Диссертация (Движущаяся волна ЭЭГ человека), страница 12

В уже упоминавшемся его обзоре [293] былипроанализированы в сравнительном плане разные методы для оценки степенивзаимосвязи сигналов ЭЭГ. Три из них описаны и их возможностисопоставлены:1. Традиционные линейные кросскорреляции (когерентность и фаза),2. Среднее значение общей информации» (Averaged Amount MutualInformation AAMI или просто Mutual Information MI). Вариант нормализованное AAMI, называемое также коэффициентом передачиT,3. Корреляционное отношение h2 со своим оценщиком h2.В работе [200] к данному списку ещё добавлен метод общей илигенерализованной синхронизации, происходящий из теории аттракторов инелинейной динамики, а также метод «Фазовой синхронизации».

В отношениипоследнего автор указывает, что не существует консенсуса о том, какопределить фазу сигнала. В научном сообществе MEG или ЭЭГ, сосуществуютдва эквивалентных метода: либо с использованием преобразования Гильберта,либо вейвлет-преобразования функцией Габора. Было показано, что оба методадают близкие результаты [277, 363].Нелинейные отношения могут по разному выражаться во всех этихоценках взаимосвязи. У каждого есть свои особенности и преимущества.Например, корреляционное отношение h2 является общей оценкой силы связимежду какими-либо двумя сигналами и при этом позволяет оценить природузависимости.Лопес да Сильва во многих работах отдаёт предпочтениеКритериюОбщей Информации (MI), происходящему из теории информации и энтропииШеннона. Это оценка количества информации об одном сигнале, заключённойв другом сигнале [222, 293].

В сравнении с другими методами критерий6162«Общей Информации» не делает допущений о природе (линейный или иной)генерирующей системы сигнала и даёт стабильные оценки с пакетами данныхразумной длины. Более подробное описание некоторых методов даётся вразделе 2 МЕТОДИКА.Упомянутые статистики оценки связи между физиологическими сигналамишироко применялись для оценки взаимодействия между регионами мозга вразных условиях [200, 340]. Из конкретных результатов можно отметитьсообщения о нелинейной природе ЭЭГ сна [339, 219]. По мнению авторов, вцелом принято, что во время сна представлены как линейные, так и нелинейныезависимости.

Однако вне независимости от этого бесспорно, что приограниченном анализе природа данных может динамически меняться взависимости от выбранного разрешения во времени. Это делает анализ сприменением MI (Mutual Information – «Общая информация») ценныминструментом там, где линейная и нелинейная динамика сосуществуют иливыражаются независимо друг от друга.Для исследования эпилепсии и измерения фазовых сдвигов SWD Meeren исоавторы [312] выбрали корреляционное отношение h2.В упомянутом модельном исследовании [200] проводилось сравнениеразных статистик функциональной связи при помощи нейрональной модели свесовыми коэффициентами.

Модель использовалась для решения вопроса охарактеристике функциональной интеграции среди удалённых кортикальныхзон при использовании магнито- или электроэнцефалографии (MEG or EEG).На модели показано, каким образом связь кортикальных зон можетмодулироватьспектрМЭГилиЭЭГисинхронизации. Затем модель эксплуатируетсясинхронизироватьдинамикудля сравнительной оценкиразных статистик зависимости (т.е. функциональной связи) между МЭГ- илиЭЭГ-сигналами, которую вызывают нейрональные связи. Протестированыобычный линейный и 3 нелинейных методы, включая метод аттракторов и«Фазовую синхронизацию». Результаты показывают, что каждый из них можетвыявить связь, но с разными профилями чувствительности, которая зависит (1)6263от специфической частоты взаимодействия (широкая или узкая полоса) и (2) отприроды связи (линейная или нелинейная).

Анализ указывает, что методы,основанные на «Генерализованной синхронизации», т.е. на аттракторах,наиболее чувствительны, когда взаимодействие охватывает различные полосы(широкополосный анализ). Для раскрытия узкополосных связей самымчувствительным способом был признан критерий «Общей информации» MI.Статистики, основанные на «Генерализованной синхронизации» и «Фазовойсинхронизации» наиболее чувствительны именно к нелинейной связи. Наосновании разных профилей чувствительностиавторы считают, что выборстатистики для оценки силы связи может иметь драматический эффект приидентификации кортикальных связей. Это иллюстрируется тем, что при МЭГисследовании бинокулярной конкуренции и вспышек света на одном человекелучшее восстановление статистических связей между зонами коры далкритерий Общей Информации в бета-полосе.Фундаментальный подход к обсуждаемому вопросу имеется в работе [145].Упор был сделан на количественную оценку эффективности линейных инелинейных методов оценки взаимосвязь между мозговыми сигналами наоснове разных симуляционных моделей.

Использовались количественныекритерии: в дополнениек методу среднеквадратичной ошибки (MSE) дляпроверки нулевой гипотезы (независимость между двумя сигналами) и среднейдисперсии (MV), вычисленных для всех значений степени связи в каждоймодели. Введён новый критерий сравнения методов. Результаты показывают,что эффективность сравниваемых методов сильно зависит от гипотезы омодели, применяющейся для генерации сигналов. Более того, ни один из них непревосходит другой во всех случаях и соотношение их эффективности зависитот модели.Вцеломследуетотметить,чтомодельныеисследованияоченьраспространены в области фазовых взаимоотношений.

Например, в работе[412] при помощи накапливающей и разряжающейся нейросети изучаласьдвижущаяся волна и паттерн ЭЭГ во время приступа эпилепсии. Отмечается,6364что в целом принято, что эпилептические очаги могут происходить в сетисильно взаимосвязанных нейронов, если возбуждение доминирует надторможением. Применялась нейросеть - матрица 50 на 50 «накапливающих иразряжающейся» нейронов для анализа, какие изменения параметров, типа итопологиисинапсов,эпилептоподобныемогутразряды,пространственно-временныхПринято,чтовызватьмалаяинестабильностьдляизученияхарактеристикгруппаработысоответствующихэлектрическойцентральныхинейроновактивности.стимулируетсядеполяризующим током (эпилептический фокус), и что нейроны связанысинапсами по топологии «Мексиканская шляпа».

Сигнал, представляющийкортикальную ЭЭГ (ЭКоГ) имитировался суммацией изменений мембранныхпотенциалов всех нейронов. Детальный анализ топологии синапсов показывает,что рост силы и дальнодействия возбудительных синапсов по сравнению стормознымиможетвызватьпоявлениедвижущихсяволн,которыераспространяются по сети. Эти распространяющиеся волны могут вызватьпаттерн ЭЭГ с различным видом и частотой в зависимости от конкретныхпараметровстимуляции.ИтоговаямодельЭЭГ-сигналоввключаетнерегулярные ритмы с большой амплитудой и широкой частотной полосой,низко амплитудные высокочастотные быстрые разряды, однократные илиповторяющиеся вспышки, и низко частотные квази-синусоидальные паттерны.Медленно нарастающее изменение в отдельном параметре может вызватьпереход от одного паттерна к другому, т.е.

генерацию в высокой степенинестабильного сигнала, который напоминает сигнал, наблюдаемый приреальном измерении ЭКоГ.Вмодельномисследовании[260]изучаетсясогласованноеисамоорганизованное поведение сегментов спинного мозга в генерациилокомоторныхпаттернов.Авторпостулирует,чтоономодулируетсяафферентной сенсорной информацией и управляется нисходящими путями измозгового ствола, мозжечка или коры и лежит в основе ритма походкичетвероногнихживотных.Цельюданной64работыбылоопределить65минимальные установки, которые задали бы такое же самоорганизованноеповедениевдвухмернойнейросети.Такимипараметрамиоказалисьсинаптическое торможение и активная реполяризация мембраны как двасвойства нейронов.

При этом двухмерная нейросеть генерировала когерентныедвижущиеся волны. Их длина волны и угол распространения могли независимоуправляться двумя параметрами, которые модулировались возбудительнымипремоторными нейронами и тормозными коммисуральными нейронами. Далеепродемонстрировано, что выбор параметров волны соответствует выборупоходки четвероногих.Наконец, следует отметить, что для исследования движущихся волн ЭЭГбольшое значение имеет графика и визуализация, а затем простое наблюдениефеномена по получившимся мэппингам. Как пример исследований такого рода,можно привести статью [299] о вычислении центра масс движущихся альфаволн.

В ней представлен новый метод обсчёта движущихся альфа-волн,использующий понятие центра масс определённого альфа-пика, записанного30-ю электродами. Центр масс примерно соответствует точке максимальнойпозитивности в данный момент. При помощи визуального анализа былообнаружено, что траектории движения этого центра масс представляют собойзамкнутые петлеобразные кривые, довольно переменчивые от волны к волне.При наложении последовательных траекторий друг на друга они покрываютвсю поверхность головы, но концентрируются к диагонали от левых лобныхобластейкправымзатылочным.Начальныеточкитраекторийчащерасполагаются в передних областях, чем в задних. При этом траектория всегдапроходит по центральным зонам. Точка траектории в момент достижениямаксимальнойпозитивности(дляданнойальфа-волны)всегдаимеетопределённое положение около центральных регионов. Средняя скоростьдвижения центра масс 2.1 +/- 0.29 м/сек.