Диссертация (1144755), страница 21
Текст из файла (страница 21)
Предварительная обработка данных и построениестатистических параметрических карт BOLD-сигнала проводились в программномпакете SPM12 (http://www.fil.ion.ucl.ac.uk/spm/software/spm12/). При процедуревыравнивания рассчитывалось 6 параметров соответствующих смещению ивращению относительно начального положения головы по трем осям (x,y,z). Дляобеспечения учета изменений сигнала коррелированных с движениями головы, этипараметры учитывались при статистическом анализе (Johnostone, et al., 2006).Параметры сглаживания – 8 мм (FWHM).Статистический анализ проводился с использованием основной линейноймодели (ОЛМ (Friston et al., 2006, стр.
16)), в которой в качестве регрессоров(компонентов) использовались временные параметры предъявления стимулов всоответствующих пробах. ОЛМ каждого испытуемого включала регрессорысоответствующиестимулам(С1-С2)экспериментальныхпробидвухэкспериментальным сессиям: 1) AcueAGo, AcuePNogo, PcueA, PcueP, AcueAtarget(в качестве C1-стимула предъявляется животное и формировалось ожидание этогоже изображения животного), PcueExp1 (в качества С1-стимула предъявляетсяизображение растения), пробы с ошибками; 2) AcuePGo, AcueANoGo, PcueA,104PcueP, PcueExp2 (C1-стимул), AcuePtarget (в качестве C1-стимула предъявляетсяживотное, и формировалось ожидание изображения принадлежащего к категориирастение), пробы с ошибками.
Дополнительно, для учета влияния артефактовдвижения, в ОЛМ вводились параметры смещений положения головы,рассчитанные на этапе выравнивания функциональных данных (realignment), такжедля каждых экспериментальных сессий (т.е. «Исследования1» и «Исследования2»).Задача вычисления ОЛМ сводилась к тому, чтобы выявить комбинациюпараметров элементов регрессионной модели (где каждый отдельный регрессормоделирует временные характеристики проб разного типа), позволяющуюнаилучшим образом привести в соответствие модель ожидаемого сигнала креально зарегистрированному. При этом одним элементом ОЛМ моделируется неодиночное событие в заданном интервале времени (временном окне), а сразу всясовокупность исследовательских проб конкретного типа.При расчете т.н.
контрастов (например, AcueAGo>покой (П – изображениебелого креста на фоне черного цвета)), т.е. относительной разницы в BOLD-сигналемежду двумя сравниваемыми переменными, вычисляется линейная комбинация(разница) между параметрами соответствующих элементов ОЛМ. Анализ данныхосуществлялся в два этапа. На первом этапе (first level analysis), на основевычисленных параметров регрессоров линейной модели, отдельно для каждогоиспытуемого рассчитывались t-контрасты между всеми типами проб и состояниемпокоя (П).
В «Исследовании1»: AcueAGo>П, AcuePNogo>П, PcueA>П, PcueP>П,AcueAtarget>П, PcueExp1>П, Ошибка>П. В «Исследовании 2»: AcueANoGo>П,AcuePGo>П, PcueA>П, PcueP>П, AcuePtarget>П, PcueExp2>П, Ошибка> П.Полученные контрасты, представляющие из себя линейную комбинациюпараметров ОЛМ, подвергались дальнейшему статистическому анализу на второмэтапе (second level analysis), который осуществлялся с учетом межсубъектнойвариабельности и выполнялся с помощью дисперсионного анализа. Для того чтобыизбежатьложноположительныхрезультатов,повоксельноепостроениестатистических карт осуществлялось с порогом p<0.05, корректированным намножественность сравнений по методу FWE на уровне кластера или на уровне105воксела(см.
соответствующие указания). При этом, учитывались только кластерыразмером больше 20 вокселей. Для определения локализации выявленныхкластеров в терминах полей Бродманна, использовался программный пакетAnatomy (Eickhoff, 2005). Для выяснения характера выявленных изменений BOLDсигнала, индивидуальные значения параметров регрессии усреднялись для всехвокселей выявленных кластеров и далее усреднялись по группе с использованиемпрограммного пакета REX (https://www.nitrc.org/projects/rex/).4.1.4. Анализ изменений функциональной связности по методупсихофизиологических взаимодействийСтатистическая обработка данных осуществлялась с использованием т.н.общей линейной модели (ОЛМ, general linear model) множественной регрессии.Компонентами статистической модели являлись игнорируемые регрессоры ирегрессоры интереса.
В качестве игнорируемых регрессоров использовалисьвременные параметры предъявления стимулов С1-С2 в соответствующих пробах,что позволяло исключать из анализа эффекты, которые связанны с влияниемстимулов и соответствующих психофизиологических процессов на изменениярегистрируемого BOLD-сигнала: 1) сигнальные стимулы С1 - AcueAtarget,AcuePtarget, Pcue (объединенные пробы обоих исследовательских сессий в которыхв качестве С1 предъявлялось изображение растения); 2) целевые стимулы С2 AcueAGо, AcuePNоGо, AcuePGо, AcueANOGO, пробы с ошибками (объединенныедля обоих исследовательских сессий пробы с некорректным выполнениемтестового задания).
Кроме того, в качестве дополнительных игнорируемыхпеременных в модель включались: 1) параметры смещения головы; 2) значенияBOLD-сигнала в РОИ (для игнорирования изменений BOLD-сигнала в ОИ). Вкачестве регрессоров интереса в ОЛМ были включены 6 PPI-регрессоров,соответствующих 6 экспериментальным событиями: 1) эффекты, связанные сдвумя типами ожидания AcueAtarget (стимул С1), AcuePtarget (С1); 2) эффекты106связанные с процессами торможения и реализации моторной программы –AcueAGо (С2), AcuePNоGо (С2), AcuePGо (С2), AcueNоGо (С2).Выбор региональных областей интереса осуществлялся по результатампредварительно проведенного стандартного анализа фМРТ данных и исходя изпредположений о зависимости процессов ожидания от конкретного изображенияиликатегориистимула,атакжезависимостипроцессовторможенияподготовленной моторной программы от процессов рассогласования реальнопредъявленного стимула с его ментальной репрезентацией (операция сравнения врабочей памяти) или категории стимула (применение правила соответствия).Аналогичным образом проверялись предположения о характере измененийфункциональной связности для проб с реализацией подготовленной моторнойпрограммы.
В кластерах значимых групповых изменений BOLD-сигнала,выявленных на этапе анализа изменений уровня функциональной активности (т.н.стандартный анализ), которые аттрибутировались к исследуемым процессамопределялся локальный максимум. РОИ формировался в центре определенногомаксимума с радиусом 4 мм (список РОИ далее в тексте в разделе описаниярезультатов). Далее статистический анализ проводился для интересующих PPIрегрессоров.
На индивидуальном уровне (т.е. для каждого испытуемого), контрастмежду параметрами статистической связи описывающей функциональныевзаимодействия с РОИ рассчитывался для каждого вокселя изображения.Полученные данные использовались для группового анализа данных с учетоммежсубъектной вариабельности, что позволяет экстраполировать данные на всюпопуляцию. Повоксельное построение статистических карт осуществлялось снекорректированным порогом p<0.001, а для того чтобы избежать ложноположительных результатов, применялась коррекция на множественностьсравнений по методу FWE (p<0.05, family wise error) на кластерном уровне.
Приэтом, учитывались только кластеры размером больше 60 вокселей. Для выяснениянаправления изменений, индивидуальные значения параметров PPI регрессоровусреднялись для всех вокселей выявленных кластеров и далее усреднялись погруппесиспользованиемпрограммногопакетаREX107(https://www.nitrc.org/projects/rex/). Для определения анатомической локализациивыявленных кластеров использовался программный пакет Anatomy toolbox(Eickhoff, et al., 2007).4.1.5.
Полученные результаты и их обсуждениеВажнойособенностьюпредложенноготестовогозаданияявляетсявозможность такой манипуляции дизайном исследования, которая позволяетотдельно проверять процессы сенсорной дискриминации, сенсорного сравнения ирассогласования на уровне зрительной рабочей памяти, мониторинга действий,которые связаны с операциями подавления и реализации действий (Kropotov, et al.,2011, 2014, 2016).
Поскольку принятие решения о том, как действовать в каждойконкретной пробе (нажимать или не нажимать кнопку), определяется внешнимисобытиями, т.е. последовательно предъявляемыми зрительными стимулами,данный вид целенаправленной деятельности рассматривается нами как наименеесложный по сравнению с остальными предложенными в данной работе(сознательной лжи, речевой продукции и вербального творчества). Ранееполученные результаты, указывают на наличие скрытых компонент потенциаловсвязанных с событиями (ПСС, (Kropotov, et al., 2015)), которые отражают процессыформирования ментальной репрезентации ожидаемого стимула, т.е. изображенияконкретного животного, которое предъявлялось в качестве первого стимула парыC1-C2 именно в «исследовании1».
В «исследовании2» после предъявленияизображения животного на месте С1, испытуемый готовится действовать не послепредъявленияконкретногоизображения,априпредъявлениистимула,относящегося к категории растений. Поэтому ожидание формируется в болееабстрактном виде или в качестве правила «соответствия» С1-С2 при выполнениикоторого запускается моторная программа (если правило не выполняется,реализация моторной программы подавляется). Исходя из этого ожидалось, чтоуже на стадии подготовки деятельности, т.е. при предъявлении С1, будетнаблюдаться: 1) увеличение функциональной активности в областях мозга,108связанных с формированием моторной программы (ассоциативные областимоторной коры), процессами селекции и подавления действий (префронтальнаякора); 2) изменения функциональной активности в областях мозга отражающиеиерархически разные ассоциативные процессы формирования ментальнойрепрезентации конкретного изображения и ментального правила соответствия С1С2 стимулов.
Предполагалось, что формирование репрезентации ожидаемогоконкретного изображения будет связана с активностью зрительной ассоциативнойкоры и областей мозга, связанных с краткосрочной зрительной памятью(удержание изображения животного). С другой стороны, формирование правиласоответствия будет отражаться в активности иерархически более высшихассоциативных областей (удержание в памяти инструкции).При изучении мозгового обеспечения проактивного когнитивного контроля,анализировался BOLD сигнал, зарегистрированный синхронно с предъявлениемстимула С1.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
