Методы искусственного интеллекта для анализа граф-структурированных данных при выявлении и диагностике функциональных сетей головного мозга в норме и патологии

Отчет 268 с., 84 рис., 13 табл., 355 источн., 3 прил. СЛОЖНЫЕ СИСТЕМЫ, МАШИННОЕ ОБУЧЕНИЕ, ГРАФОВАЯ НЕЙРОННАЯ СЕТЬ, ГРАФ, ТОПОЛОГИЯ, ДАТАСЕТ, ЭЭГ, ФМРТ, КЛАССИФИКАЦИЯ, КОГЕРЕНТНЫЙ РЕЗОНАНС, РЕЗЕРВУАРНЫЙ КОМПЬЮТЕР, АССИСТИВНЫЕ ТЕХНОЛОГИИ, СЕНСОРНОЕ ЗАМЕЩЕНИЕ Объектом исследования являются методы машинного обучения, в том числе графовые нейронные сети, сверточные нейронные сети. Цель работы – исследование новых методов машинного обучения, в том числе и на основе графовых нейронных сетей, которые позволят выделять особенности и классифицировать большие данные, которые имеют граф-ориентированную структуру. Цель этих работ состоит в изучении прогностической ценности различных алгоритмов машинного обучения, что может быть использовано для превентивной диагностики расстройств центральной нервной системы. В ходе выполнения НИР получены следующие основные научные результаты: 1. Разработаны новые методы машинного обучения, в том числе на основе графовых нейронных сетей, которые позволяют выделять особенности и классифицировать большие данные, имеющие граф-ориентированную структуру. 2. Разработаны алгоритмы сонификации, функционирующие в системе визуально-аудиального сенсорного замещения. Оценена точность пространственной локализации объекта в различных алгоритмах визуально-аудиального сенсорного замещения путем тестирования на испытуемых с нормальным или скорректированным до нормального зрением. 3. Разработана модель прогнозирования динамики эколого-климатических временных рядов на основе графовых представлений. Показано применение Land Use методологии для построения кольцевых пространственных переменных в задаче моделирования и картирования пространственного распределения признака.