vavilovВавиловский журнал генетики и селекцииVavilov Journal of Genetics and Breeding2500-3259Institute of Cytology and Genetics of Siberian Branch of the RAS10.18699/VJGB-22-93vavilov-3578Research ArticleСИСТЕМНАЯ КОМПЬЮТЕРНАЯ БИОЛОГИЯSYSTEMS COMPUTATIONAL BIOLOGYРазработка нейронной сети для диагностики риска возникновения депрессии по экспериментальным данным стоп-сигнал парадигмыDevelopment of a neural network for diagnosing the risk of depression according to the experimental data of the stop signal paradigmЗеленскихМ. О.ZelenskihM. O.

Новосибирск

Novosibirsk

https://orcid.org/0000-0001-6789-2953СапрыгинА. Е.SapryginA. E.

Новосибирск

Novosibirsk

ТаможниковС. С.TamozhnikovS. S.

Новосибирск

Novosibirsk

https://orcid.org/0000-0003-3105-6931РудычП. Д.RudychP. D.

Новосибирск

Novosibirsk

https://orcid.org/0000-0002-4356-9067ЛебедкинД. А.LebedkinD. A.

Новосибирск

Novosibirsk

https://orcid.org/0000-0002-3514-2901СавостьяновА. Н.SavostyanovA.  N.

Новосибирск

Novosibirsk

a-sav@mail.ruНовосибирский национальный исследовательский государственный университетРоссияNovosibirsk State UniversityRussian FederationФедеральный исследовательский центр Институт цитологии и генетики Сибирского отделения Российской академии наук; Научно-исследовательский институт нейронаук и медициныРоссияInstitute of Cytology and Genetics of the Siberian Branch of the Russian Academy of Sciences; Scientific Research Institute of Neurosciences and MedicineRussian FederationНаучно-исследовательский институт нейронаук и медициныРоссияScientific Research Institute of Neurosciences and MedicineRussian FederationНовосибирский национальный исследовательский государственный университет; Научно-исследовательский институт нейронаук и медицины; Федеральный исследовательский центр фундаментальной и трансляционной медициныРоссияNovosibirsk State University; Scientific Research Institute of Neurosciences and Medicine; Federal Research Center of Fundamental and Translational MedicineRussian FederationНовосибирский национальный исследовательский государственный университет; Федеральный исследовательский центр фундаментальной и трансляционной медициныРоссияNovosibirsk State University; Federal Research Center of Fundamental and Translational MedicineRussian FederationНовосибирский национальный исследовательский государственный университет; Федеральный исследовательский центр Институт цитологии и генетики Сибирского отделения Российской академии наук; Научно-исследовательский институт нейронаук и медицины; Федеральный исследовательский центр фундаментальной и трансляционной медициныРоссияNovosibirsk State University; Institute of Cytology and Genetics of the Siberian Branch of the Russian Academy of Sciences; Scientific Research Institute of Neurosciences and Medicine; Federal Research Center of Fundamental and Translational MedicineRussian Federation202204012023268773779Copyright © Зеленских М.О., Сапрыгин А.Е., Таможников С.С., Рудыч П.Д., Лебедкин Д.А., Савостьянов А.Н., 20232023Зеленских М.О., Сапрыгин А.Е., Таможников С.С., Рудыч П.Д., Лебедкин Д.А., Савостьянов А.Н.Zelenskih M.O., Saprygin A.E., Tamozhnikov S.S., Rudych P.D., Lebedkin D.A., Savostyanov A.N.This work is licensed under a Creative Commons Attribution 4.0 License.https://vavilov.elpub.ru/jour/article/view/3578

В настоящее время возможность спрогнозировать результат развития системы – залог успешного функционирования системы. Повышение качества и объема информации, усложнение ее представления, необходимость обнаруживать скрытые связи делают неэффективным, а чаще всего невозможным, применение классических статистических методов прогнозирования. Среди разнообразных методов прогнозирования особое место занимают методы, основанные на использовании искусственных нейронных сетей. Задачей нашей работы является создание нейронной сети, прогнозирующей риск возникновения депрессии у человека, с помощью данных, полученных при использовании системы тестирования показателей моторного контроля. Стоп-сигнал парадигма (ССП) – это экспериментальный метод, позволяющий оценить способность человека активировать целенаправленные движения или подавлять движения, ставшие неадекватными внешним условиям. В современной медицине ССП чаще всего применяется для диагностики двигательных нарушений, таких как болезнь Паркинсона или последствия инсульта. Мы предположили, что ССП может служить основой для выявления риска развития аффективных заболеваний, включая депрессию. В разрабатываемой нами нейронной сети предполагается комбинирование таких поведенческих показателей, как количество пропущенных ответов, количество правильных ответов, среднее время, количество верных торможений после появления стоп-сигнала. Такой набор показателей обеспечит повышенную точность прогнозирования наличия депрессии у человека. Реализованная в работе искусственная нейронная сеть позволяет по данным, полученным с помощью фиксации реакции на стимулы со стоп-сигналом, диагностировать риск возникновения депрессии. Разработана архитектура и реализована система тестирования показателей моторного контроля у человека, затем протестирована в реальных экспериментах. Проведено сравнение нейросетевых технологий и методов математической статистики. Реализована нейронная сеть для диагностирования риска возникновения депрессии по данным ССП. На примере данных с экспертной оценкой на наличие депрессии и результатов, полученных при использовании системы тестирования показателей моторного контроля, продемонстрирована эффективность нейронной сети (с точки зрения точности).

These days, the ability to predict the result of the development of the system is the guarantee of the successful functioning of the system. Improving the quality and volume of information, complicating its presentation, the need to detect hidden connections makes it ineffective, and most often impossible, to use classical statistical forecasting methods. Among the various forecasting methods, methods based on the use of artificial neural networks occupy a special place. The main objective of our work is to create a neural network that predicts the risk of depression in a person using data obtained using a motor control performance testing system. The stop-signal paradigm (SSP) is an experimental technique to assess a person’s ability to activate deliberate movements or inhibit movements that have become inadequate to external conditions. In modern medicine, the SSP is most commonly used to diagnose movement disorders such as Parkinson’s disease or the effects of stroke. We hypothesized that SSP could serve as a basis for detecting the risk of affective diseases, including depression. The neural network we are developing is supposed to combine such behavioral indicators as: the amount of missed responses, amount of correct responses, average time, the amount of correct inhibition of movements after stopsignal onset. Such a combination of indicators will provide increased accuracy in predicting the presence of depression in a person. The artificial neural network implemented in the work allows diagnosing the risk of depression on the basis of the data obtained in the stop-signal task. An architecture was developed and a system was implemented for testing motor control indicators in humans, then it was tested in real experiments. A comparison of neural network technologies and methods of mathematical statistics was carried out. A neural network was implemented to diagnose the risk of depression using stop-signal paradigm data. The efficiency of the neural network (in terms of accuracy) was demonstrated on data with an expert assessment for the presence of depression and data from the motor control testing system.

стоп-сигнал парадигмаискусственная нейронная сетьсистема тестированияриск возникновения депрессиимашинное обучениеstop signal paradigmartificial neural networksystem for depression risk assessmentmachine learningData processing using a neural network was carried out with the financial support of a grant from the Russian Science Foundation, No. 22-75-10105. The preparation of the experimental data base was carried out with the participation of A.E. Saprygin and A.N. Savostyanov within the framework of the budget project of Institute of Cytology and Genetics of the Siberian Branch of the Russian Academy of Sciences No. FWNR-2022-0020 “System biology and bioinformatics: reconstruction, analysis and modeling of the structural and functional organization and evolution of human, animal, plant and microbial gene networks”.ReferencesAbout Keras [Electronic resource]. URL: https://keras.io/about/.About Keras [Electronic resource]. URL: https://keras.io/about/.Dense layer [Electronic resource]. URL: https://keras.io/api/layers/core_layers/dense/.Dense layer [Electronic resource]. URL: https://keras.io/api/layers/core_layers/dense/.Haykin S. Neural Networks. A Comprehensive Foundation. Moscow: Williams Publ., 2006. (in Russian)Haykin S. Neural Networks. A Comprehensive Foundation. Moscow: Williams Publ., 2006. (in Russian)Ivanov R., Kazantsev F., Zavarzin E., Klimenko A., Milakhina N., Matushkin Yu., Savostyanov A., Lashin S. ICBrainDB: An integrated database for finding associations between genetic factors and EEG markers of depressive disorders. J. Pers. Med. 2022;12(1):53. DOI 10.3390/jpm12010053.Ivanov R., Kazantsev F., Zavarzin E., Klimenko A., Milakhina N., Matushkin Yu., Savostyanov A., Lashin S. ICBrainDB: An integrated database for finding associations between genetic factors and EEG markers of depressive disorders. J. Pers. Med. 2022;12(1):53. DOI 10.3390/jpm12010053.Layer activation functions [Electronic resource]. URL: https://keras.io/api/layers/activations/.Layer activation functions [Electronic resource]. URL: https://keras.io/api/layers/activations/.Matplotlib documentation – Matplotlib 3.5.1 documentation [Electronic resource]. URL: https://matplotlib.org/stable/index.html.Matplotlib documentation – Matplotlib 3.5.1 documentation [Electronic resource]. URL: https://matplotlib.org/stable/index.html.Mean Squared Error (MSE) [Electronic resource]. URL: https://www.probabilitycourse.com/chapter9/9_1_5_mean_squared_error_MSE. php.Mean Squared Error (MSE) [Electronic resource]. URL: https://www.probabilitycourse.com/chapter9/9_1_5_mean_squared_error_MSE. php.Model training APIs [Electronic resource]. URL: https://keras.io/api/models/model_training_apis/.Model training APIs [Electronic resource]. URL: https://keras.io/api/models/model_training_apis/.Models API [Electronic resource]. URL: https://keras.io/api/models/.Models API [Electronic resource]. URL: https://keras.io/api/models/.Normalization of input vectors (Normalization) – Loginom Wiki [Electronic resource]. URL: https://wiki.loginom.ru/articles/normalization.html.Normalization of input vectors (Normalization) – Loginom Wiki [Electronic resource]. URL: https://wiki.loginom.ru/articles/normalization.html.Pandas documentation – pandas 1.4.2 documentation [Electronic resource]. URL: https://pandas.pydata.org/pandas-docs/stable/.Pandas documentation – pandas 1.4.2 documentation [Electronic resource]. URL: https://pandas.pydata.org/pandas-docs/stable/.ReLu Function in Python – JournalDev [Electronic resource]. URL: https://www.journaldev.com/45330/relu-function-in-python.ReLu Function in Python – JournalDev [Electronic resource]. URL: https://www.journaldev.com/45330/relu-function-in-python.SGD [Electronic resource]. URL: https://keras.io/api/optimizers/sgd/.SGD [Electronic resource]. URL: https://keras.io/api/optimizers/sgd/.Vinogradova E.Yu. Principles of choosing the optimal topology of neural network to support managerial decision making. Uprav lenets = The Manager. 2012;7-8:74-78. (in Russian)Vinogradova E.Yu. Principles of choosing the optimal topology of neural network to support managerial decision making. Uprav lenets = The Manager. 2012;7-8:74-78. (in Russian)

The authors declare that there are no conflicts of interest present.