Аннотация:Введение. В последнее время все большую популярность для анализа нейрофизиологических данных набирают методы машинного обучения, являющиеся составной частью методов искусственного интеллекта. Для изучения нейрокогнитивных механизмов в настоящее время активно применяют функциональную спектроскопию в ближнем инфракрасном диапазоне (фБИК-спектроскопию). Данная технология регистрации гемодинамических данных обладает рядом преимуществ, таких как точная локализация сигнала, неинвазивность, возможность проводить исследования в естественных условиях, что объясняет растущую популярность технологии среди исследователей. Теоретическое обоснование. Анализ результатов фБИК-спектроскопии зависит от последовательности и выбранных методов предварительной очистки и обработки исходных данных, а также от применяемых моделей для классификации полученных зависимостей. В настоящем обзоре рассмотрены различные методы предварительной обработки и детально проанализированы подходы к классификации данных фБИК-спектроскопии. При предварительной обработке сигнала важным моментом является удаление из исходных данных физиологических артефактов, для чего используются следующие алгоритмы: фильтрация, отбеливание сигнала, метод главных компонент (PCA) и метод независимых компонент (ICA), метод регистрации коротковолновых каналов (short-channel). Для удаления артефактов движения применяются такие методы, как вейвлет-фильтрация (wavelet), сплайн-интерполяция (spline interpolation), фильтрация Калмана. Обсуждение результатов. Обзор направлен на детальное рассмотрение методов машинного обучения, таких как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), которые применялись в различных исследованиях для анализа данных фБИК-спектроскопии. В обзоре показано, что применение нейронных сетей глубокого обучения позволяет при анализе сигнала фБИК-спектроскопии сократить длительность предварительной обработки сигнала и при этом получить точность, превосходящую точность классических подходов в обработке нейрокогнитивных данных.