Моделювання око-рухової системи людини на основі моделей Вольтерри у нейрофізіологічних дослідженнях

Abstract

Розвивається метод моделювання око-рухової системи (ОРС) людини на основі моделей Вольтерри у вигляді багатовимірних перехідних характеристик, отриманих з експериментальних досліджень "вхід-вихід" ОРС із застосуванням інноваційної технології айтрекінгу. Дослідження респондента здійснювалося у ранковий та вечірній час, що дозволило встановити мінливість характеристик ОРС в станах до роботи (норма) та після роботи (втома). Встановлено, що для ідентифікації ОРС в практичних застосуваннях у нейронауках доцільно використовувати квадратичний поліном Вольтерри, який визначається за допомогою методу найменших квадратів із використанням трьох ступінчатих тестових сигналів з різними амплітудами. Сформовано датасети для машинного навчання у різних просторах діагностичних ознак: евристичних ознак та ознак, які отримані на основі семплінгу перехідних характеристик першого і другого порядку. За допомогою комп'ютерного моделювання визначено робастні за показником імовірності правильного розпізнавання набори ознак. Для оцінки психофізіологічних станів застосовано байєсівський класифікатор і метод SVM. A method for modeling the human eye movement system (EMS) based on Volterra models in the form of multidimensional transient characteristics has been further developed. These characteristics were obtained from experimental "input-output" EMS studies using innovative eye-tracking technology. The respondent was studied in the morning and evening, which made it possible to identify the variability of EMS characteristics in the before-work (normal) and after-work (fatigue) states. It has been established that for EMS identification in practical neuroscience applications, it is advisable to use the quadratic Volterra polynomial, determined using the least squares method with three step test signals of different amplitudes. Datasets for machine learning were formed in different diagnostic feature spaces: heuristic features and features derived from sampling the first- and second-order transient characteristics. Using computer modeling, feature sets that are robust according to the probability of correct recognition criterion were identified. To assess psychophysiological states, a Bayesian classifier and the SVM method were applied.