Институт высшей нервной деятельности и нейрофизиологии РАН, Москва

ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
В.А. ЧИЧЕРОВ
Институт высшей нервной деятельности и нейрофизиологии РАН, Москва
vachicherov@gmail.com
ТОПОГРАФИЯ АКТИВАЦИИ КОРЫ МОЗГА ЧЕЛОВЕКА
ПРИ ОПОЗНАНИИ ИЗОБРАЖЕНИЙ БУКВ
Разработан новый математический подход к оценке степени стабильности топографии вызванных потенциалов (ВП) мозга человека. Метод
кластерного анализа карт (программа Cartool) и новый подход применены
к данным, полученным в экспериментальной задаче выделения значимого
символа буквенной матрицы в парадигме нейрокомпьютерного интерфейса. Получены достоверные отличия характеристик стабильных и нестабильных периодов в интервалах основных волн ВП для значимых и незначимых букв.
Введение
Динамика корковой топографии активационных процессов, связанных
с переработкой информации о внешнем стимуле, представляет собой закономерный процесс. В частности, это проявляется в последовательной
смене устойчивых на определенном интервале времени распределений
потенциала. Это хорошо видно при визуальном анализе временного ряда
карт, построенных по амплитуде вызванных потенциалов [1]. Возникает
вопрос, существуют ли закономерности в смене этих топографических
паттернов и в какой степени они определяются характером решаемой испытуемым сенсорной задачи. Такие исследования проводились с использованием методов кластерного анализа [2], [3], который давал возможность разделить последовательные устойчивые состояния мозга (названные в этих работах «микросостояниями» – microstates), соответствующие
последовательным временным интервалам вызванного потенциала. Используя этот метод, мы имеем возможность выяснить, существуют ли
различия между разными стимулами (или задачами) по показателю корковой топографии активационных процессов. В дальнейшем эти данные
можно использовать и для оценки динамики локализации эквивалентных
токовых источников вызванных потенциалов.
В настоящей работе мы предприняли попытку провести топографический анализ зрительных вызванных потенциалов, зарегистрированных в
экспериментальной задаче нейрокомпьютерного интерфейса, методом
УДК 004.032.26(06) Нейронные сети
76
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
кластерного анализа карт, предложенного сотрудниками лаборатории
Functional Brain Mapping Laboratory (Женева, Швейцария). Наряду с этим,
мы поставили задачу разработать математический аппарат выявления и
оценки периодов стабильности и нестабильности в топографии корковой
активации и выявить их связь с волновыми комплексами вызванного потенциала.
Цели работы
1. Выявление и анализ периодов стабильности (микросостояний) в
топографии зрительных вызванных потенциалов на значимую букву методом кластерного анализа карт с использованием программы Cartool.
2. Разработка математического аппарата для определения степени
стабильности и нестабильности топографии вызванной активности и применение этого метода к анализу зрительных вызванных потенциалов в
задаче выделения значимой буквы.
3. Сравнение возможностей программы Cartool и разработанного
нами подхода для анализа периодов стабильности и нестабильности в топографии вызванной активности.
Процедура эксперимента
Испытуемые: 7 человек (6 мужчин и 1 женщина). Возраст от 18 до
22 лет.
Стимуляция. Испытуемые сидели в кресле в светоизолированной камере. Напротив испытуемого на расстоянии 120 см от глаз располагался
дисплей (диагональный угловой размер бинокулярно наблюдаемого изображения составлял 18.8о). На черном фоне экрана постоянно экспонировали буквы русского алфавита вместе со служебными символами, располагавшиеся в виде прямоугольной матрицы из 6 х 6 знаков. Каждая буква
была видна под углом от 0.8 х 0.88о до 1.4 х 0.88о. Стимуляция заключалась в дополнительной подсветке на 100 мс той или иной строки или
столбца букв в случайном порядке. Вероятность появления каждого
столбца или строки составляла 16.7%. Длительность межстимульного интервала составляла 1 с. Схема установки и стимулирующий «экран» (матрица букв) приведены на рис. 1.
До начала опыта испытуемому предъявляли словесную инструкцию:
«Смотрите на экран, где находится матрица из букв русского алфавита.
УДК 004.032.26(06) Нейронные сети
77
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
По инструкции экспериментатора задумайте одну из букв. Вы должны
смотреть на нее и считать число ее подсветок».
Регистрация вызванных потенциалов проводилась непрерывно и монополярно с 34 электродов, расположенных по системе 10-10% (компьютерная ЭЭГ система «Neocortex-Pro» фирмы «Neurobotics», Россия) с частотой квантования сигнала 1000 Гц/канал. Индифферентным был правый
ушной электрод. Сопротивление электродов не превышало 5 КОм. Полосу
пропускания усилителей ограничивали частотами 0.5-70 Гц. Отведения
FP1 и FP2 использовали для контроля глазных движений по электроокулограмме (ЭОГ).
Анализ данных. Данные ЭЭГ обрабатывали в программе Neuro-Pro
(фирма Neurobotics, Россия). При визуальном анализе записи фрагменты
ЭЭГ с мышечными артефактами и высокоамплитудной (более 25 мкВ)
ЭОГ исключали. Усреднение ВП проводили по 30-35 безартефактным
отрезкам ЭЭГ. Усредняли участки записи, соответствующие 100 мс до
начала и 500 мс после начала стимула.
Рис. 1. Схема установки. А – символьная матрица, предъявляемая на мониторе в затемненной комнате. Б – система для регистрации ЭЭГ со
скальпа испытуемого. В – аппаратное обеспечение, позволяющее выделить интервалы ЭЭГ, соответствующие обработке стимула. Г – результат
выделения символа из символьной матрицы по показателям волны Р300
Кластерный анализ карт ВП в программе Cartool
Программа Cartool для разделения ЭЭГ и ВП на микросостояния, которая использовалась и в нашей работе, была разработана сотрудником
лаборатории Functional Brain Mapping Laboratory (Женева, Швейцария)
УДК 004.032.26(06) Нейронные сети
78
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
Денисом Брюнне (Denis Brunet) (http://brainmapping.unige.ch/Cartool.htm).
В основе метода – представление карт вызванных потенциалов в виде Nмерных векторов (N – число отведений). Карты ВП объединяются друг с
другом в группы сходных между собой карт (кластеры). Мерой сходства
карт является коэффициент пространственной корреляции соответствующих векторов. Характеристикой средней степени активации коры является величина Global Field Power (GFP). В данной программе используются
2 разновидности кластерного анализа: иерархический кластерный анализ
и K-means кластерный анализ. После разделения ВП на кластеры можно
найти усредненные по этим кластерам карты. Оптимальное число кластеров подбирается в соответствии с критериями Cross-Validation (CV) и
Krzanowski-Lai (KL).
В данной работе для сегментации ВП на микросостояния использовали
метод иерархического кластерного анализа AAHC. В соответствии с методикой Cartool, сначала были подвергнуты кластеризации усредненные
по группе испытуемых ВП на значимые и незначимые стимулы, колонки
и ряды обрабатывались отдельно друг от друга. По критериям KL и CV
выбирали оптимальное число кластеров. Усредненные по кластерам карты затем подвергали процедуре «fitting» (для каждого индивидуального
ВП в каждый момент времени выбирали кластер, усредненная карта которого больше других коррелировала с текущей картой). Следующие параметры подвергали статистическому анализу (парный t-тест): начало, конец, продолжительность интервала индивидуального ВП, принадлежащего данному кластеру.
В силу определенных недостатков метода программы Cartool, обнаруженных в ходе исследования, была разработана новая методика определения степени стабильности топографии.
Новый математический метод оценки степени
нестабильности топографии ВП
В процессе выполнения работы нами был разработан новый метод для
определения степени стабильности топографии ВП. В каждый момент
времени совокупность значений потенциала во всех отведениях представлялась в виде 34-мерного вектора (по количеству отведений). Для каждого
испытуемого анализировали усредненные ВП для значимых и незначимых колонок и рядов. Для анализа брали интервал от 100 мс до начала
стимула до 500 мс после начала стимула. Для определения степени стабильности топографии вектора ВП вычисляли функции: «Средняя амплиУДК 004.032.26(06) Нейронные сети
79
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
туда ВП» – М(t), «Изменение нормированного ВП» – Δ(t), «Степень нестабильности» – Δ0(t).
Функция «Средняя амплитуда ВП» – M(t) вычисляется в каждый момент времени (1 мс), как корень квадратный из суммы квадратов значений
потенциала по всем отведениям, деленной на количество отведений:
M (t j ) 
1 N 2
i (t j ) ,
N i 1
φi – величина потенциала в i-м отведении, мкВ; tj – текущий отсчет времени, мс; N – количество отведений (N = 34).
Единицы измерения M(t) – мкВ. Деление на N вводится с целью исключения влияния количества отведений на результат вычисления M(t).
Данная функция отражает среднеквадратичную амплитуду по всем отведениям. Чем больше потенциал в отдельных отведениях, тем больше эта
величина, поэтому нарастание активационных процессов при обработке
стимула должно приводить к увеличению M(t), а снижение активности
корковых источников – к уменьшению M(t).
После вычисления средней амплитуды ВП производилась нормировка
сигнала: величину потенциала в каждом отведении делили на среднюю
амплитуду ВП в данный момент времени:
 (t )
in (t j )  i j ,
M (t j )
где φin – величина нормированного потенциала в i-м отведении; φi – величина потенциала в i-м отведении, мкВ; M – средняя амплитуда ВП, мкВ;
N – количество отведений (N = 34).
Величина нормированного потенциала является безразмерной, так как
представляет собой отношение амплитуды ВП в данном отведении к
средней амплитуде ВП.
В результате получили величину нормированного сигнала, которая характеризует распределение (топографию) потенциала на скальпе независимо от средней амплитуды ВП.
Таким образом, можно судить о степени стабильности ВП по стабильности 34-мерного вектора нормированного ВП.
Функция «Изменение нормированного ВП» – Δ(t) вычисляется как модуль разницы последовательных (с шагом 1 мс) значений вектора нормированного ВП, деленный на корень из числа отведений. Она отражает
степень отличий топографии потенциала в данный и предыдущий моменты времени:
УДК 004.032.26(06) Нейронные сети
80
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
1 N n
 (i (t j )  in (t j 1 )) 2 ,
N i 1
φin – величина нормированного потенциала в i-м отведении; N – количество отведений (N = 34); Δ(t) является безразмерной величиной. Предполагается, что в интервале времени со стабильной топографией ВП величина Δ(t) мала (в идеале равна нулю). Если происходит быстрое изменение топографии ВП, то на графике Δ(t) это выразится в резком увеличении этой функции. Чем больше Δ(t), тем быстрее изменение топографии
ВП.
Оказалось, что при малой средней амплитуде ВП происходит увеличение Δ(t), связанное с влиянием фонового сигнала. Для того чтобы учесть
это влияние, ввели функцию «Степень нестабильности» – Δ0(t):
P
 0 (t )  (t )  noise ,
M (t )
Δ – величина изменения нормированного ВП; Pnoise – уровень фоновых
колебаний, мкВ; M – средняя амплитуда ВП, мкВ.
При стабильной или медленно меняющейся топографии ВП величина
Δ0(t) ≤ 0. Напротив, при значительных изменениях топографии Δ 0(t) > 0.
При этом величина Δ0(t) отражает скорость изменения нормированного
ВП, т.е. скорость изменения топографии. Чем выше значение Δ0(t), тем
быстрее изменение топографии. Чем продолжительнее участок Δ0(t) над
осью абсцисс, тем дольше продолжается изменение топографии.
(t j ) 
Результаты кластерного анализа
В результате применения кластерного анализа были получены следующие результаты. Усредненные по группе испытуемых ВП были разделены на N кластеров (N = 5 для колонок и N = 6 для рядов). Количество кластеров было выбрано с учетом критериев CV и KL. Статистическому анализу подвергались данные по трем кластерам в области 100-300 мс. Кластер, соответствующий P3b, не использовали при анализе из-за того, что
алгоритм программы Cartool не позволял отличить топографию с выраженной позитивностью в теменных областях (волна P3b для значимых
колонок) от топографии с выраженной негативностью в лобных областях
(низкоамплитудная волна P3b для незначимых колонок).
Карты ВП, усредненные по соответствующим кластерам, были сравнены с картами индивидуальных ВП (процедура «fitting»). В индивидуальных ВП были выделены промежутки, максимально коррелирующие с
УДК 004.032.26(06) Нейронные сети
81
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
каждой из усредненных карт. Из 7 испытуемых были выбраны 5, для которых последовательность смены кластеров совпадала с полученной для
усредненных по группе ВП. Далее, данные по времени начала, окончания
и продолжительности указанных промежутков подвергались статистическому анализу (парный t-тест: незначимые колонки vs. значимые колонки
и незначимые ряды vs. значимые ряды).
Были получены достоверные различия по продолжительности первого
в интервале 100-300 мс кластера, соответствующего волне N2 (100-200 мс
от начала стимула), как в рядах, так и в колонках. Значения средней продолжительности этого кластера приведены в табл. 1.
Таблица 1
Продолжительность кластера волны N2 (100-200 мс от начала стимула)
в рядах и колонках
Ряды
Колонки
Незначимые
58±11мс
63±8 мс
Значимые
90±9 мс
75±10 мс
Достоверность различий (значимые vs. незначимые)
p<0,01**
p<0,05*
Продолжительность кластера волны N2 достоверно выше для значимых рядов и колонок по сравнению с незначимыми. Увеличение продолжительности первого промежутка стабильности при предъявлении значимого стимула может быть связано с увеличением продолжительности
негативной волны N2 в ВП на значимый стимул и явлением, обозначаемым как “mismatch negativity”.
Результаты анализа периодов
стабильной и нестабильной топографии
В результате применения нового метода к ВП на значимые и незначимые буквы были получены следующие основные результаты.
Периоды стабильной топографии:
УДК 004.032.26(06) Нейронные сети
82
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
1. Выделено 4 основных периода стабильной топографии N2, P3a,
P3b, N400.
2. Средняя амплитуда M(t) для значимых букв достоверно выше по
сравнению с незначимыми в диапазонах N2, P3a, P3b (рис. 2).
3. Отличия более выражены для ВП на колонки, чем на ряды.
Периоды нестабильной топографии:
1. Анализировали 4 периода нестабильной топографии, соответствующие переходам P1-N2, N2-P3a, P3a-P3b, P3b-N400.
2. Продолжительность периодов нестабильности для N2-P3a и P3bN400 для значимых букв больше по сравнению с незначимыми (рис. 3).
3. Продолжительность перехода N2-P3а значительно превышает продолжительность других периодов нестабильной топографии (значимые
буквы).
Рис. 2. Сравнение длительности периодов нестабильности
для значимых и незначимых колонок
Выводы
УДК 004.032.26(06) Нейронные сети
83
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
1. Проведен анализ микросостояний ВП на значимые и незначимые
стимулы буквенной матрицы с помощью программы Cartool (метод кластерного анализа карт ВП). При выполнении статистического анализа
данных о начале, окончании и продолжительности микросостояний в индивидуальных ВП, показано, что продолжительность микросостояния,
соответствующего волне N2, для значимых колонок и рядов достоверно
больше, чем для незначимых.
2. Разработан новый метод для определения степени стабильности и
нестабильности в топографии ВП. С его помощью обработаны ВП на значимые и незначимые ряды и колонки. Определены индивидуальные показатели стабильности (продолжительность и максимальное значение средней амплитуды ВП) и нестабильности (продолжительность и максимальное значение функции «Степень нестабильности»). Выделены интервалы
стабильности, соответствующие основным волнам ВП и периоды нестабильности, соответствующие переходам между волнами.
Рис. 3. Сравнение максимального значения M(t) в периоды нестабильности
для значимых и незначимых колонок.
УДК 004.032.26(06) Нейронные сети
84
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
3. Выявлены различия в показателях стабильности и нестабильности
для ВП на значимые и незначимые стимулы. Длительность интервала нестабильности при переходе от волны N2 к волне P3 для значимых стимулов больше, чем для незначимых. Максимальное значение средней амплитуды в интервалах стабильности N2, P3a, P3b для значимых букв больше,
чем для незначимых. Выраженность различий между значимыми и незначимыми буквами выше для колонок буквенной матрицы, чем для рядов.
4. Продолжительность периода нестабильности, соответствующего
переходу между волнами N2 и P3 в ВП на значимые буквы, достоверно
выше, чем продолжительность других периодов нестабильности (переход
Р1 - N2 и переход P3a-P3b).
5. В фоновой ЭЭГ при анализе в программе Cartool выделены 4 основных микросостояния (кластера). При анализе стабильности топографии с помощью нового метода обнаружено, что эти длительные периоды
стабильной топографии ВП чередуются с короткими переходными периодами с нестабильной топографией.
6. С помощью программы Cartool и нового метода определения степени стабильности удалось выявить достоверные отличия в продолжительности нестабильного интервала при переходе N2-P3a. Данные о достоверных различиях в продолжительности интервала стабильной топографии, соответствующего волне N2, между значимыми и незначимыми
стимулами, не согласуются с данными, полученными новым методом. Все
результаты, полученные новым методом относительно волн P3a, P3b и
поздней негативности, не нашли подтверждения при анализе в Cartool.
При анализе спонтанной ЭЭГ оба метода дали сопоставимые результаты.
Список литературы
1. Михайлова Е.С., Давыдов Д.В., Моргункова А.Н. Межполушарная
асимметрия топографических карт зрительных вызванных потенциалов
при опознании эмоциональной лицевой экспрессии // Физиология человека. 1996. Т. 22. № 5. С. 92-98.
2. Lehmann D., Skrandies W. Reference-free identification of components
of checkerboard-evoked multichannel potential fields // Electroencephalogr
Clin Neurophysiol 1980. V. 48. P. 609–621.
3. Lehmann D. Principles of spatial analysis. In: Gevins AS, Remond D,
editors // Handbook of electroencephalography and clinical neurophysiology.
Methods of analysis of brain electrical and magnetic signals. Amsterdam: Elsevier. 1987. P. 309–354.
УДК 004.032.26(06) Нейронные сети
85
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 1
УДК 004.032.26(06) Нейронные сети
86