Диссертация (Функциональная интеграция нейрональных популяций в мозге человека), страница 13

В настоящем исследовании для нахождения ближайшихсоседей использовался свободной доступный пакет OpenTSTool для среды Matlab. Для расчетавеличин ТЕ и последующего группового анализа с генерацией суррогатных данных быланаписана программа для среды Matlab, реализующая метод неравномерного вложения ипоследующую статистическую обработку результатов.2.1.6 Базовая модель связей между 4 областямиКак и в случае расчета Трансферной Энтропии, для нахождения эффективных связейметодом DCM вначале была рассмотрена более простая структура из четырех базовыхобластей: mPFC, PCC, LIPC, RIPC.

По данным литературы, в структуре DMN наблюдаетсямежполушарная симметрия, поэтому в рассматриваемый набор моделей DCM было внесеноограничение на симметрию моделей, что позволило снизить количество рассматриваемыхмоделей и значительно ускорить расчеты. В качестве тестовых моделей были рассмотреныследующие способы связей четырех базовых областей: полностью связанная модель (fullmodel), три модели, в которых различные области преимущественно влияли на другие (mPFC,PCC, и билатеральные LIPC/RIPC), а также перечисленные выше модели, но без прямогосоединения билатеральных структур межполушарными связями; суммарно 4 х 2 = 8 моделей(рисунок 2.3).60Рисунок 2.3 – Рассмотренные модели связей.

А) модели с межполушарной связью междубилатеральным структурами LIPC/RIPC. Сверху вниз: полностью связанная модель, mPFC,PCC, билатеральная модуляции. В) модели без связи LIPC/RIPC. Двойные стрелки означаютреципрокные связи.Для проверки стабильности модели в зависимости от времени были построеныаналогичные схемы (в смысле областей и связей между ними) для первых («начальная» модель)и последних («конечная» модель) 500 сканов фМРТ.

Однако после построения линейноймодели GLMу одного испытуемого не была обнаружена активность в области mPFC вначальные 500 сканов (однако активность была на для всех 1000 и конечных 500 сканов). Такимобразом, осталось 29 испытуемых для «начальной» модели и 30 – для «конечной».Для каждого испытуемого проведена Байесова инверсия всех 8 схем без внешнеговозбуждения методом спектрального DCM. Так как сеть по умолчанию DMN, согласно многимисследованиям, отвечает за базовый уровень сознания, а ее активные области не меняютсявнутри вида (от человека к человеку), то мы предполагаем паттерн эффективных связей одним61и тем же для всех испытуемых с точностью до параметров связей (их силы, но не направления).Поэтому для сравнения моделей между собой выбран метод Байесова сравнения моделей (BMS,Bayesian Model Selection) с фиксированными эффектами (FFX, Fixed Effects) [110].

Этапроцедура помогает найти лучшую модель в группе в смысле наилучшего баланса способностиописать полученные в эксперименте данные и сложности. Затем параметры связей лучшеймодели были численно проанализированы вначале при помощи классического частотнойстатистики, а затем при помощи Байесова усреднения моделей (BMA, Bayesian Model Averaging[89]). Целью анализа было проверить стабильность параметров в группе, а также на разныхинтервалах сканирования. Одновыборочный T-критерий Стьюдента был применен, чтобыопределить, какие из параметров имеют среднее значение в группе, значимо отличное от нуля.В дополнении к этому было проведено Байесово усреднение моделей, результатом которогостали средние в группе значения параметров, взвешенные по правдоподобиям моделей.Динамическое каузальное моделирование было проведено в программном пакете SPM12(доступна свободно по ссылке http://www.fil.ion.ucl.ac.uk/spm/software/spm12/), работающей всреде Matlab.

Для группового анализа фМРТ данных и моделирования в среде Matlab быланаписанапрограмма,автоматизирующаяпредобработкуданных,обсчетмоделейистатистический анализ параметров моделей.2.1.7 Расширенная модель связей между 5 областямиНесмотря на то, что попытки оценить взаимодействие четырех базовых областей DMNпроводились ранее [24, 73, 98], более сложные модели, включающие дополнительные зоны, нерассматривались с позиции эффективных связей. Целью настоящего исследования было какустановить паттерн связей расширенной модели, так и показать стабильность связей в базовойчасти этой модели при добавлении новых зон активности.

Если удастся показать последнее, тостанет возможным постепенно усложнять DCM модель при изучении сложного когнитивногоявления, начиная с самой простой, скажем с тремя хорошо известными зонами активности. Кэтим трем областям можно будет добавить еще одного кандидата (область) на участие внейрональной сети. Далее при инверсии этой усложненной модели можно быть уверенным, чтонайденный ранее стабильный паттерн связей трех областей изменится не сильно, либо же неизменится вовсе, а все изменения в расширенной модели будут связаны с новой зонойактивности.62С этой целью были взяты восемь базовых моделей, рассмотренных ранее (рисунок 2.3), кним по очереди добавлена дополнительно одна из областей – LHIP/RHIP разными способами(представлено на рисунке 2.4 на примере LHIP), отвечающими различным гипотезам участиягиппокампа в обработке информации в пределах сети по умолчанию. В качестве нулевоймодели рассматривается схема, где парагиппокампальная область присутствует, но невовлечена в сеть DMN (номер 2 на рисунке 2.4).

Если добавление парагиппокампальнойобласти улучшает предсказание модели не значимо, то такая схема должна обладатьмаксимальным правдоподобием на этапе сравнения моделей.Рисунок 2.4 – Паттерны связей парагиппокампальной области LHIP в расширенноймодели. Связи между базовыми четырьмя областями DMN (mPFC, PCC, LIPC, RIPC) опущеныдля наглядности. Цифрами обозначен номер паттерна.Такимобразом,покрываетсябольшинствовозможныхпутейраспространенияинформации между четырьмя базовыми областями и одной дополнительной. Всего получается12 дополнительных паттернов включения парагиппокампальной области, учитывая 8 базовыхсхем, получается 12 х 8 = 96 моделей для каждого испытуемого.

Аналогичная процедурапроведена для области RHIP. Дальнейшие действия аналогичны анализу моделей с четырьмяактивными областями – сравнение моделей и численный анализ параметров.632.1.8 Редуцированная модель связей между 4 областямиВсе нейрональные популяции, вовлеченные в выполнение некой когнитивной задачи,могут быть изначально не известны и по этой причине не включаться в модель. Поэтому важнопонять, насколько модель хорошо (и устойчиво) оценивает эффективные связи междуостальными областями, даже если одной ключевой области не хватает. Если связи стабильныдаже при неполной спецификации модели, то это может быть одним из свидетельств еевалидности.

Так как в реальности потоки информации стабильны между анализируемыминейрональными популяциями, то при исключении из рассмотрения одной из областей, потокимежду всеми остальными областями меняться не должны. С этой целью ключевая область PCCбыла исключена из расширенной модели с включением LHIP таким образом, что сталивозможны лишь шесть паттернов соединения (трех оставшихся) базовых областей между собой(a’,e’,b’,f’,d’,h’) и все 12 схем включения области LHIP (пример изменения схем представлен нарисунке 2.5). Итого получено 6 х 12 = 72 модели для каждого испытуемого.Рисунок 2.5 - Примеры схем редуцированных моделей. Слева: паттерн связей a’ – получен изпаттерна а (Рис.

2.3) исключением PCC. Справа: паттерн связей 1’ – получен из паттерна 1 (Рис.2.4) также исключением PCC.Дальнейшие действия аналогичны анализу моделей с четырьмя базовыми и пятьюактивными областями – сравнение моделей и численный анализ параметров.642.2 Исследование сетей в реакции зрительного ответа2.2.1 Выбор метода исследованийДля анализа процессов в пределах сети по умолчанию в состоянии покоя хорошоподходит метод фМРТ, так как состояние покоя характеризуется мозговой активностью начастотах 0.0078–0.1 Гц [8, 22]. При наличии зрительного вызванного ответа характерныевремена нейрональных процессов составляют десятки и сотни миллисекунд, поэтому лучшеподходит метод электроэнцефалографии (ЭЭГ), обладающий временных разрешением порядканескольких миллисекунд. Выбор метода также продиктован рассматриваемыми нейрональнымисистемами: моделируемая часть вентрального зрительного пути находится в корковом слое, ипоэтому ее активность может быть зарегистрирована как потенциалы на скальпе.