Автореферат (1105178), страница 2
Текст из файла (страница 2)
Известно, что одни и те жемозговые структуры могут активироваться при выполнении совершенно разных задач,различие состоит в том, как эти активные области организуются в сети. Механизмы такойорганизации не ясны. Также одной из актуальных проблем нейровизуализации являетсяустановление иерархии между областями одной сети и между самими сетями:определение управляющей зоны коры, которая влияет на другие области одной сети иактивирует или подавляет работу других сетей. При помощи продемонстрированных внастоящей работе подходов становится возможным выявить такие области по даннымнеинвазивных экспериментов, что крайне важно при работе с человеческим мозгом. Спомощью оценки эффективного взаимодействия получено экспериментальноеподтверждение гипотез предсказательного кодирования и информационного синтеза длязрительной модальности, что представляло трудность ранее при оценке ненаправленныхсвязей.
Такой результат может свидетельствовать о существовании универсальногомеханизма обработки сенсорной информации в мозге (петли обратной связи).Исследованы биофизические принципы работы крупных структур мозга, которыемогут быть использованы при построении искусственных систем.
В настоящее времямногими группами ведутся работы по точному воспроизведению работы крупныхпопуляций нейронов и моделированию мозга простых животных как единого целого(например, Blue Brain Project [17]) в математических моделях. Конструирование такихсистем основано на знаниях об их биологических прототипах, поэтому настоящая работаможет являться важным дополнением для работ в области интеллектуальных систем.Настоящая работа имеет прикладное значение для медицины. Ранее было показано,что исследования фМРТ в состоянии покоя и во время выполнения задач могут указать наобъективные биомаркеры мозговых заболеваний различной природы. Эти исследованияуже показали свою применимость к оценке функциональных изменений, связанных сшироким спектром патологий, включая болезнь Альцгеймера [4], шизофрению [16, 26],аутизм [18], синдром дефицита внимания и гиперактивности [24], эпилепсию [19] идругие.
Вплоть до настоящего времени многие диагнозы в психиатрии ставятся посубъективным ощущениям лечащего врача, так как патология проявляется лишь нанейрональном уровне, структуры мозга не изменены, а биохимические нарушения в мозгесложно установить. В настоящей работе исследована группа здоровых испытуемых –группа контроля.
Выявление патологий станет возможным при помощи поиска значимыхотклонений от настоящих результатов.Предложенная в работе методика оценки эффективной интеграции или поискапричинно-следственных (каузальных) связей может использоваться после некоторыхмодификаций для анализа экспериментальных данных любой природы. И если дляприменения динамического каузального моделирования в другой области необходимоизменить генерирующую данные модель, то для применения расчета ТЕ необходимылишь незначительные поправки.7Апробация работыРезультаты диссертации докладывались на 15-м Европейском конгрессе поклинической нейропсихологии (г. Брно, Чехия, 2015), 49-й ежегодной Конференции поклинической нейрофизиологии (г.
Мюнхен, Германия, 2015), XIII-й Курчатовскоймолодежной научной школе (г. Москва, 2015), 9-м Мировом конгрессе по нейронаукам (г.Рио-де-Жанейро, Бразилия), конференции «Нейронауки и благополучие общества:технологические, экономические, биомедицинские и гуманитарные аспекты» (г. Москва,2015), 20-й ежегодной встрече Организации по картированию мозга человека (г. Гамбург,Германия, 2014), 53-ейежегодной встрече Общества психофизиологическихисследований (г. Флоренция, Италия, 2013), семинаре по математической психологии (г.Москва, 2013).ПубликацииПо теме диссертации опубликовано 3 статьи в журналах из списка ВАК, 7 тезисови докладов в сборниках различных конференций.Личный вклад автораПредставленные в диссертационной работе результаты получены лично автором.Изложенные в диссертации выводы сделаны автором на основе анализа собственныхрезультатов, совместных работ, а также данных литературы.Структура и объем диссертацииДиссертация имеет объем 116 страниц и состоит из введения и трех глав,заключения, выводов, списка литературы и приложения.
Работа содержит 12 таблиц и 31рисунок. Библиография включает 130 источников.Основное содержание работыВо введении содержится обоснование выбора темы исследования, ее актуальностии новизны как в области биофизики, теоретической нейробиологии и математическихметодов в биологии, так и для ее приложения в инженерно-конструкторской имедицинской практике.
Представлен объект исследования и кратко описаны применяемыеметоды.В первой главе представлены общие сведения о сетевой организации мозга,взаимодействии нейрональных популяций коры мозга человека в состоянии покоя и наначальном этапе обработки зрительной информации.
Разобраны физические основыполучения фМРТ-изображений: временная диаграмма последовательности «градиентноеэхо», концепция k-пространства и обратное Фурье-преобразование, BOLD-контраст(Blood-oxygen-level dependent contrast, гемодинамическая ответная реакция зависимостиуровня кислорода в крови) и эхо-планарная томография, а также принципиальный вопросо связи BOLD-сигнала с истинной нейрональной активностью. Рассмотреныбиофизические механизмы генерации разностей потенциалов на поверхности головы,детектируемых ЭЭГ. Представлены сильные и слабые стороны методов ЭЭГ и фМРТ.8Рассмотрены теоретические основы причинно-следственной связи междупроцессами (временными рядами) и метрика теории информации – TE [23], введенная дляанализа потока информации между двумя или более процессами.
TE представляет собойотклонение от обобщенного условия Марковской независимости. Обозначим дваМарковских процесса как X, Y, а Xn и Yn– стохастические переменные, полученныедискретизацией процессов в настоящем времени n, векторы− = [Xn-1,Xn-2,…] , − =[Yn-1, Yn-2,…] отражают прошлые значения процессов X, и Y, тогда условие Марковскойнезависимости примет вид:( |− , − ) = ( |− )(1)Условие (1) означает, что условное вероятностное распределение динамического процессаY не зависит от прошлых значений процесса X.
Это возможно только при отсутствиикаузальности (причинности). Для измерения отклонения от этого условия используетсярасстояние Кульбака-Лейблера между распределениями вероятностей в каждой частиусловия (1). Таким образом, для двух процессов имеем:→ = ∑ ( , − , − )( |− , − )( |− )(2)Выражение (2) представляет собой ТЕ в самом простом двумерном случае,формула легко масштабируется для любого количества исследуемых процессов. TEявляется мощным средством поиска потоков информации, так как при её оценке неподразумевается никакая порождающая модель данных – модель, обуславливающаянаблюдаемую динамику системы.
С помощью оценки ТЕ можно найти нелинейные (вотличие от, например, кросс-корреляции или причинности по Грейнджеру [15])взаимодействия в системе с произвольными задержками [25]. Если принять log занатуральный логарифм, то ТЕ буде измеряться в так называемых натуральных единицах.Рассмотрена совокупность методов динамического каузального моделирования(DCM, Dynamic Causal Modelling [9]) на основе данных ЭЭГ и фМРТ. Динамическоекаузальное моделирование – это моделирование эффективного взаимодействия междуобластями мозга.
Метод позволяет делать выводы о параметрах этих взаимодействий и овлиянии факторов эксперимента на эти параметры. C помощью DCM можно понять, какконкретное изменение условий в ходе эксперимента влияет на активацию кортикальныхпроводящих путей или на саму область коры. Основная идея метода – использоватьаприорно известную информацию, которая позволяет делать выводы о том, какнейронные сети генерируют наблюдаемый в эксперименте сигнал, такой как вызванныйпотенциал или вызванное магнитное поле в ЭЭГ/МЭГ экспериментах и BOLD-сигнал вэкспериментах фМРТ.
Эта биофизическая модель генерации данных, или порождающаямодель, определяется уравнениями состояния и так называемыми уравнениями выходногосигнала (уравнениями соответствия). Уравнения состояния отражают скрытуюнейрональную динамику, уравнения выходного сигнала связывают эти состояния ссигналом, получаемым в эксперименте. В общем случае уравнение состояния можнопредставить в виде:̇ = (, , )(3)9где x – совокупность переменных, характеризующих скрытое состояние, u – внешнеевозбуждение, - вектор параметров, определяющих функциональную архитектуру ивзаимодействие между областями мозга на нейрональном уровне.
Согласно уравнению (3)эволюция нейронального состояния x есть функция (с параметрами θ) входного сигнала u.Для данных ЭЭГ система (3) представляет собой девять обыкновенныхдифференциальных уравнений первого порядка, связывающих скорость изменениянапряжения как функцию тока и изменения тока как функцию напряжения и тока [5]. Вслучае фМРТ-эксперимента, функция f является билинейной формой, и уравнение (3)можно представить в виде:̇ = + ∑ + (4)=1где = A, B1,…,Bm,C – параметры трех каузальных компонент связей, лежащих воснове моделируемой нейрональной динамики. Эти параметры называются силами связейи являются константами скоростей ответов нейрональных популяций (единицы: 1/с = Гц),имеющих экспоненциальный характер.
Рассмотрим линейное дифференциальноеуравнение ̇ = , тогда () = 0 exp() и если принять () = 0.50 = 0 exp(), то = 2/. Таким образом, сила связей описывает скорость изменения нейрональногоответа и обратно пропорциональна периоду уменьшения нейронального ответа в два раза.Уравнения соответствия в случае ЭЭГ связывают скрытые состояния (величинусредней деполяризации пирамидальных нейронов в каждом источнике) x0 с сигналом yЭЭГ при помощи линейной прямой электромагнитной модели: = ()0 + (5)где L(θ) – матрица, устанавливающая соответствие между нейрональным состоянием x0 исигналом, полученным с электродов y. В случае данных фМРТ DCM объединяет модельнейрональной динамики с биофизически правдоподобной и экспериментальноподтвержденнойгемодинамическоймоделью,объясняющейпреобразованиенейрональной активности в BOLD-сигнал. Эта модель называется моделью «Воздушногошарика» (“Balloon model”) [3] и была впервые представлена Бакстоном и коллегами, авпоследствии расширена и дополнена в работе [10].
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
