ИСТИНА

В данном исследовании рассматривается возможность разработки инструмента для лучшего понимания механизмов работы головного мозга – «Когновизора». Это программное обеспечение, которое на основе анализа нейрофизиологических данных об активности клеток головного мозга определяет и визуализирует когнитивные состояния и переходы между ними. В данной работе в качестве когнитивных состояний были выбраны 6 типов мышления с пошаговым изменением доли 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, преимущественно пространственный и преимущественно вербальный типы мышления; 3) Многоклассовая классификация – состояние покоя, 2 пространственных и 4 вербальных типа мышления. Поскольку данные для этой задачи имеют слишком большую размерность (91x109x91 вокселей в одном трёхмерном изображении, более 3600 3D изображений с шагом по времени 0.5 секунды) для использования классических моделей машинного обучения, в работе для ее понижения используется анализ главных компонент. Для построения классификаторов на данных с пониженной размерностью в исследуемых задачах были выбраны алгоритм градиентного бустинга и логистическая регрессия. Чтобы учесть историю изменения сигналов фМРТ (временную составляющую сигнала), к данным применяется алгоритм погружения (топологического вложения) временных рядов, т.е. в рамках одного примера рассматриваются несколько последовательных по времени 3D изображений. Для каждой из моделей тестируются разные глубины погружения. Для всех трёх постановок задачи наилучшие результаты были показаны при погружении данных на глубину 30 шагов. Для бинарной классификации более эффективным оказался градиентный бустинг в реализации LightGBM с результатом ROC AUC=0.903, для двух других задач классификации – логистическая регрессия (ROC AUC=0.857 для классификации в 3 класса и 0.759 для многоклассовой классификации).