Публикации

Интересное

Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters

Atkov, O.Y, Gorokhova, S.G., Sboev A.G, Generozov E.V, Muraseyeva E.V, Moroshkina S.Y, Cherniy N.N

link

Machine Learning Models of Text Categorization by Author Gender Using Topic-independent Features

Sboev, A., Litvinova T., Gudovskikh, D., Rybka R., Moloshnikov I.

link

Self-adaptive STDP-based learning of a spiking neuron with nanocomposite memristive weights

Emelyanov A.V, Nikiruy K.E., Serenko, A.V., Sitnikov, A.V., Presnyakov M.Y., Rybka R.B., Sboev A.G., Rylkov V.V., Kashkarov P.K., Kovalchuk M.V., Demin, V.A.

link

Analytical properties of the perturbed FitzHugh–Nagumo model

Kudryashov, N.A., Rybka R.B., Sboev A.G.

link

Solving a classification task by spiking neurons with STDP and temporal coding

Sboev, A., Vlasov, D., Rybka R., Serenko A.

link

Morpho-syntactic parsing based on neural networks and corpus data

Rybka R., Sboev A., Moloshnikov, I., Gudovskikh D.

link

Profiling the age of Russian bloggers

Litvinova T., Sboev A., Panicheva P.

link

An Algorithm of Finding Thematically Similar Documents with Creating Context-semantic Graph Based on Probabilistic-entropy Approach

Moloshnikov, I.A., Sboev, A.G., Rybka, R.B., Gydovskikh, D.V.

link

 

</script> –>

Полный список

  1. Sboev, A., Serenko, A., Rybka, R., & Vlasov, D. (2019). Influence of input encoding on solving a classification task by spiking neural network with STDP. In Proceedings of the 16th International Conference of Numerical Analysis and Applied Mathematics (Vol. 2116, p. 270007). https://doi.org/10.1063/1.5114281
  2. Sboev, A., Gudovskikh, D., Moloshnikov, I., & Rybka, R. (2019). A gender identification of text author in mixture of Russian multi-genre texts with distortions on base of data-driven approach using machine learning models. In T. E. Simos & C. Tsitouras (Eds.), Proceedings of the 16th International Conference of Numerical Analysis and Applied Mathematics (Vol. 2116, p. 270006). American Institute of Physics Inc. https://doi.org/10.1063/1.5114280
  3. Sboev, A., Rybka, R., Moloshnikov, I., Gudovskikh, D., & Litvinova, T. (2019). To the question of data-driven identification of author’s age for Russian texts with age deceptions using machine learning. In VII International Conference Problems of Mathematical Physics and Mathematical Modelling (Vol. 1205, p. 012049). Institute of Physics Publishing. https://doi.org/10.1088/1742-6596/1205/1/012049
  4. Sboev, A., Kartashov, S., Ushakov, V., Maslennikova, A., Selivanov, A., Moloshnikov, I., & Velichkovsky, B. (2018). Human Brain Structural Organization in Healthy Volunteers and Patients with Schizophrenia. In A. V. Samsonovich & V. V. Klimov (Eds.), Biologically Inspired Cognitive Architectures (BICA) (Vol. 636, pp. 85–90). Proceedings Paper, HEIDELBERGER PLATZ 3, D-14197 BERLIN, GERMANY: SPRINGER-VERLAG BERLIN. https://doi.org/10.1007/978-3-319-63940-6_12
  5. Sboev, A., Moloshnikov, I., Gudovskikh, D., Selivanov, A., Rybka, R., & Litvinova, T. (2018). Deep Learning neural nets versus traditional machine learning in gender identification of authors of RusProfiling texts. In V. V. Klimov & A. V. Samsonovich (Eds.), Procedia Computer Science (Vol. 123, pp. 424–431). Elsevier BV. https://doi.org/10.1016/j.procs.2018.01.065
  6. Sboev, A., Serenko, A., Rybka, R., Vlasov, D., & Filchenkov, A. (2018). Estimation of the influence of spiking neural network parameters on classification accuracy using a genetic algorithm. In Postproceedings of the 9th Annual International Conference on Biologically Inspired Cognitive Architectures (Vol. 145, pp. 488–494). https://doi.org/10.1016/j.procs.2018.11.111
  7. Sboev, A., Vlasov, D., Rybka, R., & Serenko, A. (2018). Spiking neural network reinforcement learning method based on temporal coding and STDP. In Postproceedings of the 9th Annual International Conference on Biologically Inspired Cognitive Architectures (Vol. 145, pp. 458–463). https://doi.org/10.1016/j.procs.2018.11.107
  8. Sboev, A. G., Kudryashov, N. A., & Rybka, R. B. (2018). Analytical properties of the perturbed FitzHugh-Nagumo model. Applied Mathematics Letters, 76, 142–147. https://doi.org/10.1016/j.aml.2017.08.013
  9. Sboev, A., Rybka, R., Serenko, A., Vlasov, D., Kudryashov, N., & Demin, V. (2018). To the role of the choice of the neuron model in spiking network learning on base of Spike-Timing-Dependent Plasticity. In V. V. Klimov & A. V. Samsonovich (Eds.), 8th Annual International Conference on Biologically Inspired Cognitive Architectures (Vol. 123, pp. 432–439). Elsevier BV. https://doi.org/10.1016/j.procs.2018.01.066
  10. Sboev, A., Vlasov, D., Rybka, R., & Serenko, A. (2018). Solving a classification task by spiking neurons with STDP and temporal coding. In V. V. Klimov & A. V. Samsonovich (Eds.), 8th Annual International Conference on Biologically Inspired Cognitive Architectures (Vol. 123, pp. 494–500). Elsevier BV. https://doi.org/10.1016/j.procs.2018.01.075
  11. Sboev, A., Litvinova, T., & Panicheva, P. (2018). Profiling the age of Russian bloggers. Communications in Computer and Information Science, 930, 167–177. https://doi.org/10.1007/978-3-030-01204-5_16
  12. Sboev, A., Moloshnikov, I., Gudovskikh, D., Selivanov, A., Rybka, R., & Litvinova, T. (2018). Automatic gender identification of author of Russian text by machine learning and neural net algorithms in case of gender deception. In V. V. Klimov & A. V. Samsonovich (Eds.), Procedia Computer Science (Vol. 123, pp. 417–423). Elsevier BV. https://doi.org/10.1016/j.procs.2018.01.064
  13. Сбоев, А. Г., Гудовских, Д. В., Молошников, И. А., & Рыбка, Р. Б. (2018). Определение пола автора текста в коллекции русских многожанровых текстов с искажениями с использованием моделей машинного обучения. Вестник Национального Исследовательского Ядерного Университета МИФИ, 7(6), 531–536. https://doi.org/10.1134/S2304487X18060111
  14. Сбоев, А. Г., Серенко, А. В., Рыбка, Р. Б., & Власов, Д. С. (2018). Сравнение частотного и временного кодирования данных при решении спайковой сетью со Spike-Timing-Dependent Plasticity задачи классификации. Вестник Национального Исследовательского Ядерного Университета МИФИ, 7(6), 563–568. https://doi.org/10.1134/S2304487X18060123
  15. Sboev, A., Rybka, R., & Serenko, A. (2017). On the effect of stabilizing mean firing rate of a neuron due to STDP. In J. Kortelainen, A. Bilyatdinova, A. Klimova, & A. Boukhanovsky (Eds.), 6th International Young Scientist Conference on Computational Science (Vol. 119, pp. 166–173). Elsevier BV. https://doi.org/10.1016/j.procs.2017.11.173
  16. Sboev, A. G., Serenko, A. V., & Vlasov, D. S. (2017). Effective calculations on neuromorphic hardware based on spiking neural network approaches. Lobachevskii Journal of Mathematics, 38(5), 964–966. https://doi.org/10.1134/s1995080217050304
  17. Sboev, A. G., Gydovskikh, D. V., Moloshnikov, I. A., Naumov, A. V., Rybka, R. B., & Selivanov, A. A. (2017). A probabilistically entropic mechanism of topical clusterisation along with thematic annotation for evolution analysis of meaningful social information of internet sources. Lobachevskii Journal of Mathematics, 38(5), 910–913. https://doi.org/10.1134/s1995080217050134
  18. Sboev, A., Litvinova, T., Gudovskikh, D., Seredin, P., Litvinova, O., Pisarevskaya, D., & Rosso, P. (2017). Author gender prediction in Russian social media texts. In D. I. Ignatov, I. A. Lomazova, A. Napoli, P. M. Pardalos, A. Panchenko, M. Y. Khachay, … A. V. Savchencko (Eds.), CEUR Workshop Proceedings (Vol. 1975, pp. 105–110). CEUR-WS. Retrieved from http://ceur-ws.org/Vol-1975/paper12.pdf
  19. Sboev, A., Litvinova, T., Voronina, I., Gudovskikh, D., & Rybka, R. (2017). Deep Learning Network Models to Categorize Texts According to Author’s Gender and to Identify Text Sentiment. In M. Yang, H. R. Arabnia, L. Deligiannidis, & L. Deligiannidis (Eds.), 2016 International Conference on Computational Science and Computational Intelligence (CSCI) (pp. 1101–1106). IEEE. https://doi.org/10.1109/csci.2016.0210
  20. Sboev, A., Rybka, R., Gudovskikh, D., Moloshnikov, I., Selivanov, A., & Ivanov, I. (2017). Syntactic Model for Russian: Deep Learning Models with Dependency Parsing Scheme. In M. Yang, H. R. Arabnia, L. Deligiannidis, & L. Deligiannidis (Eds.), 2016 International Conference on Computational Science and Computational Intelligence (CSCI) (pp. 541–544). IEEE. https://doi.org/10.1109/csci.2016.0108
  21. Sboev, A., Moloshnikov, I., Gudovskikh, D., & Rybka, R. (2017). A comparison of data driven models of solving the task of gender identification of author in Russian language texts for cases without and with the gender deception. In 6th International Conference Problems of Mathematical Physics and Mathematical Modelling, MPMM 2017 (Vol. 937, p. 012046). IOP Publishing. https://doi.org/10.1088/1742-6596/937/1/012046
  22. Сбоев, А. Г., Молошников, И. А., Рыбка, Р. Б., Гудовских, Д. В., & Иванов, И. (2017). Двухуровневая модель нейронной сети глубокого обучения для задачи морфологического разбора предложений русского языка. Вестник Национального Исследовательского Ядерного Университета МИФИ, 6(6), 555–562.
  23. Сбоев, А. Г., Рыбка, Р. Б., Грязнов, А. В., & Кретов, А. А. (2017). Автоматическое извлечение ситуаций зрительного восприятия с использованием подходов на основе морфо-синтаксических признаков. Вестник Воронежского Государственного Университета. Серия: Системный Анализ и Информационные Технологии, (1), 169–174.
  24. Sboev, A. G., Gudovskikh, D. V., Ivanov, I., Moloshnikov, I. A., Rybka, R. B., & Voronina, I. (2017). Исследование эффективности применения нейронных сетей глубокого обучения в задаче морфологического разбора русского языка. In Компьютерная лингвистика и интеллектуальные технологии (Vol. 1, pp. 234–244). Rossiiskii Gosudarstvennyi Gumanitarnyi Universitet. Retrieved from http://www.dialog-21.ru/media/3944/sboevagetal.pdf
  25. Сбоев, А. Г., Гудовских, Д. В., Молошников, И. А., & Наумов, А. В. (2017). Метод выявления информационных вбросов в интернет источниках. Проблемы Компьютерной Лингвистики и Типологии: Сборник, 6, 152–158. Retrieved from http://tipl-vrn.ru/files/tipl-vrn/content/publication/books/Проблемы компьютерной лингвистики и типологии-2017.pdf
  26. Сбоев, А. Г., Ушаков, В. Л., Карташов, С. И., Орлов, В. А., Зинченко, В. В., Шараев, М. Г., … Величковский, Б. М. (2017). Rich-club структуры головного мозга по данным ФМРТ и трактографии: контрастные результаты у здоровых испытуемых и больных шизофренией. In Новые разработки в психологических, физиологических и медицинских нейроисследованиях (pp. 46–48).
  27. Sboev, A., Vlasov, D., Serenko, A., Rybka, R., & Moloshnikov, I. (2016). To the question of learnability of a spiking neuron with spike-timing-dependent plasticity in case of complex input signals. In V. V. Klimov, G. V. Rybina, & A. V. Samsonovich (Eds.), Advances in Intelligent Systems and Computing (Vol. 449, pp. 205–211). Springer Verlag. https://doi.org/10.1007/978-3-319-32554-5_26
  28. Sboev, A., Litvinova, T., Vlasov, D., Serenko, A., & Moloshnikov, I. (2016). On the Applicability of Spiking Neural Network Models to Solve the Task of Recognizing Gender Hidden in Texts. In M. Balakhontceva, M. Bubak, & A. Boukhanovsky (Eds.), 5th International Young Scientist Conference on Computational Science (Vol. 101, pp. 187–196). Elsevier B.V. https://doi.org/10.1016/j.procs.2016.11.023
  29. Sboev, A., Vlasov, D., Serenko, A., Rybka, R., & Moloshnikov, I. (2016). On the applicability of STDP-based learning mechanisms to spiking neuron network models. AIP Advances, 6(11). https://doi.org/10.1063/1.4967353
  30. Sboev, A., Vlasov, D., Serenko, A., Rybka, R., & Moloshnikov, I. (2016). A comparison of learning abilities of spiking networks with different spike timing-dependent plasticity forms. In L. N. Shchur, S. A. Krashakov, & L. N. Shchur (Eds.), Journal of Physics: Conference Series (Vol. 681). Institute of Physics Publishing. https://doi.org/10.1088/1742-6596/681/1/012013
  31. Sboev, A., Litvinova, T., Litvinova, O., Zagorovskaya, O., Seredin, P., & Romanchenko, O. (2016). Ruspersonality: A Russian corpus for authorship profiling and deception detection. In T. Tyutina & S. Balandin (Eds.), Proceedings of the International FRUCT Conference on Intelligence, Social Media and Web, ISMW FRUCT 2016. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/FRUCT.2016.7584767
  32. Sboev, A., Litvinova, T., Seredin, P., Litvinova, O., Zagorovskaya, O., Gudovskih, D., … Rybka, R. (2016). Gender prediction for authors of Russian texts using regression and classification techniques. In J. Baixeries, A. Panchenko, D. Ilvovsky, & D. I. Ignatov (Eds.), CEUR Workshop Proceedings (Vol. 1625, pp. 44–53). CEUR-WS. Retrieved from http://ceur-ws.org/Vol-1625/paper5.pdf
  33. Sboev, A. G., Moloshnikov, I. A., Rybka, R. B., & Gydovskikh, D. V. (2016). A probabilistic-entropy approach of finding thematically similar documents with creating context-semantic graph for investigating evolution of society opinion. In L. N. Shchur, S. A. Krashakov, & L. N. Shchur (Eds.), International Conference on Computer Simulation in Physics and Beyond 2015, CSP 2015 (Vol. 681). Institute of Physics Publishing. https://doi.org/10.1088/1742-6596/681/1/012012
  34. Sboev, A., Rybka, R., Moloshnikov, I., & Gudovskikh, D. (2016). Morpho-syntactic parsing based on neural networks and corpus data. In Proceedings of Artificial Intelligence and Natural Language and Information Extraction, Social Media and Web Search FRUCT Conference, AINL-ISMW FRUCT 2015 (pp. 89–95). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/AINL-ISMW-FRUCT.2015.7382975
  35. Sboev, A., Gorokhova, S., Pfaf, V., Moloshnikov, I., Gudovskikh, D., Rybka, R., … Serenko, A. (2016). Evaluation of the cardiovascular risk in middle-aged workers: An Artificial neural networks-based approach. In M. Connolly (Ed.), International Conference on Computational Science (Vol. 80, pp. 2418–2422). Elsevier B.V. https://doi.org/10.1016/j.procs.2016.05.540
  36. Sboev, A., Moloshnikov, I., Gudovskikh, D., & Rybka, R. (2016). Visualization of subtopics of the thematic document collection using the context-semantic graph. In Q.-N. Tran, L. Deligiannidis, & H. R. Arabnia (Eds.), Proceedings of 2015 International Conference on Computational Science and Computational Intelligence (CSCI) (pp. 47–52). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/CSCI.2015.124
  37. Sboev, A., Rybka, R., Moloshnikov, I., & Gudovskikh, D. (2016). The complex of neural networks and probabilistic methods for mathematical modeling of the syntactic structure of a sentence of natural language. In L. N. Shchur, S. A. Krashakov, & L. N. Shchur (Eds.), Journal of Physics: Conference Series (Vol. 681). Institute of Physics Publishing. https://doi.org/10.1088/1742-6596/681/1/012011
  38. Sboev, A., Litvinova, T., Gudovskikh, D., Rybka, R., & Moloshnikov, I. (2016). Machine Learning Models of Text Categorization by Author Gender Using Topic-independent Features. In M. Balakhontceva, M. Bubak, & A. Boukhanovsky (Eds.), Procedia Computer Science (Vol. 101, pp. 135–142). Elsevier B.V. https://doi.org/10.1016/j.procs.2016.11.017
  39. Сбоев, А. Г., Молошников, И. А., Рыбка, Р. Б., & Гудовских, Д. В. (2016). Комплекс вероятностно-энтропийных и интеллектуальных алгоритмов для эмотивно-тематического анализа эволюции общественного мнения в интернет сетях. Вестник Национального Исследовательского Ядерного Университета МИФИ, 5(3), 262–267. https://doi.org/10.1134/S2304487X16030081
  40. Сбоев, А. Г., Литвинова, О. А., & Загоровская, О. В. (2016). Языковые корреляты склонности личности к конфликтному поведению. Известия Воронежского Государственного Педагогического Университета, (4 (273), 154–157. Retrieved from http://izvestia.vspu.ac.ru/content/izvestia_2016_v273_N4/Izv VGPU 2016 Issue 4 (273)_языковые корреляторы склонности 154-157.pdf
  41. Сбоев, А. Г., Власов, Д. С., Серенко, А. В., Рыбка, Р. Б., & Молошников, И. А. (2016). Обучение спайковых нейронных сетей посредством различных форм долговременной синаптической пластичности. Вестник Национального Исследовательского Ядерного Университета МИФИ, 5(2), 177–183. https://doi.org/10.1134/S2304487X16020139
  42. Sboev, A. G., Gorokhova, S. G., Muraseeva, E. V., Pfaff, V. F., Moloshnikov, I. A., & Atkov, O. Y. (2016). Comparative analysis of the calculation models for ischemic heart disease overall risk in railroad workers. Russian Journal of Cardiology, 134(6), 27–33. https://doi.org/10.15829/1560-4071-2016-6-27-33
  43. Сбоев, А. Г., Горохова, С. Г., Мурасеева, Е. В., Пфаф, В. Ф., Молошников, И. А., & Атьков, О. Ю. (2016). Сравнительный анализ моделей расчета индивидуального суммарного риска ишемической болезни сердца у работников железнодорожного транспорта. Российский Кардиологический Журнал, (6 (134).
  44. Сбоев А., Г. (2016). Нейросетевые модели глубокого обучения для задач идентификации пола автора текста. In III Ежегодная Всероссийская научно-практическая конференция <<Исследования и разработки – 2016>>. Retrieved from http://4science.ru/events/conference2016/participant/afb70cd1d5b440f88a2de8e23643a0ef
  45. Сбоев, А. Г., Воронина, И. Е., Гудовских, Д. В., & Селиванов, А. А. (2016). Продвинутые нейросетевые модели для решения задачи определения тональности. Вестник Воронежского Государственного Университета. Серия: Системный Анализ и Информационные Технологии, (4), 178–183.
  46. Sboev, A., & Kukin, K. (2015). Comparison of learning methods for spiking neural networks. Optical Memory and Neural Networks (Information Optics), 24(2), 123–129. https://doi.org/10.3103/S1060992X15020095
  47. Sboev, A. G., Moloshnikov, I. A., Rybka, R. B., & Gydovskikh, D. V. (2015). An Algorithm of Finding Thematically Similar Documents with Creating Context-semantic Graph Based on Probabilistic-entropy Approach. In P. Sloot, A. Klimentov, G. Athanassoulis, & B. A. (Eds.), Procedia Computer Science (Vol. 66, pp. 297–306). Elsevier B.V. https://doi.org/10.1016/j.procs.2015.11.035
  48. Sboev, A. G., Rybka, R., Moloshnikov, I., & Gudovskih, D. (2015). Syntactic Analysis of the Sentences of the Russian Language Based on Neural Networks. In P. Sloot, A. Klimentov, G. Athanassoulis, & A. Boukhanovsky (Eds.), Procedia Computer Science (Vol. 66, pp. 277–286). Elsevier B.V. https://doi.org/10.1016/j.procs.2015.11.033
  49. Sboev, A., Gudovskikh, D., Rybka, R., & Moloshnikov, I. (2015). A Quantitative Method of Text Emotiveness Evaluation on Base of the Psycholinguistic Markers Founded on Morphological Features. In P. Sloot, A. Klimentov, G. Athanassoulis, & A. Boukhanovsky (Eds.), Procedia Computer Science (Vol. 66, pp. 307–316). Elsevier B.V. https://doi.org/10.1016/j.procs.2015.11.036
  50. Сбоев, А. Г., Молошников, И. А., & Гудовских, Д. В. (2015). Алгоритм отбора тематически схожих документов с построением контекстно-семантического графа на основе вероятностно-энтропийного подхода. Вестник Воронежского Государственного Университета. Серия: Лингвистика и Межкультурная Коммуникация, (3), 64–70. Retrieved from http://www.vestnik.vsu.ru/pdf/lingvo/2015/03/2015-03-12.pdf
  51. Сбоев, А. Г., Рыбка, Р. Б., & Иванов, И. И. (2015). Численное моделирование процедуры синтаксического разбора с использованием нейронных сетей. Вестник Воронежского Государственного Университета. Серия: Лингвистика и Межкультурная Коммуникация, (3), 28–33. Retrieved from http://www.vestnik.vsu.ru/pdf/lingvo/2015/03/2015-03-04.pdf
  52. Сбоев, А. Г., Рыбка, Р. Б., & Иванов, И. И. (2014). Выбор параметров для выделения синтаксических отношений в предложениях русского языка. Вестник Воронежского Государственного Университета. Серия: Системный Анализ и Информационные Технологии, (2), 117–123. Retrieved from http://www.vestnik.vsu.ru/pdf/analiz/2014/02/2014-02-18.pdf
  53. Sboev, A. G., Gorokhova, S. G., Kukin, K. A., Rybka, R. B., Muraseeva, E. V., & Atkov, O. Y. (2013). The application of artificial neural networks in the diagnosis of coronary heart disease. In C. Rendell (Ed.), Network Topologies: Types, Performance Impact and Advantages/Disadvantages (pp. 45–77). Nova Science Publishers, Inc.
  54. Сбоев, А. Г., Гудовских, Д. В., Молошников, И. А., Кукин, К. А., Рыбка, Р. Б., Иванов, И. И., & Власов, Д. С. (2013). Автоматическое выделение психолингвистических характеристик текстов в рамках концепции Big Data. Современные Информационные Технологии и ИТ-Образование, (9), 433–438.
  55. Сбоев, А. Г., Рыбка, Р. Б., Иванов, И. И., Гудовских, Д. В., Молошников, И. А., Кукин, К. А., & Власов, Д. С. (2013). Модель системы синтаксического анализа текстов естественного языка на основе статистически отобранных наборов параметров слов. Современные Информационные Технологии и ИТ-Образование, (9), 422–432.
  56. Sboev, A. G., Atkov, O. Y., Gorokhova, S. G., Generozov, E. V., Muraseyeva, E. V., Moroshkina, S. Y., & Cherniy, N. N. (2012). Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters. Journal of Cardiology, 59(2), 190–194. https://doi.org/10.1016/j.jjcc.2011.11.005
  57. Сбоев, А. Г., Анохин, К. В., Бурцев, М. С., Ильин, В. А., Киселев, И. И., Кукин, К. А., … Твердохлебов, Н. В. (2012). Современные подходы к моделированию активности культур нейронов in vitro. Математическая Биология и Биоинформатика, 7(2), 372–397. Retrieved from http://www.matbio.org/2012/Anokhin_7_372.pdf
  58. Сбоев, А. Г., Сбоев, А. А., Рыбка, Р. Б., Кукин, К. А., & Фомин, П. Н. (2012). Нейросетевой пакет Neurotree, адаптированный для сегмента российской грид-сети. Информатизация и Связь, (6), 26–27.
  59. Сбоев, А. Г., Горохова, C. Г., & Черний, Н. Н. (2011). Разработка нейросетевой методики раннего диагностирования ишемической болезни сердца и коронарного атеросклероза. Вестник Воронежского Государственного Университета. Серия: Химия. Биология. Фармация, (2), 204–213. Retrieved from http://www.vestnik.vsu.ru/pdf/chembio/2011/02/2011-02-34.pdf
  60. Сбоев, А., Горохова, С., Атьков, О., Генерозов, Э. В., Мурасеева, Е., Черний, Н., … Копычева, С. (2011). Новые технологии прогнозирования риска развития ИБС. Врач, (14), 22–25.
  61. Sboev, A., Sboeva, S., Moloshnikov, I., Gryaznov, A., Rybka, R., Naumov, A., … Ilyin, V. (2021). An analysis of full-size Russian complexly NER labelled corpus of Internet user reviews on the drugs based on deep learning and language neural nets. Retrieved from http://arxiv.org/abs/2105.00059
  62. Сбоева, С. Г., Сбоев, А. Г., Грязнов, А. В., & Евтеева, А. В. (2020). Нейросетевой алгоритм выделения значимой информации из текстов русскоязычных отзывов о лекарственных средствах. In Лазерные, плазменные исследования и технологии (pp. 105–106). Retrieved from http://conf.laplas.mephi.ru/wp-content/uploads/2020/02/Сборник-тезисов.pdf#page105
  63. Sboev, A. G., Sboeva, S. G., Gryaznov, A. V., Evteeva, A. V., Rybka, R. B., & Silin, M. S. (2020). A neural network algorithm for extracting pharmacological information from Russian-language Internet reviews on drugs. In Journal of Physics: Conference Series (Vol. 1686, pp. 012037:1–6). IOP Publishing. https://doi.org/10.1088/1742-6596/1686/1/012037

  1. Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters
    Atkov, O.Y, Gorokhova, S.G., Sboev A.G, Generozov E.V, Muraseyeva E.V, Moroshkina S.Y, Cherniy N.N
    link

  2. Machine Learning Models of Text Categorization by Author Gender Using Topic-independent Features
    Sboev, A., Litvinova T., Gudovskikh, D., Rybka R., Moloshnikov I.
    link

  3. Self-adaptive STDP-based learning of a spiking neuron with nanocomposite memristive weights
    Emelyanov A.V, Nikiruy K.E., Serenko, A.V., Sitnikov, A.V., Presnyakov M.Y., Rybka R.B., Sboev A.G., Rylkov V.V., Kashkarov P.K., Kovalchuk M.V., Demin, V.A.
    link

  4. Analytical properties of the perturbed FitzHugh–Nagumo model
    Kudryashov, N.A., Rybka R.B., Sboev A.G.
    link

  5. Solving a classification task by spiking neurons with STDP and temporal coding
    Sboev, A., Vlasov, D., Rybka R., Serenko A.
    link

  6. Morpho-syntactic parsing based on neural networks and corpus data
    Rybka R., Sboev A., Moloshnikov, I., Gudovskikh D.
    link

  7. Profiling the age of Russian bloggers
    Litvinova T., Sboev A., Panicheva P.
    link

  8. An Algorithm of Finding Thematically Similar Documents with Creating Context-semantic Graph Based on Probabilistic-entropy Approach
    Moloshnikov, I.A., Sboev, A.G., Rybka, R.B., Gydovskikh, D.V.
    link