The object of study first-year students The subject of the study emotional intelligence The master's thesis consists of an introduction, two chapters, a conclusion, a list of references (41 sources) and an Appendix that includes a description of the applied methods and tables with the results of data processing by means of methods of mathematical statistics). The volume of the master's thesis 108 pages, which contains 13 figures and 8 tables. The introduction reveals the relevance of the study, the development of problems, sets the purpose and objectives of the study, defines the object and subject of the study, formulates the basic hypothesis, specifies the methods and empirical base, as well as the stages of the study. The first Chapter includes a review of the literature on the topic of the study, a description of the concept of emotional intelligence and related concepts, Conclusions on the first Chapter are the results of the study of theoretical material. The second Chapter is devoted to the empirical part of the study. It presents a description of the organization and methods of the study and the results obtained by all the methods used: the questionnaire of emotional intelligence by Lyusin D.V., the method of diagnosing the level of development of the ability to adequately understand the nonverbal behavior by Labunskaya V. A, the method of diagnosis of social and psychological adaptation by K. Rogers and R. Diamond. The conclusions of Chapter 2 include the main findings of the empirical study. In conclusion, the results of theoretical and empirical parts of the work, as well as conclusions on the proposed hypothesis are summarized. / Объект исследования студенты-первокурсники Предмет исследования эмоциональный интеллект Магистерская диссертация состоит из введения, двух глав, заключения, списка литературы (41 источник) и приложения, включающего в себя описание применявшихся методик и таблиц с результатами обработки данных посредвом методов математической статистики). Объем магистерской диссертации 108 страниц, на которых размещены 13 рисунков и 8 таблиц. Во введении раскрывается актуальность исследования, разработанность проблематики, ставятся цель и задачи исследования, определяются объект и предмет исследования, формулируется основная гипотеза, указываются методы и эмпирическая база, а также этапы проведения исследования. Первая глава включает в себя обзор литературы по теме исследования, описание понятия эмоционального интеллекта и смежных с ним понятий, Выводы по первой главе представляют собой итоги по изучению теоретического материала. Вторая глава посвящена эмпирической части исследования. В ней представлено описание организации и методов проведенного исследования и результатов, полученных по всем использованным методикам: Опросник эмоционального интеллекта Люсина Д.В., методику диагностики уровня развития способности к адекватному пониманию невербального поведения Лабунской В.А, методику диагностики социально-психологической адаптации К.Роджерса и Р.Даймонд. Выводы по главе 2 включают в себя основные результаты эмпирического исследования. В заключении в обобщенном виде изложены результаты теоретической и эмпирической частей работы, а также выводы по выдвинутой гипотезе.

This work is devoted to the creation of a study of human cardiac pathologies based on ECG data using machine learning. The purpose of the study was to develop an effective model for assessing human cardiac pathologies. To achieve this goal, it is planned to analyze modern methods of machine learning. Select suitable tools for implementing the model, select a dataset with ECG data, conduct experiments with training various machine learning models and draw conclusions about the work done. The study of changes in human health based on ECG data using machine learning, proposed in the work, has significant potential for the timely detection of human pathologies based on ECG data. The created model has a high accuracy of assessment. / Данная работа посвящена созданию исследованию сердечных патологий человека на основе данных ЭКГ с использованием машинного обучения. Цель исследования заключалась в разработке эффективной модели оценки сердечных патологий человека. Для достижения этой цели предполагается провести анализ современных методов машинного обучения. Выбрать подходящие инструменты для реализации модели, выбрать датасет с данными ЭКГ, провести эксперименты с обучением различных моделей машинного обучения и сделать выводы о проделанной работе. Исследование изменения состояния здоровья человека на основе данных ЭКГ с использованием машинного обучения, предложенная в работе, обладает значительным потенциалом для своевременного выявления патологий человека на основе данных ЭКГ. Созданная модель имеет высокую точность оценки.

Электроретинография (ЭРГ) — это неинвазивный способ измерения электрической активности сетчатки с помощью световой стимуляции. Сигналы ЭРГ содержат несколько различных компонентов, которые можно использовать для диагностики различных заболеваний сетчатки. Некоторые из этих заболеваний включают дистрофии, связанные с колбочками и палочками, возрастную дегенерацию желтого пятна, диабетическую ретинопатию, глаукому и пигментный ретинит. В этой диссертации использовались различные методы для анализа сигналов ЭРГ, включая методы временной области, частотной области и частотно-временной области. Процесс начался с очистки базы данных сигналов и предварительной обработки извлеченных сигналов. Затем были вычислены стандартные компоненты сигнала, включая a- и b-волны и неявное время, и был проведен анализ сигналов во временной области. Анализ во временной области включал изучение амплитуд и задержек различных компонентов волны, что может дать представление о функционировании различных типов клеток сетчатки. Корреляционный анализ также проводился для изучения взаимосвязи между возрастом пациентов и компонентами сигнала, результаты которого показывают очень слабую корреляцию между возрастом и компонентами, с некоторой значительной корреляцией между отдельными компонентами. В частотной области преобразование Фурье использовалось для извлечения частот сигналов для анализа. Частотное содержимое сигналов ЭРГ может раскрыть информацию о базовых физиологических процессах и потенциальных отклонениях. Однако из-за инвариантной во времени природы частотной области делать выводы, основанные исключительно на этом анализе, может быть сложно. Для анализа частотно-временной области использовалось кратковременное преобразование Фурье (STFT) вместе с анализом спектрограмм. STFT позволяло изучить, как частотное содержимое сигналов менялось с течением времени, обеспечивая более полное представление динамики сигнала. Кроме того, признаки извлекались с использованием различных окон и размеров окон для обучения классификатора машинного обучения с целью классификации сигналов. Вычисленные спектрограммы также использовались для обучения моделей глубокого обучения с различными архитектурами, и результаты сравнивались на основе используемых окон. Результаты показывают, что нет заметной корреляции между возрастом и другими компонентами сигнала во временной области. Это говорит о том, что возраст сам по себе не может быть надежным предиктором характеристик сигнала ERG. В частотной области делать выводы, основанные исключительно на частотном содержании, оказалось сложно из-за инвариантной во времени природы анализа. Более того, очевидно, что размеры окон оказывают более существенное влияние на результирующие признаки по сравнению с функциями окна. Большие размеры окон обеспечивают улучшенное разрешение по частоте, в то время как меньшие окна обеспечивают более высокое разрешение по времени. Это означает, что разрешение по времени и частоте играет более существенную роль в формировании результирующих признаков, чем обработка сигнала, выполняемая самой функцией окна. Анализ сигналов ERG с использованием различных методов, включая методы временной области, частотной области и частотно-временной области, дает ценную информацию о функции сетчатки и потенциальных расстройствах. Сочетание этих подходов, наряду с методами извлечения признаков и машинного обучения, предлагает комплексную структуру для понимания и интерпретации сигналов ERG. Однако тщательное рассмотрение таких факторов, как размеры окон и компромиссы разрешения, имеет решающее значение для получения значимых и точных результатов. / Electroretinography (ERG) is a non-invasive way of measuring the electrical activity of the retina with the help of light stimulation. ERG signals contain several different components which can be used to diagnose various retinal disorders. Some of these disorders include cone and rod related dystrophies, age-related macular degeneration, diabetic retinopathies, glaucoma and retinitis pigmentosa. In this thesis, various methods were utilized to analyze ERG signals, including time-domain, frequency-domain, and time-frequency domain techniques. The process began with cleaning the signals database and preprocessing the extracted signals. Next, standard signal components including the a- and b-waves and implicit times were computed, and time-domain analysis was conducted on the signals. The time-domain analysis involved examining the amplitudes and latencies of the different wave components, which can provide insights into the functioning of different retinal cell types. Correlation analysis was also conducted to examine there’s relationship between the patients’ age and the signal components which the results show very little correlation between the age and the components, with some significant correlation between the individual components. In the frequency domain, Fourier Transform was used to extract signal frequencies for analysis. The frequency content of the ERG signals can reveal information about the underlying physiological processes and potential abnormalities. However, due to the time-invariant nature of the frequency domain, drawing conclusions based solely on this analysis can be challenging. For time-frequency domain analysis, short-time Fourier transform (STFT) was employed along with spectrogram analysis. The STFT allowed for the examination of how the frequency content of the signals evolved over time, providing a more comprehensive representation of the signal dynamics. Additionally, features were extracted using different windows and window sizes for machine learning classifier training to classify the signals. The spectrograms computed were also used to train deep learning models with different architectures, and the results were compared based on the windows used. The findings indicate that there is no discernible correlation between age and other signal components in the time domain. This suggests that age alone may not be a reliable predictor of ERG signal characteristics. In the frequency domain, drawing conclusions based solely on the frequency content proved challenging due to the time-invariant nature of the analysis. Moreover, it is evident that window sizes have a more significant impact on the resulting features compared to window functions. Larger window sizes yield improved frequency resolution, while smaller windows offer higher time resolution. This implies that the time and frequency resolution play a more substantial role in shaping the resulting features than the signal processing performed by the window function itself. The analysis of ERG signals using various techniques, including time-domain, frequency-domain, and time-frequency domain methods, provides valuable insights into retinal function and potential disorders. The combination of these approaches, along with feature extraction and machine learning techniques, offers a comprehensive framework for understanding and interpreting ERG signals. However, careful consideration of factors such as window sizes and resolution trade-offs is crucial for obtaining meaningful and accurate results.