В современном мире развитие технологической сферы ускоряется с каждым днем, что заставляет каждого человека учиться и адаптироваться к ней на протяжении всей жизни. Особое место занимает задача интеграции в общество людей с ограниченными возможностями и предоставления им возможностей для взаимодействия с технологиями. Мозг человека генерирует различные ритмы, при решении разного рода задач. Его состояния можно различать, используя биомаркеры, в качестве которых могут выступать те или иные характеристики ритмов головного мозга. Например, сенсомоторный ритм (мю-ритм), локализованный над моторной корой, тесно связан с двигательной активностью человека. Подавление мю-ритма происходит, когда человек выполняет какое-либо движение или, после определённой тренировки, когда он представляет выполнение движений. Сенсомоторный ритм хорошо выражен у спортсменов, однако у обычных людей его можно зарегистрировать не всегда. Существует также бета-ритм, который регистрируется в области передних и центральных извилин и распространяется на задние центральные и лобные извилины. Бета-волны в норме связаны с высшими когнитивными процессами и фокусированием внимания, в обычном бодрствующем состоянии, когда человек с открытыми глазами наблюдает за происходящими событиями, или сосредоточен на решении каких-либо текущих проблем. Бета-ритм связан с соматическими, сенсорными и двигательными корковыми механизмами и даёт реакцию угасания на двигательную активацию или тактильную симуляцию. При выполнении или даже умственном представлении движения бета-ритм исчезает в зоне соответствующей активности. Наличие этих ритмов у человека имеет место даже при отсутствии каких-либо конечностей, предоставляя возможность их использования для разработки различных протезов, для управления инвалидным креслом и т.д.
Ритмы головного мозга можно регистрировать с помощью простого и широко распространенного метода - электроэнцефалографии (ЭЭГ). ЭЭГ - один из ключевых неинвазивных методов исследования головного мозга, который характеризуется высоким временным разрешением, но достаточно низкой пространственной разрешающей способностью, особенно в сравнении с МРТ, фБИКС или инвазивными электродными методами. Одно из возможных решений низкого пространственного разрешения основано на взаимодополняющих преимуществах методов, обеспечивающих доступ к различным аспектам нейронной, метаболической и гемодинамической активности. Сегодня одними из наиболее перспективных и взаимодополняющих подходов к исследованию активности головного мозга является сочетание неинвазивных методов нейровизуализации, таких как электроэнцефалография и функциональная спектроскопия ближнего инфракрасного диапазона (фБИКС).
ЭЭГ позволяет исследовать закономерности суммарной электрической активности мозга, отводимой с поверхности кожи головы, в то время как фБИКС обеспечивает надежные и высокоточные измерения локализованных гемодинамических реакций на поверхности коры головного мозга.
Принцип действия фБИКС основан на дифференциальных оптических свойствах гемоглобиновых состояний в ближней инфракрасной области спектра; фБИКС может определять изменения локальной концентрации окси- и дезоксигемоглобина.
Кроме того, феномен нейроваскулярного связывания позволяет интерпретировать изменения концентрации окси- и дезоксигемоглобина с точки зрения нервной активности.
Следует отметить, что ЭЭГ и фБИКС часто используются для реализации парадигмы нейрообратной связи – технологии, позволяющей человеку регулировать параметры своего головного мозга для решения разного рода задач. В частности, мю и бета ритмы часто используются в нейрообратной связи для распознавания движений или представления движений человеком. Для улучшения результатов работы нейрообратной связи предлагается выделить биомаркеры, классифицирующие движения человека, с помощью использования современных методов искусственного интеллекта. Использование методов искусственного интеллекта требует большую базу данных с записями электроэнцефалограмм. Для составления такой базы данных представляется интересным использовать математические модели нейрональной активности для генерации сигналов, аналогичных ЭЭГ. Разработка таких моделей также является актуальной задачей.
Установлено, что усложнение программы произвольного движения и активация непроизвольного внимания приводят к существенному увеличению сигналов в электроэнцефалограмме (ЭЭГ), позволяющих обнаружить намерение испытуемого совершить произвольное движение.
Применение методов машинного обучения к потенциалам мозга, вызванных стимулами в распространенном в психиатрии GO-NOGO тесте, позволило поставить правильный диагноз шизофрении у 91% пациентов из смешанной группы, состоящей из 200 обследованных испытуемых.
Таким образом, у психиатров могут появиться объективные, лабораторные критерии психических расстройств.
Выявлены биомаркеры усталости на основе анализа гемодинамического отклика мозга с использованием ближней инфракрасной спектроскопии в условиях длительной когнитивной нагрузки.
Субъективная оценка усталости коррелирует с усилением связей между теменной и лобной долями, а также коэффициентом кластеризации и эффективностью функциональной сети в лобно-теменной области.
Разработан программный комплекс для обработки различных сигналов ЭЭГ
и поиска зависимостей между этими сигналами, с помощью которого для рассматриваемого эксперимента была установлена зависимость между медленным дельта ритмом и всплесками и затуханиями быстрого гамма ритма.
Впервые получены математические условия синхронизации в моделях биологических нейронных сетей со связями диффузионного типа, учитывающие возможные временные задержки при передаче сигнала
от одной нервной клетки к другой. В качестве модели единичного нейрона использовалась модель Хиндмарша-Роуза, состоящая из трех нелинейных дифференциальных уравнений. Полученные результаты способны пролить новый свет на принципы и законы формирования синхронизации между нейронами в мозге человека или животного.
Продемонстрирована возможность оценивания параметров математических моделей биологических нейронов методами машинного обучения на примере модели ФитцХью-Нагумо, описываемой двумя дифференциальными уравнениями при неизмеряемости одной из переменных.
Полученные результаты расширяют возможности применения методов искусственного интеллекта в нейронауках.
Научная и практическая значимость представленных результатов определяется необходимостью развития исследований в области интерфейсов “мозг–компьютер” для разработки программ реабилитации пациентов с двигательными нарушениями, а также формирования принципиально нового канала коммуникации и управления электронными устройствами. Для этого необходим поиск нейрофизиологических биомаркеров, характеризующих состояния мозга человека при планировании и совершении различных типов двигательной активности, а также возможных путей улучшения распознавания потенциалов.
В ходе реализации проекта сформирована база данных записей электроэнцефалограмм, включающая записи электроэнцефалограммы 38 человек в возрасте от 18 до 43 лет. Были разработаны протоколы, позволяющие моделировать основные типы произвольных движений: простое и комплексное самоинициированное движение без целевого стимула, произвольное движение при опознании целевого стимула, движение с физической нагрузкой.
Проведено исследование возможных путей улучшения распознавания потенциалов, в связи с чем изучена зависимость между потенциалом готовности (ПГ) и процессами внимания, оказывающими активирующее действие на процессы подготовки движения. Установлено значительное увеличение амплитуды ПГ в условиях активации системы внимания в парадигме одд-болл. Предложенные способы усиления амплитуды ВП могут быть использованы в качестве метода улучшения качества различения одиночных вызванных потенциалов для разработки интерфейсов мозг-компьютер.
- Выделены участки потенциалов, связанных с событиями, в которых обнаруживаются наибольшие отклонения у испытуемых с диагнозом шизофрения от здоровых испытуемых
- Проведен ряд экспериментов с выделением признаков из потенциалов, связанных с событиями и последующим обучением моделей классификации на них. Значения чувствительности и специфичности для лучшей модели на перекрестной проверке составили 91% и 90.8% соответственно
- Проведен ряд экспериментов с удалением наименее значимых признаков что позволило улучшить обобщающую способность моделей
- Был осуществлен анализ модели, позволивший выделить признаки, в наибольшей степени отражающие факт наличия заболевания шизофрении у человека
- Был разработан программный комплекс, позволяющий осуществлять эксперименты подобного рода на других данных и с другими заболеваниями
- Выделены признаки из сигналов ЭЭГ, позволяющие детектировать одиночные вызванные потенциалы при самоинициированном движении
- Обучена и исследована модель машинного обучения, дающая точность 68% при детектировании вызванных потенциалах на одиночных эпохах
Предложен подход поиска и детектирования биомаркеров усталости на основе частотно-временного и сетевого анализа сигналов гемодинамического отклика головного мозга в условиях длительной когнитивной нагрузки. Показано, что субъективная оценка усталости коррелирует со следующими рассматриваемыми характеристиками: сила связи в теменной доле (r=-0.47); сила связи между теменной и лобной долями (r=-0.37); глобальный коэффициент кластеризации лобно-теменной кортикальной сети ( r=-0.33); глобальная эффективность в лобно-теменной кортикальной сети ( r=-0.33); Отметим, что наиболее сильная корреляционная взаимосвязь обнаружена между субъективной усталостью и силой связи в теменной доле. Такой результат прежде всего обусловлен особенностями экспериментального задания, которое в большей мере затрагивает процессы, связанные с быстрой обработкой сенсорной информации, в то время как когнитивная нагрузка является низкой.
Разработан программный модуль для обработки сигналов ЭЭГ [1]. Данный модуль позволяет производить фильтрацию рассматриваемых сигналов в желаемой полосе частот с помощью различных методов, а также строить огибающие быстрых сигналов.
С помощью данного модуля был проведен анализ взаимосвязей между медленным дельта-ритмом и быстрым гамма-ритмом для рассматриваемого эксперимента. Было показано, что дельта-ритм модулирует гамма-ритм с некоторой временной задержкой [2].
Полученные результаты способны пролить свет на принципы и законы формирования синхронизации между нейронами в мозге человека или животного [5, 6]. Кроме того,
хорошо известно, что формирование ритмов головного мозга напрямую связано с уровнем синхронизации нейронов и нейронных популяций между собой. Таким образом исследуемую сеть можно рассматривать как модель популяционной активности отдельных областей головного мозга, а также как модель для генерации сигналов ЭЭГ, соответствующих различным патологическим состояниям головного мозга.
Разработаны и исследованы теоретически и путем компьютерного моделирования алгоритмы идентификации параметров модели ФХН. Полученные результаты показывают, что построение системы адаптивного оценивания параметров для модели единичного нейрона ФитцХью-Нагумо (1) и применение к уравнениям наблюдателя метода скоростного градиента является эффективным способом определения значений параметров не только математически удобном случае случае измеряемости всех переменных и их производных, но и в гораздо более правдоподобной ситуации неизмеряемости обеих производных и переменной совокупного действия медленных ионных токов.
При работе с неизмеряемыми производными были использованы фильтры-дифференциаторы.
По результатам компьютерного моделирования можно сделать вывод о том, что адапторы во всех трёх исследованных случаях достаточно быстро производят настройку параметров.
Тем не менее, чем модель сложнее, тем скорость настройки меньше.
В рамках данного раздела рассмотрена проблема идентификации моделей биологических нейронов на примере модели Хиндмарш-Роуз. Предложено решение задач идентификации с измеряемым состоянием и идентификации по выходу при помощи адаптивных наблюдателей. Сформулированы и доказаны достаточные условия выполнения целей управления. Разработанные методы применены к задаче управления синхронизацией. Проведена компьютерная симуляция разработанных алгоритмов и проанализирована их применимость.
Все участники внесли равный вклад в работу по проекту (по 9.1%).
Проект посвящен разработке обучаемых математических моделей нейронной активности мозга человека и их применению для поиска биомаркеров состояний мозга человека с помощью методов искусственного интеллекта и экспериментальных исследований. Область проекта лежит на стыке математики, компьютерных наук и нейробиологических наук.
Проект направлен на разработку обучаемых математических моделей нейронной активности мозга человека и поиск биомаркеров различных состояний мозга человека на основе разработанных моделей с помощью методов искусственного интеллекта. Найденные биомаркеры могут применяться для разработки нейроинтерфейсов и реализации парадигмы нейрообратной связи для обучения испытуемых регулированию ритмов головного мозга для решения разного рода задач, например, задач когнитивной психологии, задач управления инвалидными колясками, мобильными робототехническими системами и т.п.
| Short title | GZ-2022 |
|---|
| Acronym | M1_2021 - 2 |
|---|
| Status | Finished |
|---|
| Effective start/end date | 1/01/22 → 31/12/22 |
|---|
