Registration Number
0826U003548, PhD dissertation
Status
Доктор філософії
Date
24-08-2026
popup.evolution
o
Title
Application of neural network modeling for the diagnosis of epilepsy by the rhythms of the electroencephalogram
Author
Oleksandr A. Inkin,
popup.head Vasyl Y. Bilozorov
popup.opponent Anatolii I. Povoroznyuk
popup.opponent Borys I. Moroz
popup.review Oleh H. Baibuz
popup.review Vadym H. Zaitsev
popup.rada
Oles Honchar Dnipro National University
Description
Дисертаційне дослідження було проведено з метою розробки інтелектуальної автоматизованої системи діагностики та прогнозування епілепсії на основі комплексного аналізу ритмів електроенцефалограм з використанням нейромережевого моделювання та математичного апарату теорії динамічних систем. Для цього запропоновано та розроблено багаторівневу методологію, що поєднує адаптивну попередню обробку ЕЕГ-сигналів з автоматичним видаленням артефактів на основі незалежного компонентного аналізу, багатомасштабне виділення інформативних ознак у частотній, часовій та фазовій областях (спектральний аналіз, дискретне вейвлет-перетворення, показники Ляпунова, фрактальна розмірність та ентропійні характеристики), а також гібридну архітектуру нейронних мереж, що поєднує модифіковані згорткові мережі, трансформери з механізмами уваги та рекурентні LSTM-архітектури для високоточної класифікації та прогнозування епілептичних станів. Подальшого розвитку набули методи персоналізованого адаптивного налаштування параметрів математичної моделі нейронної динаміки та нейромережевих моделей залежно від індивідуальних нейрофізіологічних характеристик пацієнта, а також метод ідентифікації параметрів моделі на основі ЕЕГ-даних з використанням методів оптимізації та теорії оцінювання динамічних систем. Математичну основу роботи становить розроблена модель нейронної динаміки у вигляді системи диференціальних рівнянь з тригонометричними нелінійностями, що дозволяє описувати біфуркаційні переходи від нормальної активності до епілептичних розрядів, колективну синхронізацію та стохастичні флуктуації. Розроблені алгоритми та система реалізовано у вигляді модульної програмної архітектури з використанням сучасних бібліотек машинного навчання та обробки біомедичних сигналів. У ході числових експериментів показано доцільність застосування запропонованих методів та досягнуто підвищення точності діагностики на 15–25 % порівняно з традиційними підходами, що підтверджує ефективність розробленої інтегрованої системи для клінічного застосування в реальному часі.
Registration Date
2026-07-13
popup.nrat_date
2026-07-13 / 2026-09-22
