Горбунов И.А. Зав. Лаб. психофизиологии факультета психологии СПбГУ.
Математические модели нейронных сетей как метод анализа данных в психофизиологии.
В настоящее время модели нейронных сетей используются во многих областях науки. В психофизиологии традиционно они использовались для моделирования различных психофизиологических явлений, так как подобны по структуре нервной системе человека и животных. Все же такие модели позволяют описать только некоторые, самые простые психофизиологические явления. Особенно острые вопросы возникают о соответствии принципов обучения модели нейронной сети реальному нервному субстрату.
Однако у математических моделей нейронных сетей есть свои преимущества, которые можно использовать в других областях психофизиологии.
Известно, что если представить человека, как сложную систему, то параметры, измеряемые с помощью психологических методов, будут представлены на ином уровне, чем физиологические параметры. Психологические характеристики человека отражают характеристики целостного поведения, в то время как физиологические параметры, функции отдельных органов и систем.
Одной из основных задач психофизиологии, как известно, является описание физиологических механизмов психических явлений. Однако чрезвычайно трудно, измеряя физиологические параметры различных уровней, сопоставлять с ними психологические характеристики человека для выполнения этой задачи. Традиционные статистические методы (корреляционный, факторный, дисперсионный, регрессионный и т.п. анализы) не позволяют это делать по
следующим причинам:Нетрудно заметить, что математические модели нейронных сетей лишены данных недостатков. В основу каждого нейрона в самых распространенных моделях (многослойных нейронных сетях) заключена активационная функция (обычно сигмоидная), которая носит нелинейный характер. Количество слоев задает сложность функции преобразования входного вектора на выходной. Математические модели нейронных сетей имеют возможность “обучаться” правильно преобразовывать (распознавать) входные векторы данных (например комплексы физиологических параметров) при известных выходных векторах (например профилей психологических характеристик) с помощью формализованных алгоритмов. При этом модифицируется матрица связей между отдельными слоями таким образом, что отдельные связи принимают максимально большие положительные либо отрицательные веса, а большинство связей остаются стремятся к некоторому среднему значению близкому к нулю.
К тому же нейронные сети имеют еще одно важное преимущество, которого нет во многих видах анализа данных. Нейроны промежуточных слоев многослойной сети можно интерпретировать как отдельные “факторы” влияющие на распределение значений во входном и выходном слое. Таким образом, мы получаем готовую модель психофизиологических взаимодействий и имеем возможность интерпретировать промежуточные уровни между простейшими показателями отдельных систем и органов с одной стороны и особенностями целостного поведения, отражаемых психологическими параметрами с другой.
Интерпретацию можно проводить, анализируя веса синапсов нейрона связывающих его с нейронами предыдущего и последующего уровня. Критерием анализа весов может быть отклонение их от среднего веса на доли стандартного отклонения, посчитанных по всем весам, связывающим этот нейрон с нейронами другого слоя. Операция очень похожа на интерпретацию факторов в факторном анализе. Описание промежуточных нейронов можно проводить начиная как с физиологического уровня, так и с психологического. Таким образом каждый промежуточный нейрон может иметь как физиологическую так и психологическую интерпретацию.