Аналіз параметрів розкладу Фур’є BOLD-сигналів структур мозку для діагностики посттравматичного стресового розладу

Скорочена інформація про документ
dc.contributor.advisorПавлов, Володимир Анатолійович
dc.contributor.authorГолеусов, Єгор Кирилович
dc.date.accessioned2026-01-07T10:02:45Z
dc.date.available2026-01-07T10:02:45Z
dc.date.issued2025
dc.description.abstractДипломна робота за темою «Аналіз параметрів розкладу Фур’є BOLD-сигналів структур мозку для діагностики посттравматичного стресового розладу» виконана студентом кафедри біомедичної кібернетики ФБМІ Голеусовим Єгором Кириловичем зі спеціальності 122 «Комп’ютерні науки» за освітньо-професійною програмою «Комп’ютерні технології в біології та медицині» та складається зі: вступу; 3 розділів (Огляд методів аналізу BOLD-сигналів для класифікації ПТСР, Засоби реалізації нейронної мережі для діагностики ПТСР, Програмна реалізація та методика роботи лікарської системи діагностики ПТСР), висновків до кожного з цих розділів; загальних висновків; списку використаних джерел, який налічує 26 джерела. Загальний обсяг роботи 75 сторінок. Актуальність теми. Актуальність теми дипломної роботи полягає у необхідності підвищення точності та об’єктивності діагностики посттравматичного стресового розладу, за допомогою сучасного методу аналізу медичних сигналів BOLD-функціонального МРТ. Використання автоматизованих моделей на основі нейронних мереж і методу інтерпретації інтегрованих градієнтів, дозволяє не лише покращити якість прогнозування та виявити ключові біомаркери захворювання, а й суттєво скоротити час дослідження, зменшити вплив людського фактора та підвищити ефективність діагностичного процесу в цілому. Це є важливим кроком у розвитку персоналізованої медицини та глибшого розуміння нейрофізіологічних механізмів ПТСР. Мета і завдання роботи. Метою роботи є оцінка ефективності методики автоматизованого аналізу BOLD-сигналів для виявлення предикторів ПТСР, що дозволить підвищити точність класифікації пацієнтів за допомогою нейронних мереж та забезпечить практичну можливість інтеграції таких рішень у клінічну практику. Її досягнення передбачає вирішення наступних завдань: 1. Визначення амплітудного спектру BOLD-сигналів структур мозку. 2. Побудова матриць ознак на основі амплітудного спектру, коефіцієнтів кореляції та співвідношення середніх значень. 3. Формування змішаного ансамблю ознак для підвищення якості класифікації. 4. Побудова та навчання нейронної мережі для класифікації пацієнтів з ПТСР. 5. Застосування методу інтегрувальних градієнтів для інтерпретації отриманих моделей. 6. Генерація синтетичних даних для кожного класу з метою покращення узагальненої властивості моделі та якості. Використані методи. У процесі дослідження було використано мову програмування для автоматизованої обробки, аналізу та візуалізації медичних даних. Застосовувались методи попередньої обробки, побудови моделей машинного та глибинного навчання. Моделі перевірялися на здатність до класифікації психічних станів за функціональними показниками. Для інтерпретованості результатів використовувалися методи пояснення рішень моделей, що дозволяють оцінити внесок окремих ознак у процес класифікації. Для підвищення узагальнювальної здатності моделей і збереження приватності даних було застосовано генерацію синтетичних вибірок, що імітують статистичні властивості реальних медичних сигналів. Отримані результати. Розроблено метод аналізу BOLD-сигналів з параметрами Фур’є для класифікації ПТСР. Навчено глибоку нейронну мережу з регуляризацією та ранньою зупинкою. Застосовано інтегровані градієнти для інтерпретації ознак. Використано синтетичні дані для покращення моделі та захисту інформації. Робота виконана згідно договору про співпрацю ДУ «Інститут педіатрії акушерства і гінекології імені академіка О. М. Лук'янової НАМН України» з НТТУ «Київський політехнічний інститут ім. Ігоря Сікорського» № Д/0002.01/3400.02/291/2023 від 27.10.2023 року на даних, наданих ДУ "Всеукраїнський центр материнства та дитинства НАМН України» (справка додається), результати роботи впроваджено у медичну практику (акт додається).
dc.description.abstractotherBachelor’s Thesis on the topic "Analysis of Fourier Decomposition Parameters of BOLD Signals in Brain Structures for Diagnosing Post-Traumatic Stress Disorder" completed by Holeusov Yehor Kyrylovych, a student of the Department of Biomedical Cybernetics, Faculty of Biomedical Engineering and Informatics, specializing in 122 "Computer Science" under the educational-professional program "Computer Technologies in Biology and Medicine." The thesis consists of: introduction; 3 chapters (Overview of Methods for BOLD Signal Analysis for PTSD Classification, Implementation Tools of Neural Network for PTSD Diagnosis, Software Implementation and Methodology of the Medical Diagnostic System for PTSD), conclusions to each chapter; general conclusions; a list of 26 references; and appendices. The total volume of the work is 75 pages. Relevance of the topic. The relevance of this thesis lies in the necessity to improve the accuracy and objectivity of diagnosing post-traumatic stress disorder (PTSD) using a modern method of analyzing medical signals from BOLD-functional MRI. The use of automated models based on neural networks and the integrated gradients interpretation method allows not only improving prediction quality and identifying key biomarkers of the disease but also significantly reducing research time, minimizing human factor influence, and increasing the overall efficiency of the diagnostic process. This represents an important step toward the development of personalized medicine and a deeper understanding of the neurophysiological mechanisms of PTSD. Aim and objectives of the work. The aim of this work is to assess the effectiveness of an automated BOLD signal analysis method for identifying PTSD predictors, which will improve the accuracy of patient classification using neural networks and enable practical integration of such solutions into clinical practice. Achieving this aim involves solving the following tasks: 1. Determination of the amplitude spectrum of BOLD signals of brain structures. 2. Construction of feature matrices based on the amplitude spectrum, correlation coefficients, and ratios of mean values. 3. Formation of a mixed feature ensemble to improve classification quality. 4. Development and training of a neural network for classifying PTSD patients. 5. Application of the integrated gradients method for interpreting the resulting models. 6. Generation of synthetic data for each class to improve model generalizability and quality. Methods used. The study utilized programming languages for automated processing, analysis, and visualization of medical data. Methods of preprocessing and building machine learning and deep learning models were applied. The models were tested for their ability to classify mental states based on functional indicators. For interpretability of the results, model explanation methods were used to assess the contribution of individual features to the classification process. To enhance the generalization ability of the models and preserve data privacy, synthetic datasets were generated that mimic the statistical properties of real medical signals. Results obtained. A method for analyzing BOLD signals with Fourier parameters for PTSD classification was developed. A deep neural network with regularization and early stopping was trained. Integrated gradients were applied to interpret features. Synthetic data were used to improve the model and protect information. The work was carried out in accordance with the cooperation agreement between the State Institution "Institute of Pediatrics, Obstetrics and Gynecology named after Academician O. M. Lukyanova of the National Academy of Medical Sciences of Ukraine" and the National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" No. D/0002.01/3400.02/291/2023 dated October 27, 2023, based on data provided by the State Institution "Ukrainian Center for Motherhood and Childhood of the National Academy of Medical Sciences of Ukraine" (certificate attached). The results of the work have been implemented in medical practice (implementation report attached).
dc.format.extent78 с.
dc.identifier.citationГолеусов, Є. К. Аналіз параметрів розкладу Фур’є BOLD-сигналів структур мозку для діагностики посттравматичного стресового розладу : дипломна робота ... бакалавра : 122 Комп’ютері науки / Голеусов Єгор Кирилович. – Київ, 2025. – 75 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/77951
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectBOLD-сигнали
dc.subjectфМРТ
dc.subjectПТСР
dc.subjectпараметри Фур’є
dc.subjectглибоке навчання
dc.subjectнейронна мережа
dc.subjectінтегровані градієнти
dc.subjectсинтетичні дані
dc.subjectгенеративні моделі
dc.subjectкласифікація
dc.subjectмедична діагностика
dc.subjectBOLD signals
dc.subjectfMRI
dc.subjectPTSD
dc.subjectFourier parameters
dc.subjectdeep learning
dc.subjectneural network
dc.subjectintegrated gradients
dc.subjectsynthetic data
dc.subjectgenerative models
dc.subjectclassification
dc.subjectmedical diagnostics
dc.titleАналіз параметрів розкладу Фур’є BOLD-сигналів структур мозку для діагностики посттравматичного стресового розладу
dc.title.alternativeAnalysis of Fourier Decomposition Parameters of BOLD Signals in Brain Structures for Diagnosing Post-Traumatic Stress Disorder
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Holeusov_bakalavr.pdf
Розмір:
2.53 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (БМК)
Бакалаврські роботи