Medical, psychological and physiological applications of MultiNeuron neural simulator

Gorban, A.N.; Rossiev, D.A.; Butakova, E.V.; Gilev, S.E.; Головенкин, С. Е.; Догадин, С. А.; Доррер, М. Г.; Kochenov, D. A.; Kopytov, A.G.; Maslennikova, E. V.; Matyushin, G. V.; Mirkes, Ye.M.; Nazarov, B.; Nozdrachev, K.G.; Савченко, А. А.; Smirnova, S.V.; Шульман, В. А.; Zenkin, V.I.

doi:10.1109/isninc.1995.480831

Cited by 11 publications

(7 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It contains information about 1700 patients and 110 features characterizing the clinical phenotypes and 12 features representing possible complications of the myocardial infarction disease. Previously, the dataset was a subject of machine learning method applications, including convolutional neural networks [23] and dimensionality reduction methods [24]. We believe that introducing this dataset, which exempli es the speci city and di culties of analysing the real-life clinical data, to the big data and machine learning research community should contribute to developing better treatment and subtyping strategies in cardiology and in clinical research in general [25].…”

Section: Complications Of Myocardial Infarction Databasementioning

confidence: 99%

Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data

Golovenkin,

Bac,

Chervov

et al. 2020

Preprint

View full text Add to dashboard Cite

Large observational clinical datasets become increasingly available for mining associations between various disease traits and administered therapy. These datasets can be considered as representations of the landscape of all possible disease conditions, in which a concrete pathology develops through a number of stereotypical routes, characterized by 'points of no return' and ' nal states' (such as lethal or recovery states). Extracting this information directly from the data remains challenging, especially in the case of synchronic (with a short-term follow up) observations. Here we suggest a semi-supervised methodology for the analysis of large clinical datasets, characterized by mixed data types and missing values, through modeling the geometrical data structure as a bouquet of bifurcating clinical trajectories. The methodology is based on application of elastic principal graphs which can address simultaneously the tasks of dimensionality reduction, data visualization, clustering, feature selection and quantifying the geodesic distances (pseudotime) in partially ordered sequences of observations. The methodology allows positioning a patient on a particular clinical trajectory (pathological scenario) and characterizing the degree of progression along it with a qualitative estimate of the uncertainty of the prognosis. Overall, our pseudo-time quanti cation-based approach gives a possibility to apply the methods developed for dynamical disease phenotyping and illness trajectory analysis (diachronic data analysis) to synchronic observational data. We developed a tool ClinTrajan for clinical trajectory analysis implemented in Python programming language. We test the methodology in two large publicly available datasets: myocardial infarction complications and readmission of diabetic patients data.

show abstract

Section: Complications Of Myocardial Infarction Databasementioning

confidence: 99%

Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data

Golovenkin,

Bac,

Chervov

et al. 2020

Preprint

View full text Add to dashboard Cite

show abstract

“…will play a major role here. Advances in genomics may lead to the creation of synthetic life [Richardson et al, 2017] and the development of neuroinformatics will help to speed up the creation of neural networks and neurocomputers [Gorban, 1998]. Hopes associated with the further development of ICT and information security systems are based upon the creation of quantum computers and the development of quantum cryptography techniques [Ladd, 2010].…”

Section: Scientific Advances and Their Possible Consequencesmentioning

confidence: 99%

New Technological Revolution and Energy Requirements

Filippov¹

2018

Foresight and STI Governance

View full text Add to dashboard Cite

T he new technological revolution is radically changing the shape and development conditions of the world energy industry. The increase in demand for energy, alongside with changes in its structure, require the development of breakthrough technologies and the supply of new energy resources, which is associated with significant costs. To optimize them, a timely anticipation of the expected socioeconomic changes and future energy requirements is needed. This paper analyzes the possible implications of the new technological revolution for the global and domestic energy industries. It evaluates current and prospective trends, such Кeywords: scientific & technological progress; new technological revolution; post-industrial economy; postindustrial society; energy; energy demand; requirements to energy; energy technology; distributed energy; mobile energy as changes in energy consumption due to growing demand from the service sector and households while reducing the needs of large-scale industry, digitalization, the formation of "mobile", "portable" energy, and so on. Russia will maintain demand for a centralized energy supply while increasing the demand for distributed generation and cogeneration with the involvement of renewable energy sources, smart grid technologies, and other solutions. The current structure of the national fuel and energy complex is vulnerable to the large-scale electrification of transport and decarbonization of world energy.

show abstract

“…Різниця між підходами та методами -в деталях зображення о роботі нейрона та зображення роботи зв'язків. Основне навантаження на виконання конкретних функцій процесорами лягає на архітектуру системи, деталі котрої, в свою чергу, визначаються міжнейронними зв'язками [2].…”

Section: рис 3 схема нейрона / Neural Circuitunclassified

Artificial Neural Networks For Building Projects Cost Estimating

Zhuravel¹,

Velmagina²

2018

CMM

View full text Add to dashboard Cite

Анотація. Мета. Сформувати уявлення про застосування нейронних мереж для оцінки вартості будівельних проектів. Штучні нейронні мережі успішно використовуються у вирішенні численних комплексних нелінійних проблем, пов'язаних з прогнозуванням, оцінкою, прийняттям рішень, оптимізацією, систематизацією та вибором в областях будівництва та його управлінням. Штучні нейронні мережі особливо ефективні для вирішення складних задач, таких як проблеми оцінки витрат, коли взаємозв'язок між змінними не може бути виражений простими математичними відносинами. Методика. Метод параметричної оцінкице метод, при якому для вартісної оцінки використовується статистична залежність між історичними даними та іншими змінними. За допомогою даного методу можна отримати більш точну оцінку вартості, завдяки тому, що даний підхід потребує меншого рівня деталізації в порівнянні з іншими методологіями. Рівень точності оцінки залежить від складності, кількості ресурсів, виділених для такої роботи і даних про вартість, вбудованих в модель. Результати. Оцінка вартості є одним із найважливіших факторів в управлінні будівельними проектами. Будь-яке технікоекономічне обґрунтування для проекту вимагає точної оцінки витрат, для того щоб прийняти правильне рішення щодо майбутньої долі проекту. Наукова новизна. Вдосконалення методів оцінки вартості сприяє більш ефективному контролю за часом та витратами у будівництві. Практична значимість. Застосування штучних нейронних мереж може потенційно усувати деякі основні недоліки традиційних методів оцінки. Це надає великі перспективи для підвищення надійності та обґрунтованості методу параметричної оцінки вартості.

show abstract

Medical, psychological and physiological applications of MultiNeuron neural simulator

Cited by 11 publications

References 0 publications

Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data

Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data

New Technological Revolution and Energy Requirements

Artificial Neural Networks For Building Projects Cost Estimating

Contact Info

Product

Resources

About