Нейросеть обучили на наборе данных, представляющих собой непрерывный поток электрических сигналов разной интенсивности. Их можно сравнить с электрокардиограммой, на которой есть «пики» и «впадины». Временны́е расстояния между пиками переводили в числовой ряд и подавали на вход нейросети, которая выдавала «ответ» в виде числа, характеризующего степень неупорядоченности сигнала. Благодаря этому алгоритм научился определять соответствие между шаблонами сигналов и их энтропией.
Затем персептрон протестировали на новом наборе сигналов. Алгоритм снова переводил «пики» и «впадины» в числовой ряд, в котором расстоянию между последовательными пиками соответствовало определенное число. Далее нейросеть анализировала полученные данные и по ним определяла, насколько исходный сигнал был упорядочен: условно, имела ли «электрокардиограмма» правильный ритм или он был нарушен, как у пациентов с аритмией. Эксперимент показал, что алгоритм определяет «меру хаоса» с точностью до 90%.
Схема сенсора хаоса на основе персептрона. Источник: Velichko et al. / Sensors, 2023
Кроме того, с помощью предложенного сенсора исследователи оценили энтропию электрических импульсов в нерве конечности мыши в состоянии покоя и при искусственной стимуляции. Данные осциллограмм (графиков активности нервных клеток) авторы взяли из экспериментальной работы своих зарубежных коллег. Оказалось, что в состоянии покоя энтропия в 1,16 раза выше, чем при стимуляции. При этом точность алгоритма на основе персептрона при работе с реальными данными составила 85%.
«Наше исследование показало, что системы, работающие на тех же принципах, что и нейроны в головном мозге, действительно способны оценивать меру неупорядоченности внешних сигналов. Исходя из этого можно даже предположить существование специальных сенсорных систем, которые могли бы помогать живым организмам распознавать хаос, например во время охоты, чтобы отличить случайные сигналы от движения жертвы. На практике полученные результаты могут использоваться для нейрочипов в биопротезах, отслеживающих сигналы отдельных нейронов, при разработке “умных” медицинских датчиков, определяющих, например, патологии на электрокардиограммах и энцефалограммах, а также роботов, имитирующих поведение животных», — рассказывает руководитель проекта Андрей Величко, кандидат физико-математических наук, заведующий учебно-научной лабораторией по разработке электронной компонентной базы на основе микро- и наноструктур Петрозаводского государственного университета.Если вы хотите стать героем публикации и рассказать о своем исследовании, заполните форму на сайте РНФ