Journal of Volgograd State Medical UniversityJournal of Volgograd State Medical UniversityВестник Волгоградского государственного медицинского университета1994-94801994-9499Volgograd State Medical University68325210.19163/1994-9480-2025-22-1-157-163Original ResearchesОригинальные исследованияResearch ArticleComparative analysis of neural network-based EEG classifiers for detecting the effects of anticonvulsantsСравнительный анализ нейросетевых классификаторов электроэнцефалограммы для детекции эффектов противосудорожных средствhttps://orcid.org/0000-0002-0079-853XKalitinKonstantin Yu.КалитинКонстантин Юрьевич
Russian Federation

Candidate of Medical Sciences; Associate Professor of the Department of Pharmacology and Bioinformatics, Senior Researcher at the Laboratory of Metabotropic Medicines, Scientific Center for Innovative Medicines with Pilot Production

кандидат медицинских наук; доцент кафедры фармакологии и биоинформатики, старший научный сотрудник лаборатории метаботропных лекарственных средств, Научный центр инновационных лекарственных средств с опытно-промышленным производством

kkonst8@ya.ruhttps://orcid.org/0000-0002-0429-905XMukhaOlga Yu.МухаОльга Юрьевна
Russian Federation

Candidate of the Department of Pharmacology and Bioinformatics, Junior Researcher at the Laboratory of Metabotropic Medicines, Scientific Center for Innovative Medicines with Pilot Production

соискатель кафедры фармакологии и биоинформатики, младший научный сотрудник лаборатории метаботропных лекарственных средств, Научный центр инновационных лекарственных средств с опытно-промышленным производством

olay.myha14@gmail.comVolgograd State Medical UniversityВолгоградский государственный медицинский университет080220252211571630606202506062025Copyright ©; 2025, Kalitin K.Y., Mukha O.Y.Copyright ©; 2025, Калитин К.Ю., Муха О.Ю.2025Kalitin K.Y., Mukha O.Y.Калитин К.Ю., Муха О.Ю.https://creativecommons.org/licenses/by/4.0https://journals.eco-vector.com/1994-9480/article/view/683252

A comparison of various machine learning algorithms was carried out, including a multilayer perceptron in combination with principal component analysis and linear discriminant analysis, as well as deep learning convolutional neural networks combined with wavelet analysis for the classification of electrocorticographic (ECoG) data to identify the effects of experimental anticonvulsants. The study was performed on 36 non-linear male rats weighing 250–290 g. For electrocorticogram (ECoG) recording, cortical electrodes were implanted in the animals, and after substance administration, signals were recorded (30 minutes) with a sampling frequency of 500 Hz and electrode impedance <5 kOhm. The rats were divided into three groups: group 1 (n = 8) was given intraperitoneal saline solution 1 ml/kg; group 2 (n = 8) was injected with carbamazepine 25 mg/kg; group 3 (n = 6) was injected with compound RU-1205 (20 mg/kg). The obtained signals were segmented into 5-second epochs. For each channel, 15 features were extracted and processed by principal component analysis and linear discriminant analysis. Alternatively, the Morlet wavelet transform was used to obtain spectrograms. Classification was carried out using a multilayer perceptron and a convolutional neural network. The constructed models were evaluated on electrocorticographic signals from a test set of 2160 samples, which were recorded after administration of compound RU-1205. The accuracy of the models ranged from 71–84 %. Moreover, the accuracy scores for all three models were statistically significantly different from the random classifier (p < 0,05). The study showed that artificial neural networks, including multilayer perceptron and convolutional neural networks, can be effectively applied to classify electrocorticographic signals and determine the anticonvulsant activity of various compounds.

Проведено сравнение различных алгоритмов машинного обучения, включая многослойный перцептрон в комбинации с методом главных компонент и линейным дискриминантным анализом, а также сверточные нейронные сети глубокого обучения в сочетании с вейвлет-анализом для классификации электрокортикографических (ЭКоГ) данных с целью выявления эффектов экспериментальных противосудорожных средств. Исследование выполнено на 36 нелинейных крысах-самцах массой 250–290 г. Для регистрации электрокортикограммы (ЭКоГ) животным имплантировали корковые электроды, после введения веществ проводилась регистрация сигналов (30 мин) с частотой дискретизации 500 Гц, импеданс электродов <5 кОм. Крысы распределялись на три группы: 1 (n = 8) – внутрибрюшинно получали физиологический раствор 1 мл/кг; 2 (n = 8) – получали карбамазепин 25 мг/кг; 3 (n = 6) – получали соединение РУ-1205 (20 мг/кг). Записанные сигналы сегментированы на эпохи по 5 с. Для каждого канала извлекали 15 признаков, которые обрабатывали методами главных компонент и линейного дискриминантного анализа. Альтернативно использовали вейвлет-преобразование Морле для получения спектрограмм. Классификация осуществлялась с помощью многослойного перцептрона и сверточной нейронной сети. Построенные модели оценивали на электрокортикографических сигналах тестовой выборки (2160 семплов), которые регистрировались после введения соединения РУ-1205. Точность моделей составила 71,45–84,85 %. При этом показатели точности для всех трех моделей статистически значимо отличались от случайного классификатора (p < 0,05). Исследование показало, что искусственные нейронные сети, включая многослойный перцептрон и сверточные нейронные сети, могут быть эффективно применены для классификации электрокортикографических сигналов и определения противосудорожной активности различных соединений.

artificial neural networksconvolutional neural networksmultilayer perceptronprincipal component analysisbioelectrical activity of the brainEEG classificationanticonvulsantsискусственные нейронные сетисверточные нейронные сетимногослойный перцептронметод главных компонентанализ биоэлектрической активности мозгаклассификация электроэнцефалограммыпротивосудорожные средстваCollins G.S., Moons K.G. Reporting of artificial intelligence prediction models. The Lancet. 2019;20;393(10181): 1577–1579. doi: 10.1016/S0140-6736(19)30037-6.Collins G.S., Moons K.G. Reporting of artificial intelligence prediction models. The Lancet. 2019;20;393(10181):1577–1579. doi: 10.1016/S0140-6736(19)30037-6.Gunasekera C.L., Sirven J.I., Feyissa A.M. The evolution of antiseizure medication therapy selection in adults: Is artificial intelligence-assisted antiseizure medication selection ready for prime time? Journal of Central Nervous System Disease. 2023; 13;15:11795735231209209. doi: 10.1177/1179573523120920.Gunasekera C.L., Sirven J.I., Feyissa A.M. The evolution of antiseizure medication therapy selection in adults: Is artificial intelligence-assisted antiseizure medication selection ready for prime time? Journal of Central Nervous System Disease. 2023;13;15:11795735231209209. doi: 10.1177/1179573523120920.Nahmias D.O., Kontson K.L. Easy perturbation eeg algorithm for spectral importance (easypeasi) a simple method to identify important spectral features of eeg in deep learning models. InProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020;2398–2406. doi: 10.1145/3394486.3403289.Nahmias D.O., Kontson K.L. Easy perturbation eeg algorithm for spectral importance (easypeasi) a simple method to identify important spectral features of eeg in deep learning models. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020;2398–2406. doi: 10.1145/3394486.3403289.McCafferty C., Gruenbaum B.F., Tung R. et al. Decreased but diverse activity of cortical and thalamic neurons in consciousness-impairing rodent absence seizures. Nature Communications. 2023;14:117. doi: 10.1038/s41467-022-35535-4.Cole S., Donoghue T., Gao R., Voytek B. NeuroDSP: A package for neural digital signal processing. Journal of Open Source Software. 2019:17;4(36):1272. doi: 10.21105/joss.01272.Sadiq M.T., Yu X., Yuan Z., Aziz M.Z. Identification of motor and mental imagery EEG in two and multiclass subject-dependent tasks using successive decomposition index. Sensors. 2020;20(18):5283. doi: 10.3390/s20185283.Mandhouj B., Cherni M.A., Sayadi M. An automated classification of EEG signals based on spectrogram and CNN for epilepsy diagnosis. Analog integrated circuits and signal processing. 2021;108:101–110. doi: 10.1007/s10470-021-01805-2.Spasov A.A., Kalitin K.Y., Grechko O.Y., Anisimova V.A. Antiepileptic activity of a new derivative of benzimidazole RU-1205. Bulletin of experimental biology and medicine. 2016;160:336–339. doi: 10.1007/s10517-016-3164-1.Kalitin K.Y., Grechko O.Y., Spasov A.A. et al. Gabaergic mechanism of anticonvulsive effect of chemical agent RU-1205. Byulleten’ eksperimental’noi biologii i meditsiny = Bulletin of Expe-rimental Biology and Medicine. 2017;164(11):582–588. (In Russ.).Калитин К.Ю., Гречко О.Ю., Спасов А.А. и др. ГАМ Кергический механизм противосудорожного эффекта соединения РУ-1205. Бюллетень экспериментальной биологии и медицины. 2017;164(11):582–588.Craik A., He Y., Contreras-Vidal J.L. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019;16(3):031001. doi: 10.1088/1741-2552/ab0ab5.Frohlich J., Mediano P.A, Bavato F., Gharabaghi A. Paradoxical pharmacological dissociations result from drugs that enhance delta oscillations but preserve consciousness. Communica-tions Biology. 2023;6(1):654. doi: 10.1038/s42003-023-04988-8.Frohlich J., Mediano P.A, Bavato F., Gharabaghi A. Paradoxical pharmacological dissociations result from drugs that enhance delta oscillations but preserve consciousness. Communications Biology. 2023;6(1):654. doi: 10.1038/s42003-023-04988-8.Kalitin K.Y., Grechko O.Y., Spasov A.A., Anisimova V.A. Anticonvulsant effect of novel benzimidazole derivative (RU-1205) in chronic intermittent ethanol vapor exposure model in mice. Eksperimental’naya i klinicheskaya farmakologiya = Experimental and Clinical Pharmacology. 2015;78(4):3–5. (In Russ.) doi: 10.30906/0869-2092-2015-78-4-3-5.Калитин К.Ю., Гречко О.Ю., Спасов А.А., Анисимова В.А. Противосудорожная активность соединения РУ-1205 на киндлинг-модели интермиттирующих ингаляций паров алкоголя. Экспериментальная и клиническая фармакология. 2015;78(4):3–5. doi: 10.30906/0869-2092-2015-78-4-3-5.Kalitin K.Y., Spasov A.A., Grechko O.Y. et al. Anticonticonvulsant and membranotropic activity of RU-1205 compound. Eksperimental’naya i klinicheskaya farmakologiya = Experimental and Clinical Pharmacology. 2017;80(9):28–34. (In Russ.) doi: 10.30906/0869-2092-2017-80-9-28-34.Калитин К.Ю., Спасов А.А., Гречко О.Ю. и др. Противосудорожная и мембранотропная активность соединения РУ-1205. Экспериментальная и клиническая фармакология. 2017;80(9):28–34. doi: 10.30906/0869-2092-2017-80-9-28-34.Vasil’ev P.Ì., Kalitin K.Y., Spasov A.A. et al. Prediction and study of anticonvulsant properties of benzimidazole derivatives. Khimiko-Farmatsevticheskii Zhurnal = Pharmaceutical Chemistry Journal. 2016;50(12):3–8. (In Russ.) doi: 10.30906/0023-1134-2016-50-12-3-8.Васильев П.М., Калитин К.Ю., Спасов А.А. и др. Направленный поиск соединений с противосудорожной активностью в ряду производных бензимидазола. Химикофармацевтический журнал. 2016;50(12):3–8. doi: 10.30906/ 0023-1134-2016-50-12-3-8.