Автореферат (1105178), страница 3
Текст из файла (страница 3)
Согласно этой модели изменения внейрональной активности вызывают сосудорасширяющий сигнал, в результате которогоувеличивается поток крови, ее объем в некоторой области и содержаниедеоксигемоглобина. Предсказанный BOLD-сигнал y – нелинейная функция объема кровии содержания гемоглобина.Сравнение моделей (гипотез) и нахождение лучшей из них является основнымшагом в моделировании. Метод сравнения един для разных модальностей (ЭЭГ/МЭГ,фМРТ и другие) и, в общем, является универсальным методом Байесовой инверсии,поэтому применим к данным любой природы.Инверсия определенной модели m означает параметрическую аппроксимациюапостериорной вероятности p(θ|y,m). Выражение для этой вероятности можно получить потеореме Байеса:(|, )(, )(|, ) =(6)(, )10Лучшая модель, объясняющая полученные в эксперименте данные обладаетмаксимальным значением ln p(y|m). Если даны две модели m1 и m2, можно сравнить их,вычислив Байесов фактор или, что то же самое, разницу в их маргинальномправдоподобии:1,2 = ln (|1 ) − ln (|2 )(7)Если эта разница больше или равна трем (то есть относительное правдоподобиебольше или равно 20:1), то можно считать, что первая модель значимо лучше второй.Во второй главе описаны материалы и методы проведения эксперимента, включаяэкспериментальное оборудование, на котором получены фМРТ и ЭЭГ данные: томографSIEMENS Magnetom Verio 3 Tesla, установленный в комплексе НБИКС-технологийНационального исследовательского центра «Курчатовский институт» и 128-канальныйэлектроэнцефалограф Electrical Geodesics Inc.
на системе Netstation 4.4, установленный вМосковском НИИ психиатрии – филиале ФГБУ «ФМИЦПН им. В.П. Сербского»Минздрава России.В фМРТ-исследовании принимали участие 30 здоровых испытуемых (10 мужчин и20 женщин) в возрасте от 20 до 35 лет (средний возраст 24 года). От каждогоиспытуемого было получено согласие на проведение эксперимента. Далее был проведенинструктаж: участники эксперимента должны были лежать в сканере спокойно ирасслабленно с закрытыми глазами. Для каждого испытуемого записывались 1000 сканов(время повторения – 2 с), суммарно около 35 минут сканирования.
Запись 1000 скановнеобходима для анализа стабильности паттерна связей на всем промежутке записи, атакже на первых и последних 500 сканах. Далее описана предобработка данных. ДанныефМРТ всегда содержат в себе пространственные и временные неточности, вызванныедвижением головы, физиологическими осцилляциями (дыхание и сердцебиение),негомогенностью статического поля, и/или различиями во времени сбора данных дляпостроения изображения.
Если такие неточности не исправлять, они могут значительноуменьшить (или вовсе свести на нет) статистическую мощность эксперимента, поэтомупредобработка фМРТ данных – один из ключевых этапов исследования, влияющий навесь дальнейший анализ. Далее описана стандартная процедура параметрическогокартирования активности мозга. Известно, что состояние покоя характеризуется мозговойактивностью (имеется в виду BOLD – сигнал) на частотах 0.0078–0.1 Гц [2, 6], поэтому внастоящей работе активность в состоянии покоя была смоделирована общей линейноймоделью с набором дискретных косинусов (всего 400 функций, покрывающие отрезок0.0078–0.1 Гц) в качестве регрессоров.
Также в модель добавлены шесть регрессоровпомех (свои для каждого испытуемого), описывающие движения головы.Функциональные зоны DMN хорошо изучены, поэтому для дальнейшего анализа (DCM ирасчета ТЕ) были взяты области из предыдущих работ: это медиальная префронтальнаякора mPFC, [3, 54,−2], задняя часть поясной извилины PCC [0, −52, 26], левая LIPC[−50,−63, 32] и правая [48, −69, 35] области нижнетеменной коры [8, 13], а также леваяLHIP [-22 -23 -14] и правая RHIP [19 -20 -10] парагиппокампальные извилины [13].
Приэтом первые четыре области считаются базовыми в DMN, большинство исследованийпосвящено именно им. Включение в рассмотрение гиппокампальных областей (дляоценки эффективных связей) производится впервые. В квадратных скобках приведеныкоординаты центров соответствующих областей по системе MNI (Montreal NeurologicalInstitute). На рисунке 1 показаны локализации четырех базовых областей DMN.11Рисунок 1 - Базовые области DMN одного испытуемого.
Области DMN найдены припомощи стандартного SPM анализа. Соответствующие временные ряды – главныекомпоненты, полученные при сингулярном разложении матрицы данных фМРТ от всехвокселей области.В качестве данных от каждой области брались главные компоненты, полученныепри сингулярном разложении матрицы фМРТ данных от всех вокселей области – сферырадиусом 8 мм с центром.
Центры сфер – центры анатомических областей, указанныхвыше. Такая процедура помогает значительно уменьшить размерность данных, при этомоставляя основную часть информации о динамике всех вокселей в объеме [22].Первым способом оценки каузального взаимодействия был расчет ТЕ. Пусть X, Y –некоторые процессы сложной системы, связь которых необходимо оценить, Z –совокупность остальных процессов рассматриваемой системы.
Если реконструироватьпрошлое всей системы X, Y, Z, заменив бесконечное число значений процессов векторомвложения V = [VnY, VnX,VnZ], содержащим наиболее значимые для объяснения настоящегозначения Y прошлые значения соответствующих процессов, то оценку ТЕ можнопредставить в виде:→| = ψ() + 〈ψ( + 1) − ψ( + 1) − ψ( + 1)〉Где , и (8)- число точек, расстояние от которых до [VnY, VnZ],[Yn,VnY, VnZ] и V соответственно строго меньше, чем расстояние от [Yn, V] до его k-гоближайшего соседа, < > - означает усреднение по всем n, ψ – дигамма функция, ψ() =ddx(). Этот непараметрический метод оценки ТЕ более эффективен и точен намаленьких выборках данных, чем остальные методы [25]. Метод позволяет анализироватьнебольшие выборки данных, в том числе зашумленных. При вычислении ТЕ поэкспериментальным данным основная часть ресурсов компьютера тратится на нахождениесоседей, поэтому важно использовать высокоэффективные алгоритмы, оптимизированные12под конкретную длину и размерность анализируемых данных.
В настоящем исследованиидля нахождения ближайших соседей использовался свободно доступный пакетOpenTSTool для среды Matlab. Для расчета величин ТЕ и последующего групповогоанализа с генерацией суррогатных данных была написана программа для среды Matlab,реализующая метод неравномерного вложения и последующую статистическуюобработку результатов.Как и в случае расчета ТЕ, для нахождения эффективных связей методом DCMвначале была рассмотрена более простая структура из четырех базовых областей: mPFC,PCC, LIPC, RIPC.
В качестве тестовых моделей были рассмотрены следующие способысвязей четырех базовых областей: полностью связанная модель, три модели, в которыхразличные области преимущественно влияли на другие (mPFC, PCC, и билатеральныеLIPC/RIPC), а также перечисленные выше модели, но без прямого соединениябилатеральных структур межполушарными связями; суммарно 4 х 2 = 8 моделей, см.рисунок 2.Рисунок 2 - Рассмотренные модели связей. А) модели с межполушарной связью междубилатеральным структурами LIPC/RIPC.
Слева направо: полностью связанная модель,mPFC, PCC, билатеральная модуляции. В) модели без связи LIPC/RIPC. Двойные стрелкиозначают реципрокные 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.В дальнейшем были взяты восемь базовых моделей, рассмотренных ранее(см. рисунок 2), к ним по очереди добавлена дополнительно одна из областей –LHIP/RHIP разными способами, отвечающими различным гипотезам участия гиппокампав обработке информации в пределах сети по умолчанию.
В качестве нулевой моделирассматривается схема, где парагиппокампальная область присутствует, но не вовлечена всеть DMN, то есть не связана с остальными четырьмя областями. Все нейрональныепопуляции, вовлеченные в выполнение некой когнитивной задачи, могут быть изначальноне известны и по этой причине не включаться в модель. Поэтому важно понять, насколькомодель хорошо (и устойчиво) оценивает эффективные связи между остальнымиобластями, даже если одной ключевой области не хватает.
Для проверки модели на13стабильность при отсутствии одной из ключевых зон область PCC была исключена израсширенной модели.Для каждого испытуемого проведена Байесова инверсия всех предложенных схембез внешнего возбуждения методом спектрального DCM. Для сравнения моделей междусобой выбран метод Байесова сравнения моделей (BMS) с фиксированными эффектами(FFX). Эта процедура помогает найти лучшую модель в группе в смысле наилучшегобаланса способности описать полученные в эксперименте данные и сложности. Затемпараметры связей лучшей модели были численно проанализированы вначале при помощиклассической частотной статистики (вычисление средних значений по группе и Ткритерий Стьюдента), а затем при помощи Байесова усреднения моделей (BMA, BayesianModel Averaging).
Целью анализа было проверить стабильность параметров в группе, атакже на разных интервалах сканирования. Одновыборочный T-критерий Стьюдента былприменен, чтобы определить, какие из параметров имеют среднее значение в группе,значимо отличное от нуля. В дополнении к этому было проведено Байесово усреднениемоделей, результатом которого стали средние в группе значения параметров, взвешенныепо правдоподобиям моделей.В ЭЭГ исследовании участвовали 22 здоровых испытуемых возраста 21±2 года, изних 6 женщин.
Была использована так называемая зрительная оддбол-задача:предъявление более частых стимулов «х» (150 из 240), и более редких – символов «+» (90из 240). Белые символы предъявлялись на черном экране компьютера в псевдослучайномпорядке. По инструкции требовалось как можно быстрее нажимать на одну и ту же кнопкупри появлении любого из двух символов, который оставался на экране до моторногоответа. Испытуемым не предлагалось как-либо различать два вида стимулов. Дляпостроения модели был выбран участок ЭЭГ 0–250 мс после предъявления стимула, накотором присутствовал первичный зрительный ответ (потенциал, связанный с событием,ПСС). Выбор и схема связей источников активности определялись современнымипредставлениями о прохождении информации по вентральному зрительному пути,связанному с узнаванием объектов, в том числе их формы и размера. Эти области –первичная зрительная кора V1 [-28,-96,-6], [28,-96,-6] и нижневисочные извилины ITG [62,-33,-20], [66,-27,-19] в левом и правом полушариях. Источники активностипредставлены в виде эквивалентных диполей с априорными значениями координат.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
