Регрессионный нелинейный анализ является аппроксимирующей процедурой, оценивающей связь (зависимость) между переменной отклика и набором независимых переменных, которая в общем виде может быть записана в виде формулы y=F (Х1, Х2, Хn), где y - зависимая переменная (переменная отклика), а F - функция от независимых переменных Х1, Х2 ... Хn. Существует большое количество нелинейных моделей, в том числе полиномиальная регрессия, которая описывает закон Йеркса-Додсона, характеризуя зависимость между результативностью деятельности и уровнем активации (Arousal) нервной системы, а также нелинейные регрессионные модели, модели с бинарными откликами (пробит и логит) (Боровиков В.П., 2008).
В прикладной физиологии и клинической медицине регрессионные модели, в том числе модели с бинарными откликами высоко значимы при решении задач классификации при бинарном распределении признаков: прогнозирование альтернативных функциональных состояний, наличие или отсутствие заболевания в задачах клинической диагностики, исход заболевания. Модели логит-регрессии нашли достаточно широкое применение в прогнозировании результативности деятельности на основе психологических характеристик (Хван Н.В., 2014); в кардиологии (Комиссарова С.М. и др., 2013), психиатрии (Изнак А.Ф. и др., 2016). В неврологии, в частности эпилептологии, логистическую регрессию используют для анализа и классификации ЭЭГ (Alkan A., Koklukaya E., Subasi A., 2005); прогнозирования особенностей течения эпилепсии (в том числе фармакорезистентности) на основе клинических данных (Миранда А.А., Зорин Р.А., Жаднов В.А., 2017; Artemiadis A.K. et al., 2014; Choi H. et al., 2016; Evstigneev V.V. et al., 2013; Wirrel E.C., 2013).
Сложность данных моделей, большое количество итераций при их реализации требуют использования специальных пакетов программ