Проект реализуется в рамках программы "ПРИОРИТЕТ 2030".
Проект соответствует целям СП4 «Академическое превосходство», поскольку одной из основных задач проекта является вовлечение более 70 % исследователей в возрасте до 39 лет, которые являются аспирантами, студентами, а так же кандидатами наук. Главным интересом проекта в том числе разработать алгоритм, который может применяться в реальном секторе экономики, что в свою очередь способствует развитию инновационного потенциала региона, развитию инновационных продуктов и технологий в рамках модели TRL (до TRL 7).
Проект направлен на разработку новых методов машинного обучения, в том числе и на основе графовых нейронных сетей, которые позволят выделять особенности и классифицировать большие данные, которые имеют граф-ориентированную структуру. В качестве таких особенностей будут рассмотрены взаимодействия высокого порядка, которые описывают связи между группами элементов в сети. Разработанные методы будут применены для классификации и диагностики состояния головного мозга с учетом особенностей сетевой структуры функциональных нейронных связей. Разработанные методы будут применены для выявления прогностических маркеров различных состояний центральной нервной системы, включая процессы сенсомоторной интеграции и неврологических заболеваний, на многоканальных сигналах ЭЭГ/МЭГ.
При выполнении проекта будут проведены исследования в рамках двух этапов:
• На первом этапе планируется исследовать возможности графовых нейронных сетей обнаруживать взаимодействия высокого порядка в моделях сетей с различной топологией;
• На втором этапе графовые нейронные сети будут использованы для выявления биомаркеров эффективности восприятия и обработки информации при сенсорном восприятий и неврологических заболеваниях на примере эпилепсии, синдрома Ретта (входит в спектр заболеваний аутического спектра) и т.д., а также восприятия посредством визуально-аудиального сенсорного замещения в функциональных сетях мозга, восстановленных на основе многоканальных сигналов ЭЭГ.
В ходе выполнения проекта будут решаться следующие задачи:
• разработка моделей машинного обучения для классификации различных особенностей топологий граф-ориентированных данных, в том числе и на основе графовых нейронных сетей;
• применение разработанных для анализа топологических особенностей модельных сетей с различной топологией;
• восстановление функциональных нейронных сетей головного мозга на основе многоканальных сигналов электрической активности;
• применение графовых нейронных сетей для выявления прогностических маркеров состояний головного мозга в функциональных сетях мозга, восстановленных на основе многоканальных сигналов ЭЭГ/МЭГ.
Научная значимость результатов проекта заключается в том, что впервые будут определены интерпретируемые закономерности, определяющие возможность графовых нейронных сетей обнаруживать взаимодействия высокого порядка. Интерпретируемость является одной из самых актуальных проблем машинного обучения и современной науки о данных [Cynthia Rudin // Nature Machine Intelligence, 2019]. В рамках проекта решение проблемы интерпретируемости будет основано на использовании математических моделей сложных сетей с контролируемыми свойствами для обучения и валидации машинных методов классификации больших данных.
Общественная значимость заключается в том, что разработанные методы машинного обучения позволят автоматически определять наличие прогностических маркеров состояний головного мозга человека [Laurel J. Gabard-Durnam et al // Nature Communications, 2019]. Это позволит усовершенствовать методы ранней диагностики различных неврологических заболеваний и создать системы поддержки принятия решения (СППВР) клинического психолога, а также предложить новые методы классификации состояний мозга для интерфейсов мозг-компьютер [Phillips D. J. et al. // NeuroImage: Clinical. 2015. 7. p. 377-390].