Обоснование. При создании моделей, использующих искусственные нейронные сети, необходимо учитывать количество обучающих данных и их распределение, в частности, при прогнозировании пола.

Цель исследования ― определить потенциальную эффективность метода синтетической передискретизации меньшинства (synthetic minority oversampling technique, SMOTE) при определении пола умерших с помощью искусственной нейронной сети.

Материалы и методы. В данном исследовании использовали набор данных, состоящий из 297 цефалометрических измерений индонезийских пациентов (229 женщин и 68 мужчин). Для измерения определённых параметров, таких как угол SNA (Sella-Nation-Point A), длина нижней челюсти, угол нижней челюсти, угол SGA (Sella-Glabella-Point A), и диагностики использовали программу WebCeph. Обработку данных и создание искусственной нейронной сети выполняли на языке программирования Python.

Результаты. Точность определения пола с помощью искусственной нейронной сети составляет 87% для женщин и 0% для мужчин (в среднем 78%). При использовании SMOTE-алгоритма точность определения пола составляет 22% (0% для женщин, 37% для мужчин). Однако при использовании SMOTE-алгоритма в сочетании с нормализацией данных точность возрастает до 71% (82% для женщин, 30% для мужчин). Точность модели при нормализации данных без применения SMOTE составляет 76% (86% для женщин, 14% для мужчин).

Заключение. Данное исследование доказало эффективность SMOTE в улучшении классификации мужских матриц. Тем не менее результаты общей точности недостаточно оптимальны по сравнению с результатами, полученными без применения метода SMOTE и нормализации данных. Для достижения оптимальной точности в определении пола при использовании искусственных нейронных сетей и других параметров необходимо применение стратегий балансировки данных.

论证。在使用人工神经网络创建模型时，有必要考虑训练数据的数量及其分布，尤其是在预测性别时。

研究目的是确定合成少数超采样技术（synthetic minority oversampling technique, SMOTE）在使用人工神经网络确定死者性别方面的潜在有效性。

材料和方法。本研究使用的数据集包括对印度尼西亚患者（229 名女性和 68 名男性）进行的297次头颅测量。WebCeph 软件用于测量某些参数，如 SNA 角（Sella-Nation-Point A）、 下颌长度、下颌角、SGA 角（Sella-Glabella-Point A）和诊断。数据处理和人工神经网络的创建使用 Python 编程语言进行。

结果。使用人工神经网络进行性别鉴定的准确率为：女性 87%，男性 0%（平均 78%）。当使用 SMOTE 算法时，性别确定的准确率为 22%（女性为 0%，男性为 37%）。然而，当 SMOTE 算法与数据归一化结合使用时，准确率提高到 71%（女性为 82%，男性为 30%）。在不使用 SMOTE 算法的情况下，使用数据归一化的模型准确率为 76%（女性为 86%，男性为 14%）。

结论。这项研究证明了 SMOTE 在改进男性矩阵分类方面的有效性。然而，与不使用 SMOTE 和数据归一化的结果相比，总体准确度结果还不够理想。为了在使用人工神经网络和其他参数时实现性别确定的最佳精度，需要应用数据平衡策略。