenko V.A., Lüttjohann A., Makarov V.V., Pavlov A.N., Sitnikova E., Pisarchik A.N., Kurths J., Hramov A.E. Statistical properties and predictability of extreme epileptic events. Sci Rep 2019; 9(1): 7243, https://doi.org/10.1038/s41598-019-43619-3.
Gerasimova S.A., Lebedeva A.V., Gromov N.V., Malkov A.E., Fedulina А.А., Levanova T.A., Pisarchik A.N. Memristive Neural Networks for Predicting Seizure Activity. Sovremennye tehnologii v medicine 2023; 15(4): 30, https://doi.org/10.17691/stm2023.15.4.03


Журнал базах данных

pubmed_logo.jpg

web_of_science.jpg

scopus.jpg

crossref.jpg

ebsco.jpg

embase.jpg

ulrich.jpg

cyberleninka.jpg

e-library.jpg

lan.jpg

ajd.jpg