Бесплатный автореферат и диссертация по биологии на тему

Распознавание типа решаемой задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора

ВАК РФ 03.00.13, Физиология

Автореферат диссертации по теме "Распознавание типа решаемой задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора"

На правах рукописи

Иваницкий Георгий Алексеевич

РАСПОЗНАВАНИЕ ТИПА РЕШАЕМОЙ ЗАДАЧИ ПО НЕСКОЛЬКИМ СЕКУНДАМ ЭЭГ С ПОМОЩЬЮ ОБУЧАЕМОГО КЛАССИФИКАТОРА

03.00.13 - физиология

Автореферат диссертации на соискание ученой степени кандидата биологических наук

Москва-2006

Работа выполнена в Лаборатории высшей нервной деятельности человека Института высшей нервной деятельности и нейрофизиологии РАН

Научный руководитель:

Доктор медицинских наук, профессор, член-корреспондент РАН A.M. Иваницкий

Официальные оппоненты:

Доктор биологических наук, кандидат физико-математических наук, профессор A.A. Фролов

Доктор биологических наук, профессор А.Я. Каплан Ведущая организация:

ГИД РФ Институт медико-биологических проблем РАН

Защита диссертации состоится 7 июня 2006 г. в 14 часов на заседании Диссертационного совета Д-002.044.01 при Институте высшей нервной деятельности и нейрофизиологии Российской академии наук по адресу: 117485, Москва, ул. Бутлерова, 5а.

С диссертацией можно ознакомиться в библиотеке ИВНД и НФ РАН Автореферат разослан 2.С Р^- 2006 г.

Ученый секретарь Диссертационного совета ^

Доктор биологических наук и']^ О.Х. Коштоянц

Iftf^H ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

В последние годы изучение физиологических основ сознания и механизмов когнитивной деятельности человека приобретает все большую актуальность. Жизнь людей становится информационно-насыщенной, во многом благодаря активному проникновению сложных цифровых технологий в повседневную реальность. Исследования в области когнитивных наук актуальны по двум взаимосвязанным причинам. С одной стороны, глубокое понимание принципов работы мозга позволит создать (на бионической основе) информационные технологии более эффективные, чем ныне существующие. С другой стороны, такие технологии должны работать при тесном взаимодействии человека и «машины». По всей видимости, психика человека и внешние процессоры окажутся интегрированы в единое целое. Человек, как и прежде, будет принципиально управлять «машиной». Но в определенных условиях было бы полезно, если бы техника «умела» отслеживать (в реальном времени) происходящие в мозге человека психические процессы — с тем, чтобы повысить эффективность взаимодействия человека с «машиной» и минимизировать вероятность совершения человеком ошибки.

Известным маркером когнитивных процессов являются перестройки ритмов мозга, проявляющиеся в поверхностно регистрируемой электроэнцефалограмме (ЭЭГ) человека. Изучение ритмов мозга является одним из наиболее эффективных путей к пониманию принципов его работы. Этот подход использован и в настоящей работе. Поэтому ниже дан краткий анализ природы и функционального значения отдельных корковых ритмов. Ритмы гамма-частот 30-70 Гц) связывают с сенсорными процессами в специализированных отделах коры больших полушарий мозга (Eckhorn et ей., 2004; Engel & Singer, 2001). Ритмы бета-диапазона (« 13-30 Гц) считаются внутрикорковыми, их чаще всего связывают непосредственно с

РОС. НАЦИОНАЛЬНАЯ БИБЛИОТЕКА С.-Петербург оэ гообкт уЪ р

когнитивными актами, такими, например, как семантический анализ (Klimesch, 1997) или пространственное вращение фигур (Николаев, 1995). Ритмы альфа-диапазона («7-13 Гц), имеющие в некоторых случаях таламо-кортикальное происхождение (Lopes da Silva et al., 1980), а в других - чисто корковое (Lopes da Silva, 1991), соотносят с наиболее широким кругом психических процессов. Они, наряду с гамма-ритмом, могут выполнять функцию стробирования в сенсорных системах (Shevelev et al., 2000; Schanze & Eckhorn, 1997). Ритмы верхнего альфа-диапазона (~ 10-13 Гц) коррелированны с семантической памятью, а нижнего (~ 7-10 Гц) - с фазическим вниманием (Klimesch, 1997). Альфа-ритм связан с эмоциями: М.Б. Костюнина (1998) нашла, что частота его главного пика зависит от знака и силы эмоции; И.Р. Ильюченок (1996, 2001) показала, что ритмы в диапазоне 7-8 Гц чувствительны к эмоциональной окраске предъявляемых на экране компьютера слов. Ритмы тета-диапазона 4-7 Гц) имеют лимбико-кортикальный генез (Симонов, 1981; Miller, 1991), и потому можно ожидать, что они тесно связаны с мотивацией. В то же время, тета-ритм связан с процедурной памятью (Klimesch, 1997), что, очевидно, объясняется тем, что этот ритм находится под влиянием гиппокампа, а он, в свою очередь, играет ключевую роль в активации указанного вида памяти (Vargha-Khadem et al., 2001). Следует отметить, что границы между диапазонами ритмов условны и индивидуальны.

В самом общем смысле, ритмы мозга выполняют, по всей видимости, три взаимосвязанные функции: а) стробирование информационных потоков и перевод информации в дискретное представление во времени; б) удержание информационных паттернов в мозге путем их реверберации в петлях, включающих возбуждающие и тормозные синапсы (функция кратковременной памяти); в) интегрирование частной информации в целое за счет синхронизации реверберационных петель.

К настоящему времени разработано достаточно много методов анализа ритмической активности мозга. Наиболее простым и распространенным из

них является спектральное картирование. Во многих других случаях исследуется взаимодействие областей коры больших полушарий мозга на основе измерения синхронизации их ритмической активности. Толчком к развитию этого направления исследований послужили оригинальные работы М.Н. Ливанова, впервые в экспериментах на животных показавшего, что в функционально связанных областях коры происходит уравнивание частот ритмов (Ливанов, 1972). Для оценки степени синхронизации наиболее широко применяется функция когерентности (Ливанов и Свидерская, 1984; РейсЬе, 1997), но разработаны и другие методики, например, картирование внутрикорковых взаимодействий на основе подсчета количества совпадающих по частоте спектральных пиков в разных областях коры (Иваницкий, 1993).

Таким образом, выявлены ритмические корреляты многих когнитивных функций, но результаты, как правило, получены усреднением экспериментальных данных по многим испытуемым (или пациентам) и многим реализациям ЭЭГ для каждого из них.

Цель и задачи исследования

В свете сказанного, возникает вопрос: можно ли распознавать тип выполняемых человеком когнитивных заданий без усреднения ЭЭГ, т.е. в режиме времени, близком к реальному? Получение ответа на этот вопрос явилось целью настоящей работы.

Для достижения цели необходимо было решить следующие задачи:

1. Найти методы предварительной обработки сигнала ЭЭГ, позволяющие выделить параметры ритмов мозга, пригодные для распознавания типа выполняемых когнитивных заданий.

2. Подобрать оптимальный вид распознающей системы (обучаемого классификатора).

3. На основе экспериментальных данных выяснить, какие ритмические свойства ЭЭГ служат основой для распознавания типа когнитивной деятельности.

4. Определить степень воспроизводимости, сохранности во времени и индивидуальной вариабельности признаков характера когнитивной деятельности, основанных на частотных свойствах ЭЭГ,

5. Высказать предположения о возможной физиологической природе и функциональной роли характерных для разных типов когнитивной деятельности ритмов ЭЭГ.

Научная новизна

В работе впервые доказана возможность распознавания типа выполняемого человеком когнитивного задания на основе анализа единичных реализаций ЭЭГ длительностью в несколько секунд с надежностью порядка 85-90%. Впервые для этой цели применен обучаемый классификатор, в частности искусственная нейросеть. Впервые обнаружено, что осуществление когнитивной деятельности определенного типа сопровождается установлением в электрической активности мозга человека ритмических паттернов, характерных и специфичных для каждого данного вида когнитивной нагрузки и для каждого индивида. Впервые показана воспроизводимость характерных ритмических паттернов, в некоторых случаях спустя несколько месяцев после начального наблюдения.

Теоретическая и практическая значимость

Работа вносит вклад в изучение связи ритмов мозга с процессами мышления. Предложены гипотезы, позволяющие лучше понять роль в когнитивной деятельности человека таких составляющих психики, как память, внимание, эмоции и мотивация. Разработанная технология распознавания, помимо чисто методических достоинств (помехоустойчивость и высокое временное разрешение), имеет самостоятельную ценность как исследовательский инструмент: она позволяет

выделять основные ритмические признаки ментальных модальностей и находить соответствующие им типичные паттерны ЭЭГ.

В то же время, работа имеет выраженную практическую направленность. Созданная технология распознавания типа выполняемого задания позволит создать системы слежения за характером когнитивной деятельности человека в реальном времени, которые могут быть применены в сложных человеко-машинных комплексах, связанных с операторской деятельностью.

Положения, выносимые на защиту

1. Во время выполнения когнитивных заданий (в интервалах времени длительностью в несколько секунд) в электрической активности мозга человека устанавливаются характерные для каждого типа мышления и каждого индивида ритмические рисунки (паттерны).

2. Параметры характерных ритмических паттернов сохранны во времени и могут оставаться неизменными на протяжении нескольких месяцев.

3. Характерные ритмические паттерны отражают специфику мышления, а не степень интеллектуального напряжения.

4. С помощью обучаемого классификатора, например искусственной нейросети, можно распознавать тип выполняемых в уме заданий по устанавливающимся характерным ритмическим паттернам ЭЭГ. Надежность распознавания составляет в среднем около 85%, временное разрешение - порядка 3-5 секунд.

Апробация работы

Результаты работы были доложены на смотре «Важнейшие достижения» в ИВНД и НФ РАН в 1993 и 1996 гг., симпозиуме «Neurocomputers in Biology and Medicine» в 1993 г. в Токио, VIII международном конгрессе ISBET в 1997 г. в Цюрихе, международном симпозиуме «Электрическая активность мозга: математические модели и аналитические методы» в 1997 г. в Пущино, конференции «Гипокинезия: медицинские и психологические проблемы» в

1997 г. в Москве, конференции «Проблемы сознания» в 2004 г. в Москве, рабочем совещании «Samsung Forum» в 2004 г. в Москве, VIII Всероссийской научно-технической конференции «Нейроинформатика-2006» в 2006 г. в Москве, а также апробированы на совместном заседании Лаборатории высшей нервной деятельности человека, Лаборатории общей и клинической электрофизиологии головного мозга человека и Лаборатории психофизиологии в ИВНД и НФ РАН 15 марта 2006 г.

Объем и структура диссертации

Диссертация состоит из следующих основных разделов: введение, литературный обзор, методика, результаты, обсуждение результатов, выводы, список литературы (111 ссылок), приложение. Диссертация изложена на 96 страницах, содержит 10 таблиц и 17 рисунков.

МЕТОДИКА

Испытуемые, предъявляемые задания и ход экспериментов

В общей сложности проведено 34 опыта на 18 здоровых испытуемых в двух экспериментальных сериях. В первой серии экспериментов, проведенных в Лаборатории функций мозга в Кавасаки (Япония) в 1993 г., было поставлено 4 предварительных опыта на 4 испытуемых (для отладки методики) и 5 основных опытов на 5 испытуемых. Все испытуемые были правшами мужского пола в возрасте от 21 года до 42 лет (средний возраст 32 года), студентами технического университета или инженерами-электриками. Во второй серии экспериментов, проведенных в ИВНД и НФ РАН в 1997 г., было поставлено 11 предварительных опытов на 8 испытуемых и 28 основных на 13 испытуемых, которые были правшами мужского пола в возрасте от 24 до 42 лет (средний возраст 33 года), испытателями Института медико-биологических проблем - участниками многомесячного эксперимента по влиянию антиортостатической гипокинезии на организм

человека. В наших опытах испытуемые приняли участие до и после курса гипокинезии.

В первой экспериментальной серии испытуемым предъявляли на экране монитора компьютера задачи двух типов - арифметические и пространственные, примеры которых показаны на рис. 2; во второй серии -вербально-логические и пространственные, примеры которых приведены на рис 3. Задачи предъявляли в случайной последовательности с интервалами, равномерно случайно распределенными в пределах 15-20 с (в первой серии) или 5-9 с (во второй серии). Испытуемые сидели в кресле в темном помещении на расстоянии ~ 2 м от экрана монитора. В первой экспериментальной серии испытуемый произносил ответ вслух; во второй -обозначал ответ движением джойстика. Вторая серия экспериментов имела ряд дополнительных методических особенностей: осуществляли контроль правильности решения; провели уравнивание физических свойств стимула (яркости и цветности изображения) и степени трудности задач; предъявляли задания повышенной сложности (рис. 3, нижний ряд), которые случайным образом были включены в поток задач стандартной сложности; почти все испытуемые (12 из 13) приняли участие в одном или нескольких повторных опытах - через несколько дней и через несколько месяцев после первого опыта. В опыте предъявляли по 70 задач каждого типа (1-ая серия), по 75 обычных или по 60 обычных и по 20 сложных задач каждого типа (2-ая серия). Перед началом эксперимента испытуемый тренировался в решении задач до тех пор, пока не начинал решать их достаточно уверенно (для этого требовалось, как правило, около 20 попыток).

Регистрация данных

На протяжении всего опыта вели запись ЭЭГ от 14 накожных электродов, расположенных по системе 10-20 (F3, F4, СЗ, С4, РЗ, Р4, Ol, 02, F7, F8, ТЗ, Т4, Т5, Т6) с референтом на мочке уха и заземленным вертексным электродом. Использовали усилитель биопотенциалов Biotop (Япония) или

МесНсог (Венгрия). Записывали также электроокулограмму, электромиограмму мышц рта и технический канал, в который помещалась информация о номере задачи, времени предъявления и снятия стимула, правильности ответа и т.д. Сигнал ЭЭГ оцифровывали и хранили на жестком диске компьютера для последующей обработки

Рис. 2. Примеры заданий двух типов в первой экспериментальной серии. В арифметической задаче нужно произвести в уме два умножения и одно сложение и сказать ответ. В пространственной найти пару к фшуре, цвет которой задан меткой слева, и назвать искомую фигуру Парная фигура после ее вращения смешения и масштабирования должна дополнить опорную фигуру до квадрата Правильные ответы 1ля данных примеров 7!7 нижняя правая

Отбор данных и отстройка от артефактов

Из непрерывной записи ЭЭГ с помощью полуавтоматической программы вырезали отрезки, соответствовавшие решению задач в уме. В первой экспериментальной серии брали также отрезки длиной от 6 до 12 с, предшествовавшие предъявлению заданий Все полученные отрезки ЭЭГ визуально проверяли на наличие в них артефактов, отличных от глазодвигательного; загрязненные неглазодвигательными арюфактами отрезки отбраковывались. От глазодвигательных артефактов отстраивались с помощью специально разработанной процедуры, идея которой почерпнута из (ОгаПоп е/ а1., 1983).

Саша старше Васи н младше Пеги

Вася старше Пети ?

Саша младше Пет и не младше Васи

/Ль/**

Пеги не старше Саши и не eiapjue Васи ?

Рис. 3. Примеры заданий во второй экспериментальной серии. В вербально-логической задаче нужно определить, правильно ли второе утверждение. В пространственной - найти пару к светлой фигуре. Во всех случаях ответ дается движением джойстика. Верхний ряд - стандартные задачи; нижний - задачи повышенной сложности. Правильные ответы для данных примеров: нет, правая; нет, левая.

Формирование обучающей и контрольной выборок данных для целей классификации

Электроэнцефалографические данные подвергали классификации по типу решаемых задач. Эту процедуру проводили раздельно для разных испытуемых.

Полученные от испытуемого отрезки ЭЭГ разбивали на две выборки -обучающую и контрольную, которые могли быть составлены из данных, полученных в один и тот же день, либо из данных, полученных в разные дни. Последнее было возможно только во второй серии экспериментов, т.к. в первой серии каждый испытуемый принял участие только в одном опыте. Таким образом, во второй серии можно было выяснить, насколько хорошо

ь

классифицируются электроэнцефалографические данные, полученные в повторном опыте, классификатором, обученном на данных первого опыта.

Предобработка

На вход обучаемого классификатора подавались не сами оцифрованные сигналы ЭЭГ, а наборы чисел, полученные в результате их предварительной обработки. Основным методом предобработки было вычисление спектров мощности единичных реализаций ЭЭГ, конкретно - квадратов модуля быстрого преобразования Фурье (БПФ). Окно БПФ имело длительность 20,48 с или 16 с (в первой и второй экспериментальной сериях, соответственно). Если время решения задачи было короче окна БПФ, то лишние отсчеты заполнялись нулями, в противном случае отбрасывалось начало решения. Единичные спектры сглаживались тремя проходами трехточечного фильтра. Поскольку спектры вычислялись для каждого электрода, каждый отрезок ЭЭГ оказывался представлен набором из 14 единичных спектров. Такой набор детально описывал распределение ритмов ЭЭГ по поверхности скальпа.

В других вариантах предобработки полученные спектры подвергались огрублению в меньшей или в большей степени. Это приводило к дальнейшей редукции информации о ритмах мозга, содержащейся в исходных реализациях ЭЭГ. Нашей целью было выяснить, какой части информации о ритмах достаточно для успешной классификации данных. Это, в свою очередь, позволило понять, какие принципиальные свойства и параметры ритмов мозга различаются при разных видах когнитивной нагрузки.

В таблице 1 приведены методы предобработки, примененные в первой серии экспериментов.

Метод №1 описывает сигнал ЭЭГ только по мощности, №2 - по мощности и частоте, без учета топографии; №3 - по мощности и топографии, без учета частоты; №4 - по мощности, топографии и частоте, №4' - по топографии и частоте, без учета мощности; №5 - по степени

коррелированное™ сигнала в разных отведениях в трех частотных диапазонах. Во всех этих случаях описание по частоте грубое (с точностью до диапазонов). Наконец, метод №6 (основной) дает полное и детальное описание сигнала по всем параметрам - частоте, мощности и топографии - в исследованном частотном диапазоне 5-20 Гц. С ростом номера метода растет детальность описания ритмических свойств ЭЭГ. Полученные в результате предварительной обработки отрезков ЭЭГ описывающие их наборы чисел (длиной от 1 до 4326, в зависимости от метода) подавались на вход классификатора. В качестве последнего использовали либо искусственную нейронную сеть (ИНС), либо систему линейных уравнений.

Таблица 1. Методы предварительной обработки отрезков сигнала ЭЭГ в первой серии экспериментов.

№ Описание метода предобработки Кол-во параметров, описывающих отрезок ЭЭГ

1 Общая (суммарная по всем каналам) мощность отрезка ЭЭГ в диапазоне 5-20 Гц. 1

2 Общая мощность отрезка ЭЭГ в диапазонах 6, а, и ¡5 (5-8, 8-13, 13-20 Гц). 3

3 Распределение мощности по каналам (карта мощности) в диапазоне 5-20 Гц. 14

4 Распределения мощности по каналам (карты мощности) в диапазонах 9, а, и ($. 42

4' То же, что №4, но каждая карта нормирована на свое максимальное значение. 42

5 Коэффициенты кросс-корреляции между каналами в диапазонах в, а, и р. 273

6 Квадраты модуля преобразования Фурье от отрезка ЭЭГ (единичные спектры) в диапазоне 5-20 Гц для всех каналов. 4326

Во второй серии экспериментов использовали 4 метода предварительной обработки сигнала. Один из них, основной, был тождественен методу №6 в первой серии. В трех других выделяли главный пик альфа-диапазона и затем оставляли для его описания либо только частотную характеристику, либо только амплитудную, либо только пространственную.

Искусственная нейросеть

Нами применена простая двухслойная ИНС, описанная в литературе под названием "Pattern Associator" (Rumelhart, 1986); схема этой сети показана на рис. 3. Класс поданного на вход сети паттерна индицируется максимально активированным элементом выходного слоя.

Выходной (эффекгорный) слой элементов

Рис. 3. Схема двухслойной искусственной нейронной сети "Pattern Associator". Активность элементов нижнего слоя передается элементам верхнего слоя через связи переменной силы. Взвешенная сумма активирующих воздействий от нижних элементов связана с уровнем активации верхних элементов нелинейным образом, в результате чего последние могут принимать значения активации только в пределах от 0 до 1. Элемент верхнего слоя, приобретающий бблыпую активацию под действием входного паттерна, показывает класс распознаваемого объекта.

Сеть работает в двух основных режимах - обучения и тестирования. В первом случае на вход сети подаются паттерны, класс которых известен. Обучение состоит в настройке весов внутренних связей сети таким образом, чтобы класс обучающих паттернов определялся сетью правильно. При

тестировании обученная сеть классифицирует не известные ей данные из контрольной выборки. Эффективность классификации определяется процентом правильно распознанных тестируемых объектов. В первой серии экспериментов распознавали три ментальные модальности: решение испытуемым арифметических задач, решение пространственных задач и состояние ожидания нового задания. Во второй серии распознавали две модальности: решение вербально-логических задач и пространственных задач.

Все программное обеспечение было создано автором диссертации. Программы написаны на языке С под DOS.

РЕЗУЛЬТАТЫ

Среднее время решения арифметических и пространственных задач в первой серии экспериментов составило 11,0 с и 9,2 с, соответственно; стандартных вербально-логических и пространственных во второй серии -7,7 с и 7,5 с; усложненных задач тех же типов - 13,7 с и 9,4 с.

На рис. 4 показана зависимость процента правильного распознавания (ППР) типа решаемой задачи от метода предобработки в первой экспериментальной серии. В табл. 2 тот же результат детализирован и приведен для каждого испытуемого в отдельности.

Из рисунка и таблицы видно, что надежное распознавание на уровне в среднем около 85-90 % начинается с метода предобработки №4. Этот метод сохраняет информацию и о частотных (хотя и в огрубленном виде), и о пространственных, и о мощностных свойствах исходного ЭЭГ сигнала. Метод №4' отличается от метода №4 тем, что убирает мопщостную компоненту. На результат распознавания это не влияет.

Интересно отметить, что состояние покоя (ожидания) хорошо распознается даже по единственному параметру - общей мощности ЭЭГ сигнала. Этот факт, вероятно, говорит о том, что у всех пяти испытуемых состояние ожидания сопровождалось выраженным альфа-ритмом покоя.

Напротив, для распознавания активной когнитивной деятельности необходима информация одновременно о частотных и пространственных характеристиках ЭЭГ. Мощностные же характеристики сигнала в этом случае существенной роли не играют.

А

метод

Рис. 4. А: средние по испытуемым значения процента правильного распознавания в зависимости от метода предобработки. Б: стандартное отклонение (о) этих значений в группе испытуемых. Методы предобработки описаны в табл. 1 раздела «Методика».

Таблица 2. Процент правильного распознавания типа решаемой задачи по единичным отрезкам ЭЭГ для трех ментальных модальностей в первой серйи экспериментов. Приведены данные для всех пяти испытуемых, а также средние по испытуемым значения ППР и их разброс.

Испыт. Состо- Метод предобработки (см. табл. 1]

№ яние 1 2 3 4 4' 5 6

арифм. <>♦ 8* 44 84 84 88 80

1 просгр. 15* " 37* 82 78 82 89 82

(ар+прУ2 23 63 81 83 89 81

ожил 90 85 92 100 100 96 98

арифм. 44 61 83 81 75 83 72

2 □ростр. 71 77 67 78 89 73 78

(ар*прУ2 58 69 75 80 82 78 75

ожид. % 95 98 96 99 99 100

арифм. 61 80 98 100 98 98 96

3 просгр. 93 89 100 98 98 93 100

(чнируг 77 85 99 99 98 96 98

ожид. 99 99 100 99 100 100 100

арифм. 0», 27* 50 79 79 97 77

4 просгр. 58 81 72 89 89 94 100

(ар+яру2 29 54 61 84 84 96 89

ожид. 94 75 89 89 88 94 88

4>ифм •ж • 79 91 85 97 97

5 просгр. 100 64 73 73 85 91

(ар+лрУ2 18 50 72 82 79 91 94

ожид. 95 95 94 92 95 97 95

Средн. арифм. 21* 35* 71 87 84 93 84

по просгр. 55 77 77 83 86 87 90

испыт. (ар+прУ2 38 56 74 85 85 90 87

ожид. 95 90 95 95 96 97 96

Станд. арифм. 29 34 27 9 9 7 10

откл. просгр. 30 24 15 10 9 8 9

поисп. (арНц>У2 30 29 21 10 9 8 8

ожид. 3 10 14 5 5 12 4

* ППР ниже достоверно неслучайного, который для контрольной выборки из 35 паттернов, трех классов и уровня достоверности р™0,05 составляет 42,9%.

Во второй серии экспериментов классификация только по средней мощности главного пика альфа-диапазона (без учета его топографии и частоты), только по его средней частоте (без учета топографии и мощности) и только по топографии (без учета частоты и мощности) дала ППР либо ниже достоверно неслучайного (во втором и третьем случаях), либо вблизи порога достоверности (в первом случае). Классификация же по спектрам единичных реализаций ЭЭГ дала высокие значения ППР в большинстве случаев.

Если распознавание типа выполняемого задания проводилось в тот же день, что и обучение классификатора, то средний по испытуемым ППР для стандартных пространственных и вербально-логических и для усложненных пространственных и вербально-логических задач оказался равен, соответственно: 84,5±11,4; 88.8±9.1; 84.8+12.4; 93.6+5.7 %. При этом индивидуальные значения ППР, за исключением одного случая (одной ментальной модальности у одного человека), были выше порога достоверно неслучайной классификации (для 35 распознаваемых паттернов, двух классов и р=0,05 этот порог равен 60,0 %). Приведенные здесь и ниже цифры, относящиеся ко второй экспериментальной серии, даны для основного метода предварительной обработки, т.е. для спектров мощности единичных реализации ЭЭГ в диапазоне частот от 5 до 20 Гц. Следует отметить также, что во второй серии экспериментов обучение всегда проводилось на задачах стандартной сложности, а распознавались задачи обоих уровней сложности.

При распознавании новых записей ЭЭГ, полученных через несколько месяцев после первого опыта, испытуемые разделились на две группы. В первой группе (7 человек) ритмические признаки ментальных модальностей сохранились и ППР типа решаемой задачи был во всех случаях выше достоверно неслучайного. Во второй группе (5 человек) признаки не вполне сохранились и ППР был для некоторых ситуаций ниже достоверно неслучайного. Средние по первой группе испытуемых значения ППР были равны 82,2±9,0; 81,2±12,9; 91,5±6,5; 92,5±11,7 % для стандартных пространственных и вербально-логических, усложненных пространственных и вербально-логических задач, соответственно. Обращает на себя внимание тот факт, что усложненные задачи распознавались лучше, чем стандартные.

На рис. 5 приведены усредненные спектры отрезков ЭЭГ для одного из испытуемых. Усреднение спектров проводили по многим предъявлениям стимула, для каждого испытуемого и для каждого типа когнитивной деятельности раздельно. На графиках видно, что спектральные характеристики ЭЭГ отличны при решении пространственных и вербально-

логических задач. Некоторые характерные признаки ментальных модальностей обозначены стрелками. Обращают на себя внимание, например, ритм частотой -10,5 Гц в центральных и теменных отведениях, больше справа (стрелка S1), появляющийся при решении пространственных задач, и ритм частотой «9,4 Гц в право-височных отведениях при решении вербально-логических задач (стрелка S2).

На рис 6. даны спектры ЭЭГ при выполнении тех же двух типов заданий тем же испытуемым через три с половиной месяца. Видно, что спектры, полученные в разных опытах, имеют принципиально схожий вид и что основные признаки ментальных модальностей сохранены (стрелки S1 и S2).

С целью определить, присутствуют ли характерные ритмы на протяжении всего времени решения задачи или же появляются лишь в коротких временных интервалах, мы уменьшили эпоху анализа в тестируемых выборках до 4 с и поместили четырехсекундные окна в разные места отрезка ЭЭГ, соответствующего решению, а именно: в начало, в середину и в конец. Затем провели тестирование коротких эпох нейросетыо, обученной на полных отрезках ЭЭГ. При этом получили средний по испытуемым и типам задач ППР равный 84,5 ± 11,3%, 86,3 ± 10,8% и 87,1 ± 10,0 % для интервалов, помещенных в начало, середину и конец, соответственно. Эти цифры близки к значению ППР, полученному при тестировании полных отрезков (87,9 ± 9,6%). Результат говорит о тоническом характере изменения ритмов ЭЭГ при выполнении когнитивных заданий.

С целью определения диапазона частот, содержащего наиболее заметные признаки состояний, была проведена классификация в разных диапазонах частот (табл. 2). Из таблицы видно, что наиболее высокий средний по испытуемым ППР наблюдался в диапазоне 5-20 Гц, объединившим часть тета, а также альфа и бета диапазоны частот. Из трех последних, наивысшим и почти таким же, как и в более широком диапазоне 5-20 Гц, был ППР в альфа-диапазоне (8-13 Гц). ППР выше достоверно неслучайного наблюдался также в тета-диапазоне и обоих бета-диапазонах (в

бета-диапазонах - вблизи порога достоверности). В гамма-диапазоне ППР был ниже достоверно неслучайного. Таким образом, классификация преимущественно основывалась на анализе характерных ритмов альфа- и тета-диапазонов, и лишь в небольшой степени - бета-диапазонов.

Рис. 5. Усредненные спектры испытуемого №2 (вторая экспериментальная серия) для двух ментальных состояний в первом опыте. Темные кривые - вербально-логические задачи; светлые - пространственные. Стрелками показаны главные признаки состояний (см. текст).

Рис. 6. То же, что иа рис. 5, но в повторном опыте через 3,5 месяца после первого опыта. Основные спектральные признаки ментальных модальностей сохранились.

Таблица 10. Вторая экспериментальная серия. Зависимость результатов классификации от диапазона частот.

Диапазон частот, Гц ППР ± станд. откл.

5-20 87.9 ± 9.6

3- 8 71.9 ± 11.2

8-13 83.1 ± 12.4

13-18 62.9 ± 12.5 '

15-30 62.3 ± 9.5

30-45 57.2 ± 6.2

Примечания:

1. Таблица построена по результатам распознавания данных тех же исследований, из которых взяты данные для обучения («распознавание в тот же день»).

2. Приведены средние по испытуемым и по двум типам задач значения ППР.

3. Затемнением отмечен ППР ниже достоверно неслучайного уровня (60% для двух классов и 35 векторов).

ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Результаты проведенных экспериментов говорят о том, что во время выполнения испытуемыми когнитивных заданий различного типа в электрической активности их мозга устанавливаются определенные ритмические рисунки, которые мы назвали характерными ритмическими паттернами. Ритмический паттерн состоит из нескольких ритмов, каждый из которых характеризуется определенным распределением амплитуды и частоты по поверхности головы.

Выяснено, что характерные ритмы, образующие характерный ритмический паттерн, на протяжении всего когнитивного усилия носят тонический характер. В то же время, показано, что ритмы устанавливаются только на время выполнения задания и исчезают сразу по его завершении. Наибольшее значение для распознавания типа когнитивной деятельности по ритмам ЭЭГ имеют ритмы альфа-диапазона и (в меньшей степени) ритмы тета-диапазона. Ритмы бета-диапазона вносят небольшой вклад в процесс распознавания.

Характерные ритмы достаточно хорошо выражены для того, чтобы было возможно проводить распознавание типа выполняемого когнитивного задания по единичным реализациям ЭЭГ длиной в несколько секунд (начиная с 4 с) без усреднения данных. Такой результат оказался возможен во многом и благодаря тому, что для распознавания использовалась искусственная нейронная сеть, которая производит взвешенную оценку одновременно многих признаков классифицируемых объектов и потому имеет высокую помехоустойчивость.

Неизбежно возникает вопрос о физиологической природе и функциональной роли наблюдаемых характерных ритмических паттернов, сопровождающих выполнение когнитивных заданий различных типов. Полученные результаты позволили нам выдвинуть гипотезу, согласно которой характерные ритмы отражают неспецифические сопроводительные

процессы, такие как внимание, активация краткосрочной и среднесрочной памяти, мотивация, установление определенного эмоционального фона. Когнитивное задание определенного профиля у каждого индивида приводит к установлению характерной комбинации этих неспецифических процессов. Это позволяет решить стандартную задачу эффективно и в привычном режиме. Комбинацию сопроводительных процессов можно назвать «спектром» этих процессов. Пользуясь такой терминологией, можно сказать, что «спектры» сопровождающих неспецифических процессов находят свое отражение в частотных спектрах соответствующих отрезков ЭЭГ. Следует отметить, что, хотя мы условно называем сопроводительные процессы «неспецифическими», их «спектр» высоко специфичен как для каждого рода когнитивной деятельности, так и для каждого индивида.

Характерные ритмические паттерны высоко индивидуальны. Способность индивида к установлению определенного ритмического рисунка ЭЭГ при осуществлении им определенного вида когнитивной деятельности составляет «электроэнцефалографический портрет» его личности. Как показывают результаты экспериментов, этот «портрет» устойчив во времени и во многих случаях сохраняется на протяжении нескольких месяцев.

В пользу сопроводительной, неспецифической природы характерных ритмов говорят следующие факты:

1. Наибольший вклад в распознавание дают ритмы тета- и альфа-диапазонов частот. Как было сказано в первом разделе автореферата, литературные данные свидетельствуют о том, что эти ритмы ответственны преимущественно за процессы внимания, памяти, эмоций и мотивации.

2. На притяжении всего когнитивного усилия ритмы носят тонический характер. В то же время, очевидно, что время выполнения отдельных когнитивных операций (таких, например, как семантический анализ или пространственное вращение) много меньше времени выполнения всего задания. Процесс решения задачи состоит из нескольких этапов, и электрофизиологические процессы, которые отражают эти этапы, должны

претерпевать изменения. Напротив, неспецифические процессы общего характера (внимание, память, эмоции, мотивация) выполняют поддерживающую функцию на протяжении всего когнитивного усилия. 3. Данные, полученные на одном из наших испытуемых во второй серии экспериментов, свидетельствуют, что малая выраженность характерных ритмов не обязательно означает малую эффективность когнитивной деятельности. На рис. 7 приведены соответствующие усредненные спектры, которые оказались близки для двух различных ментальных модальностей. Именно для этого испытуемого ППР типа решаемой задачи был ниже достоверно неслучайного в одном из случаев. Тем не менее, среднее время решения задач этим испытуемым было невелико (5,6 с и 6,6 с для пространственных и вербально-логических задач), что меньше среднего по группе, а процент верно решенных задач высок (92% и 99%, соответственно), что лучше среднего уровня.

Возникает вопрос: можно ли найти электроэнцефалографические ритмические корреляты собственно (специфических) когнитивных процессов? Литературные ссылки, приведенные в начале реферата, позволяют положительно ответить на этот вопрос. Но, во-первых, все такие процессы выделяются, как уже было сказано, только в результате массового усреднения данных; а, во-вторых, большинство из этих ритмических процессов авторы работ нашли в бета-диапазоне частот.

Остановимся на перспективах применения разработанной методики на практике. Здесь мы видим два возможных подхода. Первый связан с вопросом: насколько (упомянутый выше) индивидуальный «электроэнцефалографический портрет» личности в действительности устойчив и насколько подвержен изменению под действием стрессирующих факторов, физической и психической патологии. Детальная разработка этого вопроса могла бы дать метод объективного контроля готовности оператора к эффективному выполнению им (ею) своих производственных обязанностей.

Второй подход связан с возможностью отслеживать род когнитивной деятельности в реальном времени, например в процессе пилотирования.

70 >ЛГ/Нг

5.00 Нх 15.00

Р8

Т4

Т6

Рис. 7. Пример близких ритмических характеристик ЭЭГ при выполнении когнитивных заданий разных типов. Темные кривые - вербально-логические задачи; светлые -пространственные.

ВЫВОДЫ

1. В процессе выполнения когнитивных заданий в электрической активности мозга человека появляются характерные ритмы тета-, альфа- и бета-диапазонов. Совокупность одновременно присутствующих ритмов образует характерный пространственно-частотный паттерн ЭЭГ.

2. Паттерны специфичны для разных типов когнитивной деятельности и высоко индивидуально-специфичны. Способность индивида к установлению определенных ритмических паттернов ЭЭГ при

выполнении им определенных когнитивных заданий составляет «электроэнцефалографический портрет» его личности.

3. «Электроэнцефалографический портрет» устойчив во времени, во многих случаях он сохраняется неизменным в течение нескольких месяцев.

4. Характерные ритмы имеют тоническую природу и присутствуют на протяжении всего когнитивного усилия, но сразу по окончании выполнения задания они исчезают.

5. Задачи одного типа, но разных уровней сложности, приводят к установлению сходных паттернов. Характерные ритмические паттерны отражают специфику мышления, а не степень интеллектуального напряжения.

6. Можно предположить, что характерные ритмы отражают «неспецифические» процессы, которые сопровождают собственно когнитивные операции (как, например, семантический анализ или пространственное вращение). Примерами «неспецифических» процессов могут служить процессы памяти, внимания, а также эмоции и мотивация. Установление на время когнитивного усилия привычной комбинации сопроводительных процессов помогает человеку быстро и надежно выполнить стандартное задание.

7. Применение обучаемого классификатора, производящего взвешенную оценку одновременно нескольких признаков ЭЭГ, позволяет распознавать тип выполняемого задания с надежностью > 85 % по единичным реализациям ЭЭГ длительностью в несколько секунд, т.е. в режиме времени, близком к реальному. Этот результат может быть использован в практических целях.

ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ

1. Николаев А.Р., Анохин А.П., Иваницкий Г.А., Кашеварова О.Д., Иваницкий А.М. (1996) Спектральные перестройки ЭЭГ и организация

корковых связей при пространственном и вербальном мышлении. ЖВНДим. И.П.Павлова. Т. 46, с. 831-848.

2. Иваницкий Г.А. (1997) Распознавание типа решаемой в уме задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора.

' ЖВНД им. И.П.Павлова. Т. 47, с. 743-747.

3. Иваницкий Г.А., Николаев А.Р., Иваницкий А.М. (1997) Использование искусственных нейросетей для распознавания типа мыслительных операций по ЭЭГ. Журнал авиакосмической и экологической медицины. Т. 31, с. 23-28.

4. Musha Т., Terasaki Yu., Haque И.A., Ivanitsky G.A. (1997) Feature extraction from EEG associated with emotions. Artificial Life Robotics. V. 1, p. 15-19.

5. Николаев A.P., Иваницкий Г.А., Иваницкий A.M. (1998) Воспроизводящиеся паттерны альфа-ритма ЭЭГ при решении психологических задач. Физиология человека. Т. 24, с. 1-8.

6. Николаев А.Р., Иваницкий Г.А., Иваницкий А.М. (2000) Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций. ЖВНДим. И.П.Павлова. Т. 50, с. 44-61.

7. Nikolaev A.R., Ivanitsky G.A., Ivanitsky А.М., Posner M.I., Abdullaev Ya.G. (2001) Correlation of brain rhythms between frontal and left temporal (Wernicke's) cortical areas during verbal thinking. Neurosci Lett. V. 298, p. 107-110.

8. Ivanitsky A.M., Nikolaev A.R., Ivanitsky G.A. (2001) Cortical connectivity dining word association search. Int. J. Phsychophysiology. V. 42, p. 35-53.

9. Иваницкий Г.А., Николаев A.P., Иваницкий A.M. (2002) Взаимодействие лобной и левой теменно-височной коры при вербальном мышлении. Физиология человека. Т. 28, с. 5-11.

\0.Иваницкий А.М., ИлыоченокИ.Р., Иваницкий ГЛ. (2003) Избирательное внимание и память - вызванные потенциалы при

конкуренции зрительных и слуховых словесных сигналов. Журн. высш. нервн. деят. Т. 53, с. 541-551.

11 .Медведев C.B., РудасМ.С., Пахомов C.B., Иваницкий А.М.,

Ильюченок И.Р., Иваницкий Г.А. (2003) Механизмы избирательного внимания при конкуренции зрительной и слуховой речевой информации: исследование методами позитронно-эмиссионной томографии и вызванных потенциалов мозга. Физиология человека. Т. 29, с. 115-124.

Отпечатано в типографии ООО «Гипрософт» г. Москва, Ленинский пр-т, Д.37А Тираж 80 экз.

лдш. IP- 88 24

Содержание диссертации, кандидата биологических наук, Иваницкий, Георгий Алексеевич

ВВЕДЕНИЕ.

ЛИТЕРАТУРНЫЙ ОБЗОР.

РИТМЫ МОЗГА И ИХ ФУНКЦИОНАЛЬНАЯ РОЛЬ.

Основные гипотезы о функциональной роли ритмов мозга.

Роль ритмов мозга в сенсорных процессах.

Роль ритмов мозга в процессах внимания и памяти.

Связь ритмов мозга с эмоциями.

Связь ритмов мозга с процессами в лимбической системе.

Роль ритмов мозга в осуществлении моторных актов.

Ритмические паттерны при когнитивной деятельности.

Искусственные нейросети в нейрофизиологических исследованиях.

История возникновения методологии искусственных нейронных сетей.

Наиболее известные типы искусственных нейросетей.

Применение ИНС для анализа ЭЭГи ПСС.

МЕТОДИКА

Испытуемые, характер предъявляемых задач и ход эксперимента.

Регистрация данных.

Отбор данных и отстройка от артефактов.

Формирование обучающей и контрольной выборок данных для целей классификации

Предобработка.

Распознавание типа данных с помощью обучаемого классификатора.

Искусственная нейросеть.

Использование системы линейных уравнений для классификации данных.

Усредненные спектры.

РЕЗУЛЬТАТЫ.

Первая серия экспериментов.

Результаты, полученные при применении ИНС в качестве обучаемого классификатора

Результаты, полученные при использовании линейной системы уравнений в качестве обучаемого классификатора.

Применение обучаемого классификатора для очистки выборки.

Вторая серия экспериментов.

ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ.

Заключение Диссертация по теме "Физиология", Иваницкий, Георгий Алексеевич

Выводы

1. В процессе выполнения когнитивных заданий в электрической активности мозга человека появляются характерные ритмы тета-, альфа- и бета-диапазонов. Совокупность одновременно присутствующих ритмов образует характерный пространственно-частотный рисунок (паттерн) ЭЭГ.

2. Паттерны специфичны для разных типов когнитивной деятельности и высоко индивидуально-специфичны. Способность индивида к установлению определенных ритмических паттернов ЭЭГ при выполнении им определенных когнитивных заданий составляет «электроэнцефалографический портрет» его личности.

3. «Электроэнцефалографический портрет» устойчив во времени, в некоторых случаях он сохраняется неизменным в течение нескольких месяцев.

4. Характерные ритмы имеют тоническую природу и присутствуют на протяжении всего когнитивного усилия, но сразу по окончании выполнения задания они исчезают.

5. Задачи одного типа, но разных уровней сложности, приводят к установлению сходных паттернов. Характерные ритмические паттерны отражают специфику мышления, а не степень интеллектуального напряжения.

6. Можно предположить, что характерные ритмы отражают «неспецифические» процессы, сопровождающие собственно когнитивные операции. Примерами «неспецифических» процессов могут служить процессы памяти, внимания, а также эмоции и мотивация. Установление на время когнитивного усилия привычной комбинации сопроводительных «неспецифических» процессов помогает человеку быстро и надежно выполнить стандартное задание.

7. Применение обучаемого классификатора, производящего взвешенную оценку одновременно нескольких признаков ЭЭГ, позволяет распознавать тип выполняемого задания с надежностью > 85 % по единичным реализациям ЭЭГ длительностью в несколько (начиная с 3-5) секунд, т.е. в режиме времени, близком к реальному. Этот результат может быть использован в практических целях.

Программное обеспечение, использованное в работе

Практически все компьютерные программы, использованные в работе, были написаны нами самостоятельно на языке С под DOS. Исключение составили лишь некоторые стандартные подпрограммы - например, подпрограмма быстрого преобразования Фурье или подпрограмма разложения матрицы по сингулярным значениям, примененная при решении системы линейных уравнений, когда последняя выступала в качестве обучаемого классификатора. Эти подпрограммы были взяты из «Книги прикладных программ на С» (Press et al., 1994).

В процессе выполнения работы, представленной в диссертации, были созданы программы для предъявления стимулов, регистрации ЭЭГ, отстройки от артефактов, анализа спектров, сегментации записи ЭЭГ, классификации данных (в т.ч. эмулятор искусственной ней-росети) и другие.

В последнее время в своей работе исследователи все чаще прибегают к использованию готовых коммерческих программных продуктов, которые обладают несомненными достоинствами, главное из которых-удобный и красивый пользовательский интерфейс. Важно и то, что коммерческие программы создаются профессиональными программистами, математиками или глубокими специалистами в какой-либо конкретной области. Мы, однако, до сих пор видим пользу в создании «самодельных» компьютерных программ, которые разрабатываются под конкретные нужды и идеи непосредственно в лабораториях, где проводятся исследования. Конечно, такой подход влечет за собой большие траты времени и сил, которые могут показаться непроизводительными. Однако, полное владение инструментом анализа научных данных (а таким инструментом ныне являются, по большей части, компьютерные программы) дает исследователю самое главное - свободу в выборе путей научного поиска. Пользование же готовым продуктом привязывает исследователя к уже разработанным методам, тем самым часто обрекая его на вторичность результатов.

Разумеется, готовые коммерческие программные продукты успешно справляются со многими стандартными задачами (такими, например, как регистрация ЭЭГ или построение ПСС). Очевидно, ныне нет смысла тратить время на дублирование этих стандартных функций. С другой стороны, есть много примеров, когда принципиально новые наблюдения были сделаны с использованием традиционных методов анализа и готовых компьютерных программ (Sysoeva et al. 2005). И все же, иметь возможность разрабатывать собственные методы полезно.

Библиография Диссертация по биологии, кандидата биологических наук, Иваницкий, Георгий Алексеевич, Москва

1. Болдырева Г.Н. (2000) Электрическая активность мозга человека при поражении диэн-цефальных и лимбических структур. М.: Наука, 2000.

2. Данилова H.H. (1985) Функциональные состояния: механизмы и диагностика. М: Изд-во МГУ, 1985. 287 с.

3. Иваницкий А.М. (1976) Мозговые механизмы оценки сигналов. М: Медицина, 1976.

4. Иваницкий А.М., Стрелец В.Б., Корсаков ИЛ. (1984) Информационные процессы мозга и психическая деятельность. М.: Наука, 1984

5. Иваницкий A.M. (1993) Фокусы взаимодействия, синтез информации и психическая деятельность. Журн. высш. нервн. деят. Т.43, с. 19-227.

6. Ильюченок И.Р. (1996) Различие частотных характеристик ЭЭГ при восприятии положительно-эмоциональных, отрицательно-эмоциональных и нейтральных слов. Журн. высш. нервн. деят. Т. 46, с. 457-468.

7. Ильюченок И.Р., Савостьянов А.Н., Валеев Р.Г. (2001) Динамика спектральных характеристик тета- и альфа-диапазонов ЭЭГ при негативной эмоциональной реакции. Журн. высш. нервн. деят. Т. 51, с. 563-571.

8. Каменкович В.М., Барк Е.Д., Шевелев ИЛ., Шараев ГЛ. (1997) Связь зрительных иллюзий с частотой и фазовым сдвигом ритмической фотостимуляции, синхронизованной с альфа-волной ЭЭГ. Журн. высш. нервн. деят. Т. 47, с. 461-468.

9. Каплан АЛ. (1999) Проблема сегментного описания электроэнцефалограммы человека. Физиология человека. Т. 25, с. 125-133.

10. Каплан АЛ., Борисов С.В. (2003) Динамика сегментных характеристик альфа-активности ЭЭГ человека в покое и при когнитивных нагрузках. Журн. высш. нервн. деятельности. Т. 53, с. 22-23.

11. Корн Г., Корн Т. (1978) Справочник по математике для научных работников и инженеров. М.: Наука, 1978, § 18.4-9.

12. Костюнина М.Б. (1998) Энцефалограмма человека при мысленном воспроизведении эмоционально-окрашенных событий. Журн. высш. нервн. деят. Т. 48, с. 213-221.

13. Лебедев А.Н., Скопинцева НЛ., Бычкова Л.П. (2002) Связь памяти с параметрами электроэнцефалограммы. В книге: Современная психология. 4.1, М.: ИПРАН, 2002.

14. Ливанов М.Н. (1972) Пространственная организация процессов головного мозга. М.: Наука, 1972.

15. Ливанов М.Н., Свидерская Н.Е. (1984) Психологические аспекты феномена пространственной синхронизации потенциалов. Психол. журнал. Т. 5, с. 71-83.

16. Николаев А.Р. (1994) Исследование этапов мысленной ротации сложных фигур методом картирования внутрикоркового взаимодействия. Жури. высш. нервн. деят. Т. 44, с. 441447.

17. Николаев А.Р. (1995) Корковые механизмы невербального мышления на модели решения пространственных задач. Диссертация на соискание ученой степени кандидата медицинских наук. Москва, 1995.

18. Николаев А.Р., Иваницкий ГЛ., Иваницкий A.M. (2000) Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций. Жури, высш. нервн. деят. Т. 50, с. 44-61.

19. Свидерская Н.Е. (1987) Синхронная электрическая активность мозга и психические процессы. М.: Наука, 1987.

20. Симонов П.В. (1981) Эмоциональный мозг. М.: Наука, 1981.

21. Фролов АЛ., Муравьев И.П. (1988) Информационные характеристики нейронных сетей. М.: Наука, 1988.

22. Шарова Е.В., Образцова Е.Р., Зайцев О.С., Куликов М.М., Ураков С.В. (2001) Особенности ЭЭГ при посттравматическом Корсаковском синдроме. Ж. неврологии и психиатрии им. С.С. Корсакова. Т. 101, с. 32-38.

23. Шевелев ИЛ. (2001) Волновые процессы в коре мозга и зрительное восприятие. Природа. №12 за 2001 г., с. 28-35.

24. Шевелев ИЛ., Костелянец Н.Б., Каменкович В.М., Шараев ГЛ. (1991) Опознание движения и альфа-волна ЭЭГ. Сенсорные системы. Т. 5, с. 54-59.

25. Abeyratne U.R., Kinouchi К, OkiH., Okada J., Shichijo F., Matsumoto К. (1991) Artificial neural networks for source localization in the human brain. Brain Topogr. V. 4, p. 3-21.

26. Abeyratne U.R., Zhang G., Saratchandran P. (2001) EEG source localization: a comparative study of classical and neural network methods. Int. J. Neural Syst. V. 11, p. 349-360.

27. Bankman I.N., Sigilliti KG., Wise ILA., Smith P.L. (1992) Feature-based detection of the K-complex wave in the human electroencephalogram using neural networks. IEEE Trans. Biomed. Eng. V. 39, p. 1305-1310.

28. Ba$arE., GonderA., Ozesmi C., Ungan P. (1975) Dynamics of brain rhythmic and evoked potentials. Biol. Cybern. V. 20, p. 137-169.

29. Ba§ar E., Durusan R., GonderA., Ungan P. (1977) Human alpha response to photic stimuli. Electroencephalogr. Clin. Neurophysiol. V. 43, p. 500-501.

30. Ba§ar E., Schurmann M., Ba§ar-Eroglu C., Karaka§ S. (1997) Alpha oscillations in brain functioning: an integrative theory. Int. J. Psychophysiol. V. 26, p. 5-21.

31. BergerH. (1929) Ober das Elektrenkephalogramm des Menschen. Arch. Psychiat. Nervenkr. V. 87, p. 527-570.

32. Burgess A.P., Gruzelier J.H. (1993) Individual reliability of amplitude distribution in topographical mapping of EEG. Electrenceph. Clin. Neurophysiol. V. 86, p. 218-223.

33. Burgess A.P., Gruzelier J. (1997) How reproducible is the topographical distribution of EEG amplitude? Int. J. Psychophysiol. V. 26, p. 113-119.

34. EngelA.K.f Singer W. (2001) Temporal binding and the neural correlations of sensory awareness. Trends in cognitive sciences. V. 5, p. 16-26.

35. Fink A., GrabnerR.il., Neuper C., NeubauerA.C. (2005) EEG alpha band dissociation with increasing task demands. Cognitive Brain Research. V. 24, p. 252-259.

36. Ford J.M., Mathalon D.H. (2004) Schizophrenia and hallucinations: evidence from event related brain potentials and functional magnetic resonance imaging. Int. J. Psychophysiol. V. 54, p. 3.

37. Fukuda O., Tsuji T., Kaneko M. (1995) Pattern classification of EEG signals using a log-linearized Gaussian mixture neural network. Proc. IEEE Int. Conf. Neural Networks, Perth Western Australia, 27 Nov-1 Dec, 1995. pp. 2479-2484.

38. GaborA.J., Leach R.R., Dowla F.U. (1996) Automated seizure detection using a self-organizing neural network. Electroencephalography and Clinical Neurophysiology. V. 99, p. 257-266.

39. Gevins A., Leong H., Smith M.E., Le J., Du R. (1995) Mapping cognitive brain function with modern high-resolution electroencephalography. Trends Neurosci. V. 18. p. 429-436.

40. GevinsA.S.f Smith M.E. (1997) Detecting transient cognitive impairment with EEG pattern recognition method. Aviation and Space Environmental Medicine. V. 70, p. 1028-1024.

41. Gratton G., Coles M.G.H., Donchin E. (1983) A new method for off-line removal of ocular artifact. Electroencephalography and Clinical Neurophysiology. V. 55, p. 468-484.

42. Hari R., Salmelin R., Makela J.P., Salenius S, Helle M. (1997) Magnetoencphalographic cortical rhythms. Int. J. Psychophysiol V. 26, p. 51-62.

43. Salmelin R., Mamalainen M., Kajola M., HariR. (1995) Functional segregation of movement-related rhythmic activity in the human brain. Neuroimage. V. 2, p. 237-243.

44. Hebb D.O. (1949) The organization of behavior. New-York: Wiley, 1949.

45. Heller W. (1993) Neuropsychological mechanisms of individual differences in emotion, personality, and arousal. Neuropsychology. V.7., p. 476 -489.

46. Hinton G.E., Sejnowsky T.J., Ackley D.H. (1984) Boltzmann machines: Constraint satisfaction networks that learn. Tech. Rep. CMU-CS-84-119. Pittsburgh: Carnegie-Mellon University, Department of Computer Science.

47. Hoppensteadt F.C., Izhikevich E.M. (1996) Synaptic organization and dynamical properties of weakly connected neural oscillators. Biol. Cybern. V. 75, p. 117-135.

48. Hopfield J.J. (1982) Neural networks and physical systems with emergent collective computational abilities. Proc. Nat. Acad. Sci. USA. V. 79, p. 2554-2558.

49. Huang J.W., Lu Y.Y., NayakA., RoyR.J. (1999) Depth of anesthesia estimation and control. IEEE Transactions on Biomedical Engineering. V. 46, p. 71-81.

50. Huuponen E., VarriA., Himanen S.L., Hasan J., Lehtokangas M., Saarinen J. (2000) Autoassociative MLP in sleep spindle detection. J. Med. Syst. V. 24, p. 183-193.

51. Kaplan A.Ya., Byeon J-G., Lim J-J., Jin K-S., ParkB-W. (2005) Unconscious operant conditioning in the paradigm of brain-computer interface based on color perception. Intern. J. Neuroscience. V. 115, p. 781-802.

52. Klimesch W. (1997) EEG-alpha rhythms and memory processes. Int. J. Psychophysiol. V. 26, p. 319-340.

53. Kohonen T. (1995) Self-Organizing Maps. Springer-Verlag, Heidelberg, 1995.

54. Lashley K.S. (1950) In search of the engram. In: Society of experimental biology symposium No. 4: Psychological mechanisms of animal behavior. London: Cambridge University Press, 1950. p. 478-505.

55. Lopes da Silva F.H., Vos J.E., Mooibroek J., Van Rotterdam A. (1981) Relative contributions of intracortical and thalamocortical processes in the generation of alpha rhythms, revealed by partial coherence analysis. EEG Clin. Neuroph. V. 50, p. 449-456.

56. Lopes da Silva F. (1991) Neural mechanisms underlying brain waves: from neural membranes to networks. EEG Clin. Neuroph. V.79, p. 81-93.

57. Maltseva I.V., Masloboev Y.P. (1997) Alpha rhythm parameters and short memory span. Int. J. Psychophysiol. V. 26, p. 369-380.

58. Miller R. (1991) Cortico-hippocampal interplay and the representation of contexts of the brain. Springer Verlag, Berlin Heidelberg New York, 1991.

59. Miller A.S., BlottB.H., Harnes T.K. (1992) Review of neural network applications in medical imaging and signal processing. Medical and Biological Engineering and Computing. V. 30, p. 449-464.

60. Mitra S., Sarbadhikan S.N., Pal S.K. (1996) An MLP-based model for identifying qEEG in depression. Int. J. Biomed. Comput. V. 43, p. 179-187.

61. Murthy V.N., Fetz E.E. (1992) Coherent 25- to 35-Hz oscillations in the sensorimotor cortex of awake behaving monkeys. Proc. Natl. Acad. Sei. US A.Y. 89, p. 5670-5674.

62. NashmiR., Mendonca A.J., MacKay JKA. (1994) EEG rhythms of the sensorimotor region during hand movements. Electroencephalogr. Clin. Neurophys. V. 91, p.456-467.

63. Niedermeyer N. (1997) Alpha rhythms as physiological and abnormal phenomena. Int. J. Psychophysiol. V. 26, p. 31-49.

64. Peltoranta M., Pfurtscheller G. (1994) Neural network based classification of non-averaged event-related EEG responses. Medical & Biological Engineering & Computing. V. 32, p. 189196.

65. Penny W.D., Roberts S.J. (1999) EEG-based communication via dynamic neural network models. Proc. Int. Joint Conf. Neural Networks, 1999. p. 5.

66. Peters B.O., Pfurtscheller G., FlyvbjergH. (1998) Mining multi-channel EEG for its information content: an ANN-based method for a brain-computer interface. Neural Networks. V. 11, p. 1429-1433.

67. Peters B.O., Pfurtscheller G., FlyvbjergH. (2001) Automatic differentiation of multichannel EEG signals. IEEE Trans. Biomed. Eng. V. 48, p. 111-116.

68. Petrosian A~A., Prokhodov D. V., Lajara-Nanson W., Schiffer R.B. (2001) Recurrent neural network based approach for early recognition of Alzheimer's disease in EEG. Clinical Neurophysiology. V. 112, p. 1378-1387.

69. Petsche H., Kaplan S., von Stein A., Filz O. The possible meaning of the upper and lower alpha frequency ranges for cognitive and creative tasks. Int. J. Psychophysiol. V. 26, p. 77-97.

70. Pitts W., McCulloch tV.S. (1947) How we know universals: the perception of auditory and visual forms. Bull. Math. Biophys. V.9, p.127-147.

71. Pfurtscheller G., Klimesch W. (1992) Event-related synchronization and desynchronization of alpha and beta waves in cognitive tasks. In: Basar E., Bullock T.H. (Eds). Induced rhythms in the brain. Birkhauser, Boston, 1992.

72. Pfurtscheller G., Flotzinger D., Mohl W., Peltoranta M. (1992) Prediction of the side of hand movements from single trial multi-channel EEG data using neural networks. Electroencephalogr. Clin. Neurophysiol. V. 82, p. 313-315.

73. Pfurtscheller G., Neuper Ch., Andrew C., Edlinger G. (1997) Foot and hand area mu rhythms. Int. J. Psychophys. V. 26, p. 121-135.

74. Pfurtscheller G., Lopes da Silva F.H. (1999) Event-related EEG/MEG synchronization and de-synchronization: basic principles. Clin. Neurophysiol. V. 110, p. 1842-1857.

75. Press W.H., Teukolsky SA., Vettering W.T., FlanneryB.P. (1994) Numerical Recipes in C. The art of scientific computing. Second edition. Cambridge University Press, 1994.

76. Robert C., Karasinski P., NatowitzR., LimogeA. (1996) Adalt rat vigilance states discrimination by artificial neural network using a single EEG channel. Physiology & Behavior. V. 59, p. 1051-1060.

77. Robert C., Gaudy J.F., LimogeA. (2002) Electroencephalogram processing using neural networks. Clinical Neurophysiology. V. 113, p. 694-701.

78. Rosenblatt F. (1958) The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychol. Rev. V. 65, p. 386-408.

79. Rosenblatt F. (1962) Principles of neurodynamics. New-York, Spartan, 1962.

80. Rdschke J., Fell J., Mann K. Non-linear dynamics of alpha and theta rhythm: correlation dimensions and Lyapunov exponents from healthy subject's spontaneous EEG. Int. J. Psycho-physiol. V. 26, p. 251-261.

81. Rougeul-Buser A., Buser P. (1997) Rhythms in the alpha band in cats and their behavioral correlates. Int. J. Psychophysiol. V. 26, p. 191-203.

82. Rumelhart D.E., Hinton C.E., Williams R.J. (1986 a) Learning representations by back-propagating errors. Nature. V. 323, p. 533-536.

83. Rumelhart D.E., McClelland J.L., and the PDP research group. (1986 6) Parallel distributed processing. Cambridge, Mass.: MIT Press, 1986.

84. Schack B., Weiss S., Rappelsberger P. (1996) Dynamic topographic methods of coherence analysis of cognitive processes. Medical & Biological Engineering & Computing. V. 34, p. 207208.

85. Schürmann M., Ba§ar-Eroglu C., Ba§arE. (1977) A possible role of evoked alpha in primary sensory processing: common properties of cat intracranial recordings and human EEG and MEG. Int. J. Psychophysiol. V. 26, p. 149-170.

86. Shevelev I.A., Kamenkovich KM., Bark E.D., Verkhlutov KM., Sharaev G. A., Mikhailova E. S. (2000) Visual illusions and travelling alpha waves produced by flicker at alpha frequency. Int. J. Psychophysiol. V.39, p. 9-20.

87. Sveinsson J.R., Benediktsson J A., Stefansson S.B., Davidsson K. (1997) Parallel principal component neural network for classification of event-related potential waveforms. Med. Eng. Phys. V. 19, p. 15-20.

88. Sun M., Sclabassi R.J. (2000) The forward EEG solutions can be computed using artificial neural networks. IEEE Trans. Biomed. Eng. V. 47, p. 1044-1050.

89. Sysoeva O.K, IlyutchenokI.R., Ivanitsky GA., Kashevarova O.D., IvanitskyA.M. (2005) ERP evidence for early involuntary analysis of written word class (abstract/concrete). Brain Topography. Proceedings of the 16th Meeting oflSBET, 2005. V.18, p. 15-16.

90. Tallon-Baudry C., Bertrand O., Fischer C. (2001) Oscillatory synchrony between human extrstriate areas during visual short-term memory maintenance. J. Neurosci. V. 21, p. RC 177-1-RC177-5.

91. Tallon-Baudry C. (2003) Oscillatory synchrony and human visual cognition. Journal of Physiology-Paris V. 97, p. 355-363.

92. Tuulik K, Raja A., Meister A., Lossmann E. (1997) Neural network method to determine the vigilance levels of the central nervous system, related to occupational chronic chemical stress. Technology of Health Care. N 5 (1997), p. 243-251.

93. Van Hoey G., de Clercq J., Vanrumste B., van de Walle R., Lemahieu I., D'Have M., Boon P. (2000) EEG dipole source localization using artificial neural network. Physics in Medicine and Biology V. 45, p. 997-1011.

94. Vargha-Khadem F., Gadian D. G., Mishkin M. (2001) Dissociation in cognitive memory: the syndrom of developmental amnesia. Phil. Trans. R. Soc. Lond. V. 356, p. 1435-1440.

95. Walczak S., Novak W.J. (2001) An artificial neural network approach to diagnosing epilepsy using lateralized bursts of theta EEGs. Journal of Medical Systems. V. 25, p. 9-20.

96. Webber W.R.S., Lesser R.P., Richardson R., Wilson K. (1996) An approach to seizure detection using an artificial neural network (ANN). Electroencephalography and Clinical Neurophysiology. V. 98, p. 250-272.

97. Weiss S., Mueller H.M., Schack B., King J. W., Kutas M., Rappelsberger P. (2005) Increased neuronal communication accompanying sentence comprehension. Int. J. Psychophysiol. V. 57, p. 129-141.

98. Wilson S.B. (2005) A neural network method for automatic and incremental learning applied to patient-dependent seizure detection. Clinical Neurophysiology. V. 116 p. 1785-1795.

99. Wu F. G., Slater J.D., Ramsay R.E. (1994) Neural network approach in multichannel auditory event-related potentials analysis. Int. J. Biomed. Comput. V. 35, p. 157-168.

100. Yuasa M., Zhang Q., Nagashino H., Kinouchi Y. (1998) EEG source localization for two dipoles by neural networks. Proc. IEEE 20th Ann. Int. Conf IEEE/EMBS. Hong Kong, 1998. p. 2190-2192.

101. Yylmaz Y.K., Demiralp T., GUlciir H.O. (1998) Classification of P300 component in single trial event related potentials using artificial neural network classifier. Int. J. Psychophysiology. V.30, p. 226.

102. Zhang X.S., Roy R.J. (2001) Derived fuzzy logic model for estimating the depth of anesthesia. IEEE Transactions on Biomedical Engineering. V. 48, p. 312-323.

103. Публикации автора по теме диссертации в реферируемых журналах

104. Николаев А.Р., Анохин А.П., Иваницкий ГЛ., Кашеварова О.Д., Иваницкий А.М. (1996) Спектральные перестройки ЭЭГ и организация корковых связей при пространственном и вербальном мышлении. ЖВНД им. И.П.Павлова. Т. 46, с. 831-848.

105. Иваницкий ГЛ. (1997) Распознавание типа решаемой в уме задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора. ЖВНД им. И.П.Павлова. Т. 47, с. 743-747.

106. Иваницкий ГЛ., Николаев А.Р., Иваницкий A.M. (1997) Использование искусственных нейросетей для распознавания типа мыслительных операций по ЭЭГ. Журнал авиакосмической и экологической медицины. Т. 31, с. 23-28.

107. Musha Т., Terasaki Yu., Haque НЛ., Ivanitsky СЛ. (1997) Feature extraction from EEG associated with emotions. Artificial Life Robotics. V. 1, p. 15-19.

108. Николаев A.P., Иваницкий ГЛ., Иваницкий A.M. (1998) Воспроизводящиеся паттерны альфа-ритма ЭЭГ при решении психологических задач. Физиология человека. Т. 24, с. 1-8.

109. Николаев А.Р., Иваницкий ГЛ., Иваницкий А.М. (2000) Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций. ЖВНД им. И.П.Павлова. Т. 50, с. 44-61.

110. Nikolaev A.R., Ivanitsky СЛ., Ivanitsky А.М., Posner M.I., Abdullaev Ya. G. (2001) Correlation of brain rhythms between frontal and left temporal (Wernicke's) cortical areas during verbal thinking. Neurosci Lett. V. 298, p. 107-110.

111. Nikolaev A.R., Ivanitskii СЛ., Ivanitskii A.M. (2001) Studies of cortical interactions over short periods of time during the search for verbal associations. Neurosci Behav Physiol. V. 31, p. 119-32.

112. Ivanitsky A.M., Nikolaev A.R., Ivanitsky СЛ. (2001) Cortical connectivity during word association search. Int. J. Phsychophysiology. V. 42, p. 35-53.

113. Иваницкий ГЛ., Николаев A.P., Иваницкий A.M. (2002) Взаимодействие лобной и левой теменно-височной коры при вербальном мышлении. Физиология человека. Т. 28, с. 5-11.

114. Иваницкий А.М., Ильюченок И.Р., Иваницкий ГЛ. (2003) Избирательное внимание и память вызванные потенциалы при конкуренции зрительных и слуховых словесных сигналов. Журн. высш. нервн. деят. Т. 53, с. 541-551.