Данная работа исследует методы обучения U-Net для сегментации эхокардиографических изображений и показывает возможный вариант внедрения модели. Работа основана на анализе эффективности и применимости машинного обучения в сегментации эхокардиографических изображений. Исследование описывает возможные методы машинного обучения, а также метрики для задачи сегментации. В работе рассматривается разработка веб-приложения для автоматизации сегментирования эхокардиографических изображений в медицинских центрах, которое позволит ускорить процесс приема пациентов, не потеряв качества сегментации. / This work explores U-Net training methods for segmentation of echocardiographic images and shows a possible implementation of the model. The work is based on the analysis of the effectiveness and applicability of machine learning in segmentation of echocardiographic images. The study describes possible machine learning methods, as well as metrics for the segmentation task. The paper considers the development of a web application for automating segmentation of echocardiographic images in medical centers, which will speed up the process of receiving patients without losing the quality of segmentation.

Для решения проблемы низкой точности, слабой адаптивности и плохой интерпретируемости существующих моделей прогнозирования опасности схода грязевых потоков предлагается новый метод прогнозирования. В качестве примера рассматриваются 159 точек бедствий в бассейне реки Нуцзян в Китае. Выбраны 15 факторов влияния, и с использованием метода комбинированного взвешивания тремя сторонами проводится оценка опасности точек риска схода грязевых потоков. Затем для прогнозирования опасности схода грязевых потоков используется модель CNN-BiGRU-Attention. Для оптимизации гиперпараметров применяется улучшенный алгоритм KOA (IKOA). В конечном итоге для повышения интерпретируемости результатов прогнозирования модели введена рамка SHAP. Результаты показывают, что по сравнению с 13 текущими наиболее часто используемыми моделями прогнозирования, модель IKOA-CNN-BiGRU-Attention демонстрирует наилучшие результаты прогнозирования. / To address the issues of low accuracy, poor adaptability, and weak interpretability in existing models for predicting debris flow hazards, a new prediction method is proposed. Using 159 disaster points in the Nujiang River Basin in China as a case study, 15 influencing factors are selected, and a tripartite combined weighting method is used to evaluate the risk levels of debris flow points. Subsequently, the CNN-BiGRU-Attention model is used to predict the hazard of debris flows. The improved KOA algorithm (IKOA) is employed for hyperparameter optimization. Finally, the SHAP framework is introduced to enhance the interpretability of the model's prediction results. The results show that compared to the 13 currently commonly used prediction models, the IKOA-CNN-BiGRU-Attention model exhibits the best predictive performance.

Объект исследования – кибер-физические системы, подверженные различным инцидентам, отказам и сбоям в своей работе. Цель работы – разработка модели машинного обучения для определения корневых причин сбоев в производственной системе, а также исследование возможности использования машинного обучения для определения причин будущих сбоев. Методы исследования: сбор, анализ и синтез данных, сравнение, обобщение, классификация, аналогия, эксперимент, измерение, описание. Результаты работы: разработана и обучена модель машинного обучения для анализа корневых причин инцидентов производственной установки методом классификации на выбранном наборе «сырых» данных небольшого объема с последующей проверкой качества ее работы на тестовых данных. Область применения – обучение модели корневым причинам инцидентов (отказов, сбоев) производственных систем на имеющихся данных с последующим оперативным обнаружением причин аномальной работы систем в тандеме с работой алгоритма по автоматическому обнаружению и прогнозированию аномалий. / The object of research is cyber-physical systems that are susceptible to various incidents, failures and malfunctions in their operation. The goal of the work is to develop a machine learning model to determine the root causes of failures in a production system, as well as to explore the possibility of using machine learning to determine the causes of future failures. Research methods: collection, analysis and synthesis of data, comparison, generalization, classification, analogy, experiment, measurement, description. Results of the work: a machine learning model was developed and trained to analyze the root causes of incidents in a production facility using the classification method on a selected set of small-volume “raw” data, followed by checking the quality of its work on test data. Scope of application: training a model for the root causes of incidents (failures, failures) of production systems using available data, followed by prompt detection of the causes of abnormal operation of systems in tandem with the work of the algorithm for automatic detection and prediction of anomalies.