Диссертация (1144755), страница 19
Текст из файла (страница 19)
Ведь условие р<0.05 означает, что даже в условиях полной применимостиматематического метода, в одном случае из двадцати мы должны ошибаться.В вводной части литературного обзора был продемонстрирован примерклинического использования функциональной МРТ (см. Рисунок 1), которыйпоказал, что стандартный анализ позволяет выявить только «часть» сигнала.Поэтому обоснованное использование методов функциональной связности можетсущественно обогатить не только клиническую практику, но и фундаментальныеисследования.Таким образом, очевидно, что для исследования любой функции мозганеобходимо использование не просто разнообразных методик, а именноспециальнаяорганизацияисследования,подразумевающаяполучениевзаимодополняющих данных.
В рамках данной работы, речь идет о сочетанномприменениидвухразныханалитическихстратегий–«функциональнойсегрегации» и «функциональной интеграции» (Friston, et al., 2011). Первый подходподразумевает соотнесение отдельных структур с определенными функциями, т.е.выявление функциональной специализации областей мозга в обеспеченииопределенных аспектов разнообразных видов деятельности. Однако очевидно, чтообеспечениесложноорганизованныхвидовдеятельностиподразумеваетвзаимодействие этих структур, т.е. их функциональную интеграцию.
Оценка такойинтеграции возможна в рамках т.н. коннекционистского подхода, или с опорой напредставления о системной организации мозговой деятельности, развиваемые врамках отечественной физиологической школы. Поэтому, работа по анализувзаимодействий структур мозга может быть реализуема в рамках методов«функциональной связанности» (корреляционный анализ, факторный анализ,метод независимых компонент и т.д.) и так называемой «эффективной связности»(термин подразумевает воздействие, эффект, который оказывает активность однойобласти на активность другой). Таким образом, функциональная сегрегация ифункциональная интеграция являются не только взаимозависимыми понятиями, ноиметодами,сочетанноеэлектрофизиологическимииспользованиеметодами,открываеткоторых,новыесовместносвозможностив93исследованиях функций мозга.
Опыт проведения таких исследований показывает,почемукрайневажнымпредставляетсяобеспечитьтакуюорганизациюисследований, при которой «системный принцип превращается из общегопостулата в реальную идеологию исследований» (Медведев, 1989).Поскольку в задачу настоящей диссертационной работы входит изучениеименновзаимовлияниймеждузвеньямимозговыхсистемобеспеченияцеленаправленного поведения, то необходимо предложить такой комплексметодов, который дал возможность: 1) определить вышеуказанные звенья, 2)выявить те взаимодействия между звеньями, которые характеризует ключевыеаспекты изучаемой целенаправленной деятельность, т.е. структуру и характервзаимодействия.
Выбор конкретных методов анализа данных осуществлялсяисходя из комплексного полиметодического подхода, являющегося ключевымпринципом проведения такого рода исследований мозга человека, проводившихсяН.П. Бехтеревой (Бехтерева, 1988).Такимобразом,проведениеисследованийврамкахданногодиссертационного исследования будет осуществляться по следующему алгоритму:1) выявление областей мозга, которые вовлекаются в обеспечениеисследуемых процессов (в рамках стандартного анализа фМРТ данных в рамкахосновной линейной модели);2) выявление характера изменений функциональных взаимодействий этихобластей с остальными структурами мозга, в зависимости от моделируемых втестовых заданиях процессов и/или аспектов деятельности (с использованиемподхода по анализу функциональных взаимодействий);Для определения набора структур мозга, вовлекаемых в обеспечениеисследуемой деятельности, предполагается использовать стандартный дляактивационных исследований статистический подход к обработки фМРТ-данных.В основе этого метода используется анализ множественной регрессии в рамкахосновной линейной модели (general linear model, GLM).
Сравнение статистическихпараметров компонентов данной модели, соответствующих типам используемыхзаданий, используется для поиска структур мозга в которых значимо меняется94BOLD-сигнал. Выявленные таким образом, структуры мозга используются дляпостроения функциональных областей интереса (ОИ) для второго этапа,направленного на выявление функциональных взаимодействий.Второй этап подразумевает использование методов по выявлениюфункциональных связей между структурами мозга, обнаруживаемых на первомэтапе анализа.
Для решения задачи по выбору методики позволяющей изучатьфункциональные взаимодействия в рамках данной работы проводились поисковыеисследования. Первоначально планировалось, что использование одного изперспективных средств анализа нейровизуализационных изображений являетсяфакторный анализ (ФА) (Катаева, Коротков, 2007, Катаева, и др., 2010), логикакоторогопозволяетзасчетстатистическоговыявленияненаблюдаемыхнепосредственно причин (факторов), определить наборы областей интереса (ОИ)или элементов матрицы изображения (вокселов), уровень функциональнойактивности в которых взаимосвязан (см.
схему на Рисунке 6). Данная работапроводилась с использованием базы данных ПЭТ-исследований ИМЧ РАН изкоторой были использованы результаты исследований 158 человек (133 мужчиныи 25 женщин), праворуких, в возрасте от 18 до 49 лет. ПЭТ-исследований дляоценки лМК (локального мозгового кровотока) проводилось в состоянииоперативного покоя.В результате проведенного исследования удалось показать, что состояниеоперативного покоя характеризуется установлением функциональных связей нетолько между структурами, входящими в состав default mode network (дефолтнаямода мозга (Meindl et al., 2010, Zang, et al., 2011, Катаева, и др., 2013)), но и междуобластями мозга связанными с обеспечением внимания и сенсорными системами(Катаева, и др., 2013).
Использование этого метода по сравнению с использованиемкорреляционных подходов позволило получить новые данные об организациифункциональной активности мозга в состоянии оперативного покоя. Однако в ходеданной апробации оказалось, что факторный анализ не дает возможностипараметризовать выраженность связи и направленность взаимовлияний.95Рисунок 6. Результат апробации факторного анализа на материале данныхисследований здоровых испытуемых, функциональная активность мозга которыханализировалась с помощью метода ПЭТ (адаптировано из Катаева и др., 2013).Обозначения: условная схема анализа (А) и фактическое распределение областейинтереса (ОИ) по факторам (Б), изображенное в виде стандартизированногоизображения головного мозга с обрисовкой используемых при анализе ОИ.Отдельные срезы параллельны орбитомеатальной плоскости, координаты по оси Z– равны расстоянию в миллиметрах от этой плоскости до средней плоскостикаждого среза.
Толщина среза 6.5 мм.Поэтому, для решения поставленных в данной работе задач в конце концовбыл выбран другой метод – метод «психофизиологических взаимодействий»(psychophysiological interaction, PPI-анализ (Friston, et al., 1997). Предлагаемыйметодпозволяетполучитьинформациюобизменениифункциональнойсвязанности между областями мозга, вовлекаемыми в обеспечение исследуемойдеятельности (Gitelman, et al., 2003; Friston, et al., 2011; Ciscler, et al., 2013), взависимости от типа реализуемой деятельности.
Применение этого методанаправлено на выявление тех областей мозга, взаимодействие которых с заранее96выбранной областью интереса модулируется текущей деятельностью. В основеметода лежит предположение, что психофизиологические взаимодействияпроисходят на нейрональном уровне (Gitelman et al., 2003). Поэтому, сначалазначение BOLD сигнала в ОИ подвергается обратной свертке, процедуре обратнойтой, которая осуществляется при создании ОЛМ, т.е. свертка функциигемодинамического ответа и вектора, описывающего наступление значимыхсобытий.
В результате создается модель нейрональной активности в выбранной ОИ(см. Рисунок. 7). При этом, каждому типу экспериментальных проб соответствуетсвой вектор. Далее, полученные данные используются для создания ОЛM,состоящие из регрессоров, каждый из которых создается путем конволюциисмоделированной таким образом нейрональной активности и стандартной формыгемодинамического ответа. В качестве игнорируемых переменных в модельвводятся регрессоры, моделирующие изменения BOLD сигнала, используемые пристандартном анализе. В результате, вычисление параметров регрессии в такоймодели позволяет выявить области мозга, в которых проявляется статистическаязависимость от изменений нейрональной активности в ОИ, связанных с текущейдеятельностью. При этом данные эффекты не зависят от характера измененияBOLD сигнала вызванного такой деятельностью.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
