Details

Title Исследование моделей нейротрансмиттерной парадигмы работы мозга: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_20 «Проектирование интеллектуальных компьютерных систем» = Study of models of the neurotransmitter paradigm of brain function
Creators Зиновьев Андрей Александрович
Scientific adviser Бендерская Елена Николаевна
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Imprint Санкт-Петербург, 2026
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects нейротрансмиттерная парадигма ; биологоподобные модели ; спайковые нейронные сети ; классификация жестов ; DVS Gesture ; суррогатный градиент ; neurotransmitter paradigm ; bioinspired models ; spiking neural networks ; gesture classification ; surrogate gradient
Document type Master graduation qualification work
Language Russian
Level of education Master
Speciality code (FGOS) 09.04.01
Speciality group (FGOS) 090000 - Информатика и вычислительная техника
DOI 10.18720/SPBPU/3/2026/vr/vr26-6692
Rights Доступ по паролю из сети Интернет (чтение)
Additionally New arrival
Record key ru\spstu\vkr\46202
Record create date 11/16/2026

Allowed Actions

–

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

Данная работа посвящена систематизации знаний о нейротрансмиттерной парадигме и уровнях моделирования нервной системы, а также экспериментальной оценке эффективности спайковых нейронных сетей на прикладной задаче классификации жестов. Задачи, которые решались в ходе исследования:     1. Провести анализ эволюции нейротрансмиттерной парадигмы и выделить уровни моделирования нервной системы.     2. Изучить существующие подходы к использованию биоподобных нейромоделей для решения прикладных задач.     3. Реализовать спайковую нейронную сеть для классификации жестов на датасете DVS Gesture.     4. Сравнить эффективность различных архитектур и функций потерь.     5. Исследовать влияние механизмов внимания на точность распознавания. Работа проведена с использованием событийного датасета. Обучение спайковых сетей на нем реализовано через суррогатный градиент с кросс‑энтропийной и среднеквадратичной функциями потерь. Были реализованы и исследованы 7 архитектур от классической свёрточной сети, до спайковой сети с пространственным и временным вниманием. В результате были систематизированы три уровня моделирования нервной системы и приведены области применения моделей на каждом уровне. Экспериментально показано, что дисбаланс параметров у моделей сетевого уровня приводит к переобучению, основным фактором которого является затухание градиентов. Разработана спайковая сеть с упрощённым механизмом временного внимания, достигшая точности свыше 95% на тестовой выборке датасета DVS Gesture. Для достижения данных результатов были использованы язык программирования Python, фреймворк SpikingJelly, основанный на библиотеке PyTorch, и средства визуализации torchinfo и matplotlib. Эксперимент проводился в среде разработки Visual Studio Code.

This paper aims to systematize knowledge about the neurotransmitter paradigm and the levels of modeling the nervous system, as well as to experimentally evaluate the effectiveness of spiking neural networks for the applied task of gesture classification. The objectives of the study were: 1. To analyze the evolution of the neurotransmitter paradigm and identify the levels of modeling the nervous system. 2. To study existing approaches to using bioinspired neural models to solve applied problems. 3. To implement a spiking neural network for gesture classification using the DVS Gesture dataset. 4. Compare the effectiveness of various architectures and loss functions. 5. Investigate the impact of attention mechanisms on recognition accuracy. The study was conducted using an event-driven dataset. Spiking networks were trained on it using a surrogate gradient with cross-entropy and mean-square loss functions. Seven architectures were implemented and studied, ranging from a classical convolutional network to a spiking network with spatial and temporal attention. As a result, three levels of neural network modeling were systematized and application areas for the models at each level were described. It was experimentally demonstrated that parameter imbalances in network-level models lead to overfitting, the main factor being gradient attenuation. A spiking network with a simplified temporal attention mechanism was developed, achieving over 95% accuracy on the test sample of the DVS Gesture dataset. To achieve these results, we used the Python programming language, the SpikingJelly framework based on the PyTorch library, and the torchinfo and matplotlib visualization tools. The experiment was conducted in the Visual Studio Code development environment.

Network User group Action
ILC SPbPU Local Network All
Read
Internet Authorized users SPbPU
Read
Internet Anonymous
  • ВВЕДЕНИЕ
  • 1 Теория биологоподобных моделей
    • 1.1 Эволюция химической парадигмы
    • 1.2 Биологическое устройство нейрона.
    • 1.3 Уровни моделирования нервной системы.
      • 1.3.1 Молекулярно-кинетический уровень.
      • 1.3.2 Канально-токовый уровень.
      • 1.3.3 Сетевой уровень.
    • 1.4 Задачи решаемые сетями из биологоподобных нейронов.
  • 2 Построение спайковой сети для классификации изображений.
    • 2.1. Выбор датасета для исследования спайковой сети.
    • 2.2 Выбор фреймворков для исследования спайковой сети.
    • 2.3 Эволюция обучаемых моделей.
      • 2.3.1 Гиперпараметры обучения.
      • 2.3.2 Цикл обучения классической сети
        • 2.3.2.1 Исходная сверточная модель
        • 2.3.2.2 Сбалансированная сверточная модель
      • 2.3.3 Цикл обучения спайковой сети
        • 2.3.3.1 Исходная спайковая модель.
        • 2.3.3.2 Сбалансированная спайковая модель.
        • 2.3.3.3 Спайковая модель с вниманием.
  • 3 Результаты сравнения.
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
  • ПРИЛОЖЕНИE
...