ИСТИНА

Данная работа является продолжением исследования, в котором рассматривалась возможность разработки «Когновизора» с помощью методов машинного обучения и анализа главных компонент. Когновизор – это устройство, которое на основе анализа нейрофизиологических данных о мозговой активности распознает и визуализирует когнитивные состояния и переходы между ними. В данной работе в качестве методов машинного обучения рассматривались свёрточные нейронные сети, а в качестве когнитивных состояний были выбраны 6 типов мышления с постепенным изменением свойств пространственно/образного и вербально/логического типа и состояние покоя головного мозга (как базовый уровень работы процессов сознания). Для получения нейрофизиологических данных использовался метод функциональной магнитно-резонансной томографии (фМРТ). Было рассмотрено три типа задач классификации: 1) Бинарная классификация – состояние покоя и любое активное состояние; 2) Классификация по трем классам – состояние покоя, пространственный и вербальный типы мышления; 3) Многоклассовая классификация – состояние покоя, 2 пространственных и 4 вербальных типа мышления. Поскольку данные для этой задачи имеют слишком большую размерность (4D-объемы ~91x109x91x3620), то на первом этапе стаяла задача подобрать оптимальную для имеющихся вычислительных ресурсов архитектуру сверток в сверточной нейронной сети. Было рассмотрено три вида сверток: 1)Модель свертки, которая принимает на вход несколько срезов 3D изображения и интерпретирует их как срезы 2D изображения, после чего к каждому из них применяется 2D свертка; 2)Разделяемая 3D свертка; 3)Полная 3D свертка. По результатам работы были сделаны выводы о способе выбора оптимального типа свёртки и о том, какую свертку использовать в дальнейших исследованиях