Разработка нейронной сети для диагностики риска возникновения депрессии по экспериментальным данным стоп-сигнал парадигмы

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).

1. About Keras [Electronic resource]. URL: https://keras.io/about/.

2. Dense layer [Electronic resource]. URL: https://keras.io/api/layers/core_layers/dense/.

3. Haykin S. Neural Networks. A Comprehensive Foundation. Moscow: Williams Publ., 2006. (in Russian)

4. 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.

5. Layer activation functions [Electronic resource]. URL: https://keras.io/api/layers/activations/.

6. Matplotlib documentation – Matplotlib 3.5.1 documentation [Electronic resource]. URL: https://matplotlib.org/stable/index.html.

7. Mean Squared Error (MSE) [Electronic resource]. URL: https://www.probabilitycourse.com/chapter9/9_1_5_mean_squared_error_MSE. php.

8. Model training APIs [Electronic resource]. URL: https://keras.io/api/models/model_training_apis/.

9. Models API [Electronic resource]. URL: https://keras.io/api/models/.

10. Normalization of input vectors (Normalization) – Loginom Wiki [Electronic resource]. URL: https://wiki.loginom.ru/articles/normalization.html.

11. Pandas documentation – pandas 1.4.2 documentation [Electronic resource]. URL: https://pandas.pydata.org/pandas-docs/stable/.

12. ReLu Function in Python – JournalDev [Electronic resource]. URL: https://www.journaldev.com/45330/relu-function-in-python.

13. SGD [Electronic resource]. URL: https://keras.io/api/optimizers/sgd/.

14. 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)