Мещеряков Роман Валерьевич – доктор технических наук, профессор РАН, Институт проблем управления им. В.А. Трапезникова РАН, г. Москва, Российская Федерация, e-mail: mrv@ipu.ru Вольф Данияр Александрович – кандидат технических наук, старший научный сотрудник, Институт проблем управления им. В.А. Трапезникова РАН, г. Москва, Российская Федерация. Туровский Ярослав Александрович – старший научный сотрудник, Институт проблем управления им. В.А. Трапезникова РАН, г. Москва, Российская Федерация. Meshcheryakov Roman Valer'evich is Dr. Sc. (Engineering), Professor of Russian Academy of Sciences, V.A. Trapeznikov Institute of Control Sciences of Russian Academy of Sciences, Moscow, Russian Federation, e-mail: mrv@ipu.ru Vol'f Daniyar Aleksandrovich is Cand. Sc. (Engineering), Senior Staff Scientist, V.A. Trapeznikov Institute of Control Sciences of Russian Academy of Sciences, Moscow, Russian Federation. Turovskiy Yaroslav Aleksandrovich is Senior Staff Scientist, V.A. Trapeznikov Institute of Control Sciences of Russian Academy of Sciences, Moscow, Russian Federation. С помощью искусственной нейронной сети и глубокого машинного обучения производится поиск скрытых параметров функции, описывающей электрическую активность головного мозга человека, полученную по методу электроэнцефалографии. Осуществляется формулировка задачи сжатия прикладной информации, необходимой для понижения размерности пространства признаков прикладных данных с целью дальнейшего получения модели искусственной нейронной сети – автокодировщика. Приводится новизна общего решения, освещаются теоретические аспекты и проблематика существующих методов сжатия. Исследуется экспериментальное получение модели автокодировщика с помощью прикладных данных – последовательностей ЭЭГ, содержащих зрительные вызванные потенциалы. Решение задачи сжатия проводится путем понижения размерности многомерного вектора, ассоциируемого с исследуемым образцом. C помощью полученного автокодировщика осуществляется кодирование исходного многомерного вектора в вектор меньшей размерности. С применением глубокого машинного обучения находится такая функция кодирования, что может быть выполнено обратное декодирование в исходный вектор. В итоге эмпирического подбора размерности вектора выбрана наилучшая экспериментальная модель автокодировщика, сжимающая пространство признаков, размерностью, равной 1260 (в исходном смысле ЭЭГ-сигналы длительностью 0,2 с) до пространства размерности, равного 24, с последующей возможностью реконструкции исходного сигнала с потерями не более 10 %. The authors identify hidden parameters of the function describing the electrical activity of the human brain, obtained using electroencephalography (EEG), with the help of an artificial neural network and deep machine learning. The compression of applied information, necessary to reduce the dimensionality of the feature space of the data in order to obtain a model of an artificial neural network–an autoencoder is formulated. The novelty of the general solution and the theoretical aspects and problems of existing compression methods are described. An experimental study is carried out, which consists in obtaining an autoencoder model using applied data EEG sequences containing visual evoked potentials. The compression problem is solved by decreasing the dimensionality of the multidimensional vector associated with the sample. The autoencoder encodes the original multi-dimensional vector into a vector of smaller dimensionality. Using deep machine learning, a coding function is found such that reverse decoding into the original vector can be performed. As a result of the empirical selection of the vector dimensionality, the best experimental model of the autoencoder was chosen, which compresses the feature space of dimensionality equal to 1260 (in the initial sense EEG signals of duration 0,2 s) to a 24-dimensional space, with the possibility of the reconstruction of the initial signal with losses of not more than 10 %.