Сосуществование машинного интеллекта, цифрового искусства и диагностики: возможно ли оно?

Обложка

Цитировать

Полный текст

Аннотация

Развитие машинного интеллекта и применение генеративных изображений, созданных с его помощью, является перспективным направлением коммуникационного дизайна и человеко-машинного взаимодействия. Письмо в редакцию представляет собой авторское видение применения генеративных изображений в области диагностики состояний человека.

Использование машинного интеллекта как интерактивного и интеллектуального инструмента диагностики позволит психологу и врачу эффективно дополнить терапевтические процессы контролируемого взаимодействия их участников.

Сейчас уже существуют библиотеки моделей и наборы приложений с text-to-image алгоритмами, которые могут быть задействованы инженерами и дизайнерами в процессе создания объектов современного цифрового искусства, и также могут быть использованы в исследованиях новых парадигм с помощью визуальных коммуникаций, их прикладного применения в экспериментальной диагностике.

Об авторах

Андрей Васильевич Власов

Научно-практический клинический центр диагностики и телемедицинских технологий; Научно-исследовательский институт медицины труда имени академика Н. Ф. Измерова

Автор, ответственный за переписку.
Email: a.vlasov@npcmr.ru
ORCID iD: 0000-0001-9227-1892
SPIN-код: 3378-8650
Россия, Москва; Москва

Список литературы

  1. Tanveer M., Richhariya B., Khan R.U., et al. Machine learning techniques for the diagnosis of alzheimer’s disease: a review // ACM Transactions Multimedia Computing Communications Applications. 2020. Vol. 16, N 1. P. 35. doi: 10.1145/3344998
  2. Sharma S., Mandal P.K. A comprehensive report on machine learning-based early detection of alzheimer’s disease using multi-modal neuroimaging data // ACM Computing Surveys. 2023. Vol. 55, N 2. P. 1–44. doi: 10.1145/3492865
  3. Koich M.F., Pessotto F. Projective aspects on cognitive performance: distortions in emotional perception correlate with personality // Psicologia Reflexão Crítica. 2016. Vol. 29, N 17. Р. 1–8. doi: 10.1186/s41155-016-0036-6
  4. Адаскина А.А. Терапевтические возможности цифрового художественного творчества // Современная зарубежная психология. 2021. Т. 10, № 4. C. 107–116. doi: 10.17759/jmfp.2021100410
  5. Paladines-Jaramillo F., Egas-Reyes V., Ordonez-Camacho D., et al. Using virtual reality to detect, assess, and treat frustration. In: Morales R.G., Fonseca C., Salgado E.R., et al. (eds.) Information and communication technologies. TICEC 2020. Vol. 1307. Communications in Computer and Information Science. Springer, Cham, 2020. doi: 10.1007/978-3-030-62833-8_28
  6. Cetinic E., She J. Understanding and creating art with ai: review and outlook // ACM Trans. Multimedia Comput Commun. 2022. Vol. 18, N 2. P. 1–22. doi: 10.1145/3475799
  7. AlAmir M., AlGhamdi M. The role of generative adversarial network in medical image analysis: an in-depth survey // ACM Computing Surveys. 2022. doi: 10.1145/3527849
  8. Ali H., Biswas R., Ali F., et al. The role of generative adversarial networks in brain MRI: a scoping review // Insights into Imaging. 2022. Vol. 13, N 98. P. 1–15. doi: 10.1186/s13244-022-01237-0
  9. Lankinen K., Saari J., Hari R., et al. Intersubject consistency of cortical MEG signals during movie viewing // NeuroImage. 2014. N 92. Р. 217–224. doi: 10.1016/j.neuroimage.2014.02.004
  10. Nummenmaa L., Glerean E., Viinikainen M., et al. Emotions promote social interaction by synchronizing brain activity across individuals // Proceedings Nat Academy Sci. 2012. Vol. 109, N 24. P. 9599–9604. doi: 10.1073/pnas.120609510
  11. Tseng P.H., Rajangam S., Lehew G., et al. Interbrain cortical synchronization encodes multiple aspects of social interactions in monkey pairs // Sci Rep. 2018. Vol. 8, N 1. P. 4699. doi: 10.1038/s41598-018-22679-x
  12. Shanechi M.M. Brain-machine interfaces from motor to mood // Nat Neurosci. 2019. Vol. 22, N 10. P. 1554–1564. doi: 10.1038/s41593-019-0488-y
  13. Vlasov A. GALA Inspired by Neo Klimt: 2D images processing with implementation for interaction and perception studies (preprint). 2022. doi: 10.13140/RG.2.2.10806.57928
  14. Achlioptas P., Ovsjanikov M., Haydarov K., et al. ArtEmis: affective language for visual art // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), October 6, 2021. Р. 11569–11579. doi: 10.48550/arXiv.2101.07396
  15. Gala Klimt. Digital art collection of pictorial poems. Ridero. 2022. Режим доступа: https://www.researchgate.net/project/GALA-KLIMT. Дата обращения: 15.07.2022.
  16. Vessel E.A., Starr G.G., Rubin N. The brain on art: intense aesthetic experience activates the default mode network // Front Hum Neurosci. 2012. N 6. P. 66. doi: 10.3389/fnhum.2012.00066

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1

Скачать (847KB)
Метаданные
3. Рис. 2. Изображения (а, b), созданные нейронной сетью.

Скачать (792KB)
Метаданные

© Эко-вектор, 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах