ПРОЕКТИРОВАНИЕ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ КЛАССИФИКАЦИИ ВОЗРАСТНЫХ РАЗЛИЧИЙ В ФУНКЦИОНИРОВАНИИ СИСТЕМЫ СИМВОЛИЧЕСКОЙ ОЦЕНКИ КОЛИЧЕСТВА
В статье представлен результат разработки и обучения 4 архитектур рекуррентных нейронных сетей для решения задачи классификации возрастных различий в функционировании системы символической оценки количества. При проектировании нейронных сетей использовались такие современные практики, как ячейки с длинной краткосрочной памятью, модификация, позволяющая подавать сигнал на нейронную сеть в прямом и обратном порядке, предварительные 1D свертки сигнала перед подачей на рекуррентные слои. Лучший результат на всех наборах данных демонстрирует рекуррентная нейронная сеть со слоями предварительной свертки сигнала. Точность варьируется в пределах 86-88% в зависимости от набора данных. Указанная точность получена на данных, к которым был применен алгоритм коррекции базовой линии.
Малых С.Б., Асадуллаев Р.Г., Ситникова М.А. Проектирование рекуррентных нейронных сетей для классификации возрастных различий в функционировании системы символической оценки количества // Научный результат. Информационные технологии. – Т.8, №4, 2023. – С. 50-58. DOI: 10.18413/2518-1092-2023-8-4-0-5
Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.
1. Feigenson L., Dehaene S., Spelke E. Core systems of number // Trends in cognitive sciences. – 2004. – Т. 8. – №. 7. – P. 307-314.
2. Quaresima V., Ferrari M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: a concise review // Organizational Research Methods. – 2019. – Т. 22. – №. 1. – P. 46-68.
3. Cutini S., Moro S.B., Bisconti S. Functional near infrared optical imaging in cognitive neuroscience: an introductory review //Journal of Near Infrared Spectroscopy. – 2012. – Т. 20. – №. 1. – P. 75-92.
4. Sitnikova M.A., Malykh S.B. Functional near-infrared spectroscopy applications in developmental cognitive neuroscience // Журнал высшей нервной деятельности им. И.П. Павлова. – 2021. – Т. 71. – №. 4. – P. 485-499.
5. Sirpal P. et al. Multimodal autoencoder predicts fNIRS resting state from EEG signals // Neuroinformatics. – 2022. –Т. 20. –№. 3. – P. 537-558.
6. Rojas R.F. et al. Pain assessment based on fnirs using bi-lstm rnns // 2021 10th International IEEE/EMBS Conference on Neural Engineering (NER). IEEE, 2021. – P. 399-402.
7. Eastmond C. et al. Deep learning in fNIRS: a review // Neurophotonics. – 2022. –Т. 9. –№. 4. – P. 041411-041411.
8. Yoo S.H., Woo S.W., Amad Z. Classification of three categories from prefrontal cortex using LSTM networks: fNIRS study //2018 18th International Conference on Control, Automation and Systems (ICCAS). – IEEE, 2018. – P. 1141-1146
9. Hamid H. et al. Analyzing classification performance of fNIRS-BCI for gait rehabilitation using deep neural networks // Sensors. – 2022. – Т. 22. – №. 5. – P. 1932.
10. Mughal N.E. et al. EEG-fNIRS-based hybrid image construction and classification using CNN-LSTM // Frontiers in Neurorobotics. – 2022. – Т. 16. – P. 873239.
11. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. –1997. –Т. 9. –№. 8. –P. 1735-1780.
12. Wickramaratne S.D., Mahmud M.D.S. A Ternary Bi-Directional LSTM Classification for Brain Activation Pattern Recognition Using fNIRS //2020 5th International Conference on Intelligent Informatics and Biomedical Sciences (ICIIBMS). IEEE, 2020. P. 202-207.
13. Gramfort A. et al. MEG and EEG data analysis with MNE-Python // Frontiers in neuroscience. 2013. P. 267.
14. Luke R. et al. Analysis methods for measuring passive auditory fNIRS responses generated by a block-design paradigm // Neurophotonics. –2021. – Т. 8. – №. 2. – P. 025008-025008.
15. Sitnikova M.A. et al. The neural correlates of exact calculation in word and numerical formats in low and high math performers: a fNIRS study // International Journal of Cognitive Research in Science, Engineering & Education (IJCRSEE). –2023. –Т. 11. –№. 1.
Исследование выполнено при поддержке гранта РНФ № 22-28-02030 «Нейрокогнитивные механизмы символических числовых навыков».