8.81M

Categories:

medicine

psychology

Естественнонаучные основы психогенеза

1.

Естественнонаучные основы
психогенеза
Заведующий лабораторией
психофизиологии к.пс. н. Горбунов
Иван Анатольевич

Энтропия
Элементы
dQ
dS
T
• Понятие энтропии было впервые введено в 1865 году Рудольфом
Клаузиусом. Он определил изменение энтропии термодинамической
системы при обратимом процессе как отношение общего количества тепла
ΔQ к величине абсолютной температуры T (то есть тепло, переданное
системе, при постоянной температуре):

4.

Работа и энтропия
Цикл Карно состоит из четырёх
обратимых стадий, две из
которых осуществляются при
постоянной температуре
(изотермически), а две — при
постоянной энтропии
(адиабатически). Поэтому цикл
Карно удобно представить в
координатах T (температура)
и S (энтропия).

5.

Связь энтропии с вероятностью
• В 1877 году Людвиг Больцман установил связь энтропии с
вероятностью данного состояния. Позднее эту связь представил в
виде формулы Макс Планк:
S k * ln( )
• где константа k = 1,38×10−23 Дж/К названа Планком постоянной
Больцмана, а Ω — статистический вес состояния, является числом
возможных микросостояний (способов) с помощью которых можно
перейти в данное макроскопическое состояние.
• Существует мнение, что мы можем смотреть на Ω и как на меру
беспорядка в системе. В определённом смысле это может быть
оправдано, потому что мы думаем об «упорядоченных» системах как
о системах, имеющих очень малую возможность конфигурирования, а
о «беспорядочных» системах как об имеющих очень много
возможных состояний. Собственно, это просто переформулированное
определение энтропии как числа микросостояний на данное
макросостояние.

6.

Соотношение информации и
энтропии
• Взаимосвязь энтропии и информации нашло
отражение в формуле:
H Y 1
• где Н – энтропия, Y – информация. Этот вывод
количественно был обоснован Бриллюэном
Бриллюэн Л. Наука и теория информации. М.: Иностр. лит. 1960.
Бриллюэн Л. Научная неопределённость и информация. М.: Иностр. лит. 1968
.

7.

Информационная энтропия
• Энтропия — это количество информации, приходящейся на одно
элементарное сообщение источника, вырабатывающего
статистически независимые сообщения
• Информационная двоичная энтропия для независимых
случайных событий x с n возможными состояниями (от 1 до n, p функция вероятности) рассчитывается по формуле:
n
H ( x) p (i ) * log 2 p (i )
i 1
• Таким образом, энтропия события x является суммой с
противоположным знаком всех произведений относительных
частот появления события i, умноженных на их же двоичные
логарифмы. Это определение для дискретных случайных
событий можно расширить для функции распределения
вероятностей.

8.

Демон Максвелла
dQ
dS
T
H Y 1
Взаимосвязь энтропии и информации
нашло отражение в формуле:

9.

Энтропия изображения
S=4.7420
S=7.4754

10.

Нормальное распределение
Histogram (Spreadsheet1 10v*1000c)
Var10 = 1000*0,5*normal(x; 4,4962; 0,8834)
240
220
200
180
No of obs
160
140
120
100
80
60
40
20
0
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
Var10
5,0
5,5
6,0
6,5
7,0
7,5
8,0

11.

Эксцесс нормального распределения
Histogram (Spreadsheet1 10v*1000c)
Var10 = 1000*0,7202*normal(x; 4,5489; 1,5512)
200
180
160
140
No of obs
120
100
80
60
40
20
0
1,001
3,162
5,322
Var10
7,483

12.

Литература
• И. Пригожин, Г. Николис Познание сложного, изд.
ЛКИ, 2008
• Г. Хакен : «синергетика, Введение: Неравновесные
фазовые переходы и самоорганизация в области
физики, химии и биологии", 3-й ред. enl. ЭНЛ. ed.
издание New York: Springer-Verlag, 1983. НьюЙорк: Springer-Verlag, 1983.
• Shannon, Claude E.: Prediction and entropy of
printed English, The Bell System Technical Journal ,
30:50-64, January 1951.

13.

Выводы
• Постепенное рассеивание энергии во вселенной после
большого взрыва с неизбежностью приводит к
нарушению статистической равновероятности событий и,
таким образом создает условия для порождения
«сложных систем» и далее жизни.
• В «сложной системе» невозможно прогнозировать ее
состояние на далекий промежуток времени.
• Сложная система характеризуется фазовыми переходами,
когда внезапно происходит переупорядочивание
элементов системы и возникают локальные участки,
обладающие особыми свойствами
• Поведение «сложных систем» по некоторым параметрам
очень похоже на психические явления.

14.

Модель психогенеза
Психофизический канал (информация о закономерностях, картина
мира)
Устойчивые
структуры
преобразующие
систему
потребностей под
влиянием внешней
информации, и
картину мира под
воздействием
потребностей.
Психофизиологический канал (система потребностей)

15.

Треугольник Серпинского

16.

Папоротник
x(n+1) = a xn + b yn + c
y(n+1) = d xn + e yn + f
-
set1
set2
set3
set4
a
0.0
0.2
-0.15
0.75
b
0.0
-0.26
0.28
0.04
c
0.0
0.23
0.26
-0.04
d
0.16
0.22
0.24
0.85
e
0.0
0.0
0.0
0.0
f
0.0
1.6
0.44
1.6
p
0.1
0.08
0.08
0.74

17.

Изменение меры сложности мозга при
осознании смысла текста
SOST*OTV; LS Means
Current effect: F(36, 1692)=2,8411, p=,00000
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
SOST; LS Means
Current effect: F(2, 94)=11,089, p=,00005
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
0
-0,04
-0,02
-0,05
-0,06
-0,04
-0,07
-0,06
-0,08
DV_1
DV_1
-0,08
-0,1
-0,09
-0,1
-0,11
-0,12
-0,12
-0,14
-0,13
-0,16
-0,14
-0,18
1
2
SOST
3
-0,15
1
3
5
7
9
11
OTV
13
15
17
19
SOST
1
SOST
2
SOST
3

18.

Электрические процессы и нервная
система

19.

Нейросети
Все модели нейронных сетей основаны на нескольких биологических фактах [Hebb D. O. 1949,
Hubel D. H.. Wiesel T. N. 1977, Perreto P. Niez I. 1986]:
а) минимальным структурным элементом является "нейрон", состояние которого может быть
описано одним числом S, соответствующим частоте паттерна импульсации реального нейрона. В
эксперименте обычно наблюдается два состояния нейрона (торможение и активность) с плавным
переходом между ними. Это можно смоделировать введением энергетической функции Н0(f) с
двумя минимумами при f=S1,S2, благодаря которой нейрон большую часть времени находится в
состоянии, близком к S1 или S2. Часто используется другое (изинговское) представление (S1,2
=+1;-1). Иногда используется более традиционное для нейробиологии представление изинговских
переменных S=2V—1 (V=0; 1), где V=0 и V=1 отвечает заторможенному и активному нейронам
соответственно;
б) процесс распознавания осуществляется через параллельную нейронную динамику с начальной
конфигурацией, соответствующей входному образу (состояния нейронов соответствуют
поступившему неполному или зашумленному образу), при которой конечная (стабильная)
конфигурация отвечает идеальному записанному образу.
в) информация о записанных образах содержится в свойствах межнейронных взаимодействий
[McCulloch W. A; Pitts W. 1943, Hebb D. O. 1949]. Имеется по крайней мере два типа синаптических
контактов (возбуждающие и тормозные), их число обеспечивает возможность записи
достаточного количества информации. Сила синаптической связи модифицируется при обучении
для записи требуемой информации.
В большинстве из рассматриваемых моделей сила синаптической связи описывается
вещественным числом J, принимающим бесконечное число возможных значений.
г) ассоциативность памяти: полный образ может быть восстановлен при предъявлении его
фрагмента;
д) разрушение небольшой части нейронов не влияет на возможность потери записанной
информации.

20.

Нервный импульс
и модель нейрона
+ +
+
+
+
-
-
-
-
+ +
-
+
+
-
0
1.2
-10 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57
1
-20
-30
-40
-50
0.8
Поро
г
0.6
0.4
-60
0.2
-70
-80
0
Потенциал
Спайки

21.

Модель нейрона

22.

Модификация синапса
Молекулярный механизм
формирования долговременной
памяти.
При изучении защитного
рефлекса (втягивание жабры в
ответ на стимуляцию сифона) у
морского зайца установлено, что
нейромедиаторы, действующие
на клетку, вызывают в ней
каскад молекулярных реакций
(показано стрелками).
В результате изменяется форма
и функции синапсов, что
приводит к длительным
модификациям защитного
рефлекса.

23.

Нейросети модель Хопфилда
В модели Хопфилда каждая изинговская спиновая переменная Si, описывающая нейрон i,
направлена параллельно полю hi, которое определяется влиянием других нейронов:
Si=sign(hi), hi=SjJijSj, константы Jij выбираются в соответвии с правилом Хебба, чтобы
обеспечить правильное воспроизведение записанных образов
где индекс α нумерует различные образы (α=l...k). В альтернативной
формулировке стабильные конфигурации Si являются минимумами
гамильтониана

24.

Нейронная сеть
Color
X
Y
Z

25.

Примеры поведения моделей сложных
систем

26.

Литература
• Ходжкин А. Нервный импульс. М., Мир, 1965
• Доценко Вик. С., Иоффе Л. Б., Фейгельман М. В., Цодыкс
М. В. Статистические модели нейронных сетей // В кн.:
Итоги науки и техники. Серия «Физические и
математические модели нейронных сетей». Том 1. Часть I.
«Спиновые стекла и нейронные сети» / Ред.: А. А.
Веденов. – М.: ВИНИТИ, 1990.
• Осовский С. Нейронные сети для обработки информации
Изд-во: Финансы и статистика,
2002.

27.

Выводы по прошлому занятию
Психогенез – процессы, происходящие на информационном стыке двух сред,
осуществляемом нервной системой - внутренней средой организма и
внешней средой, характеризующиеся появлением в ней неравновесных
состояний, изменениями энтропии, процессами локализации и
структурирования, изменения связей между модулями нервной системы, и
порождающие «сложное» поведение.
Например, процесс осознания смысла текста характеризуется изменением
«сложности» биоэлектрической активности мозга.
Передача информации в нервной системе осуществляется с помощью
биоэлектрических процессов, характеризующихся медленной скоростью, но
параллельных по времени.
Поведение нейросети и информация, записываемая в ней целиком зависит от
силы связей, объединяющих элементы сети «нейроны».
Одна из упрощенных моделей нервной системы – математическая модель
нейросети может обладать определенным «сложным поведением»,
характеризующимся аттрактором фрактальной размерности

28.

Модель перцептрона
Выходной образ (классификация)
Входные образы

29.

1,2
Алгоритм модификации
связей
0,8
0,6
0,4
0,2
Функция активации – сигмоид
Производная функции активации
1 p
E ( w) ( y j d j )
2 j 1
Функция вычисляющая ошибку
E dy j
y j dS j
yj – значение j-го выхода нейросети, djцелевое значение j-го выхода, p – число
нейронов в выходном слое
Вспомогательная функция зависит от ошибки,
производной активации нейрона
f ( x) af ( x)(1 f ( x))
(n)
j
N
dy j
n
n 1
n 1
j k w jk
k
dS j
w x
n
ij
n n
j i
Рекурсивная формула, вычисляющая сигму от
последнего слоя к первому
Вычисление величины модификации связи
между нейронами
3
2
2,
5
1
1,
5
0
0,
5
-1
-0
,5
-2
-1
,5
0
-3
-2
,5
y f (S )
1
f ( x)
1 e ax
1

30.

Полный алгоритм обучения нейросети:
• 1. Подать на вход НС один из требуемых образов и
определить значения выходов нейронов нейросети.
• 2. Рассчитать δN для выходного слоя НС и рассчитать
изменения весов Δwij выходного слоя N по формуле.
• 3. Рассчитать по формулам (11) и (13) соответственно δn и
Δwij для остальных слоев НС, n=N-1..1.
• 4. Скорректировать все веса НС
wijn wijn (t 1) wijn t
• 5. Если ошибка существенна, то перейти на шаг 1

31.

Поверхность решений диагностического
алгоритма
2
1,5
1
0,5
3
0
2
-0,5
1
-1
0
2,6
1,9
1,2
-2
0,5
-0,2
-0,9
-1,6
-1
-2,3
-3
-1,5
-3

32.

Генетические
алгоритмы
• Алгоритмы эвристического
решения большого класса
задач, основанные на
эволюционной динамике.
Преимущества – устойчивость к
локальным минимумам,
отсутствие необходимости
знаний о характеристиках
решаемой задачи.

33.

В чем генетика реализует
приспособительные возможности
организма
• Структура белков синтезируемых в
организме
• Структура органов и тканей
• Структура нервной сети (начальная) :
Генетические программы, начальная точка
обучения

34.

Литература
• Гладков Л. А., Курейчик В. В., Курейчик В.
М. Генетические алгоритмы: Учебное пособие —
2-е изд.. — М: Физматлит, 2006
• Рутковская Д., Пилиньский М., Рутковский
Л. Нейронные сети, генетические алгоритмы и
нечеткие системы — 2-е изд.. — М: Горячая
линия-Телеком, 2008

35.

Выводы по прошлому занятию
• Одной из самых мощных и быстрых на сегодняшний день
самообучающихся диагностических систем (аналогов человеческих
ощущений и восприятия) является модель многослойного перцептрона
с возможностью самообучения -алгоритмом Back propagation error.
• В нервной системе человека аналогом самообучения является
модификация химических синапсов.
• Проблемой самообучения перцептронов является попадание в
локальные минимумы поверхности решений, переобучение и
необходимость внешнего учителя.
• Внешнего учителя можно заменить процессом формирования образа
будущего результата действия и сличением этого образа с реальным
результатом
• Генетические алгоритмы (аналог естественного отбора в биологии)
лишены проблемы локальных минимумов.
• Сочетание естественного отбора, задающего начальную точку обучения,
наиболее близкую к вероятным «глобальным» минимумам и
самообучения позволяет организму быстро адаптироваться в
изменяющихся условиях среды

36.

Гностические
нейроны
Предсказанный результат действия
Сенсорный вход
Мотивация
Моторный слой

37.

ВП на неожиданные и ожидаемые стимулы

38.

Усреднённые ВП по факторам правильности пробы и
«зачтенности» задачи. (Зайнутдинов М.Р. 2011)

39.

Связь реакции на ошибку и мотивации

40.

Многоуровневая модель НС
Мотонейрон
Образ среды
Действие
Сличение
Повторный
вход
возбуждения

41.

Default mode network

42.

Модель формирования ответа на внешние стимулы в НС
Friston K.

43.

Langwith WEB (McLelland)

44.

Классификация понятий в Langwith Web

45.

Внимание, рекуррентные сети с
контекстом. Сети Элмана и Джордана
Elman, J.L. Finding structure in time. // Cognitive Science. — 1990. — С. 179-211
https://nplus1.ru/material/2016/11/04/recurrent-networks

46.

Нейромодели психических
явлений
Явление
Нейромодели
Научение с учителем (метод проб и
Перцептроны (алгоритм обратного
ошибок), reinforcement learning, explicit распространения ошибки)
learning
Восприятие образов, самообучение,
классификация, предобучение, implicit
learning
Перцептроны, модель с латеральным
торможением, Ограниченная машина
Больцмана, конволюционные сети
Память, ассоциативная память,
долговременная память
Сеть Хопфилда, Машина Больцмана
Интуиция, научение и выбор
программы действия
Алгоритм обучения на 2 шага вперед
(convolutional neural network,
reinforcement learning)
Внимание, регуляция деятельности
Рекуррентные нейросети
Эмоции, Воля
Сети, управляющие другими сетями
Моторные действия
Рекуррентные сети с корректирующей
обратной связью
Речь, психосемантика
Сеть McClelland, Rogers, Word2Vec

47.

Литература
Friston K. A theory of cortical responses //Philosophical Transactions of the Royal
Society of London B: Biological Sciences. – 2005. – Т. 360. – №. 1456. – С. 815-836.
Friston K. The free-energy principle: a unified brain theory? //Nature Reviews
Neuroscience. – 2010. – Т. 11. – №. 2. – С. 127.
Hohwy J. The predictive mind. – Oxford University Press, 2013.
Neubauer A. C., Fink A., Schrausser D. G. Intelligence and neural efficiency: The
influence of task content and sex on the brain–IQ relationship //Intelligence. – 2002. –
Т. 30. – №. 6. – С. 515-536.
Timothy T. Rogers, James L. McClelland Preсis of Semantic Cognition: A Parallel
Distributed Processing Approach: BEHAVIORAL AND BRAIN SCIENCES (2008) 31, 689–
749
Балин В.Д. Психическое отражение, С-Пб 2000
Горбунов И.А. Диагностические возможности психофизиологических
характеристик человека//Автореферат на соискание уч. степ. канд. псих. наук, СПб, 2005
Горбунов И. А., Зайнутдинов М. Р., Локоткова М. А. Моделирование процесса
речепорождения с помощью математических моделей нейронных сетей у
больных неврозами //Петербургский психологический журнал. – 2015. – №. 11.
Хокинс Д., Блейксли С. Об интеллекте: научно-популярное издание //Москва: ООО
ИД Вильямс. – 2007.

48.

ЦНС
СНС
Логика
Картина мира
Программы
движений
Манипуляции
ВНС
Потребности

49.

Функциональные блоки мозга (А.Р. Лурия)

50.

Сенсорный вход
Гностические
нейроны
Моторный слой
Сенсорный вход
Предсказанный
результат действия
Гностические
нейроны
Предсказанное изменение
физиологических констант
Физиологическ
ие константы

51.

Логика поведения
ЦНС
Логические программы
Логика
Картина мира
Логика
потребностей
СНС
Программы
движений
Манипуляции
Потребность в
программах
Потребность в
логике
ВНС
Потребности
Манипуляция
потребностями

52.

Литература
• Timothy T. Rogers, James L. McClelland Preсis of Semantic
Cognition: A Parallel Distributed Processing Approach:
BEHAVIORAL AND BRAIN SCIENCES (2008) 31, 689–749
• Балин В.Д. Психическое отражение, С-Пб 2000
• Горбунов И.А. Диагностические возможности
психофизиологических характеристик человека// Автореф.
На соиск. Уч. Степ. Канд. Псих. Наук, С-Пб, 2005
• Горбунов И. А. Нейродинамическая система как основа
методологии моделирования ментальных ресурсов
человека //Ментальные ресурсы личности: теоретические
и прикладные исследования материалы третьего
международного симпозиума. Ответственные редакторы:
МА Холодная, ГВ Ожиганова. – Институт психологии РАН,
2016. – С. 309-314.

53.

Выводы по предыдущему занятию
Нейросеть на основе перцептрона распознающего образ среды, после
моторного действия может быть принята как модель формирования
функциональной системы (Анохин П.К.) с АРД.
Комбинация нейросетевой модели функциональной системы и
мотивационной сети, воздействующей на нее с целью выделения подсети,
способствующей удовлетворению той или иной потребности и связанной с
внутренней средой организма позволяет предположить возможность
моделирования самообучающейся системы, которая удовлетворяет
собственные потребности с большей эффективностью
Существуют самообучающиеся модели нейросети, описывающие
семантические связи между понятиями. При обучении таких нейросетей
могут формироваться обобщающие понятия (нейроны промежуточных
слоев), и на основе ассоциаций такая модель «догадывается» о новых
признаках того или иного объекта.
Комбинация трех функциональных блоков нервной системы, прообразами
которых могут являться перечисленные модели нейросетей, позволяет
представить психогенез таких понятий как этика, эстетика, воля, привычки,
ритуалы, мышление и рефлексия. Это одни из наиболее сложных психических
явлений.

54.

Определение ЭЭГ
• Впервые этот термин применен Бергером (Berger 1929):
ЭЭГ - кривая полученная в результате регистрации
электрической активности любого отдела мозга
независимо от расположения электродов
• ЭЭГ – кривая регистрирующая электрическую активность с
поверхности черепа больших полушарий мозга.
• Смежные методы:
– ЭКоГ (электрокортикограмма) – непосредственно с поверхности
коры мозга
– ЭТГ (электроталамограмма) с поверхности таламуса
– Электроцеребеллограмма - с поверхности мозжечка

55.

Компоненты ЭЭГ
• Отдельные волны и
комплексы
• Ритмы

56.

Отведение разности потенциалов
+
-
+
-

57.

Электроэнцефалограф

58.

Структурная схема цифрового
электроэнцефалографа
Блок
коммутации
Блок усилителей
АЦП
Испытуемый
Интерфейс
Блок стимуляции
Генератор
калибровочных
сигналов
Компьютер

59.

Аналогово-цифровое преобразование
1.5
1
0.5
0
-0.5
-1
Числа
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.208 0.407 0.588 0.743 0.866 0.951 0.995 0.995 0.951 0.866 0.743 0.588 0.407 0.208 1E-16 -0.21 -0.41 -0.59 -0.74
Аналогов ый сигнал 0.208 0.407 0.588 0.743 0.866 0.951 0.995 0.995 0.951 0.866 0.743 0.588 0.407 0.208 1E-16 -0.21 -0.41 -0.59 -0.74
Числа
Аналоговый сигнал

60.

Отведения система 10-20% (Джаспер)

61.

Вид сверху (Монополярное отведение)

62.

Основные ритмы ЭЭГ
Название Частоты Состояние
Дельта
1-4Гц
Глубокий сон, Кома
Тета
5-7Гц
Патологии (сниж. ФС)
Альфа
Бета1
8-13Гц
14-20Гц
Норма, Фон ЗГ
Активность, стресс
Бета2
21-30Гц
Активное внимание
Гамма
30-Гц
Активное внимание,
мышление, сознание

63.

Спектральный анализ
1,5
1
0,5
0
Ряд1
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85
-0,5
4
-1
-1,5
3
2
1,5
1
1
0,5
0
Ряд1
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85
-0,5
0
-1
1
-1,5
-1
-2
3
-3
2
1
0
-1
-2
-3
Ряд1
1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85
7 13 19 25 31 37 43 49 55 61 67 73 79 85
Пи/30
Пи/9
Пи/30+Пи/9
Пи/5
Пи/30+2*Пи/9+Пи/5

64.

Спектральный анализ

65.

Spectral analysis: NEWVAR : =SIN(1/10*v0)+2*Cos(1/5*v0)+Rnd(0.1)
Spectral analysis: VAR1 : =Rnd(1)
No. of cases: 1000
Hamming weights:,0357 ,2411 ,4464 ,2411 ,0357
No. of cases: 1000
Hamming weights:,0357 ,2411 ,4464 ,2411 ,0357
1000
1000
800
800
600
600
400
400
200
0
0,00
Spectral Density
Spectral Density
Сравнение спектров сигнала (слева 2
синусоиды)(справа Шум)
0,7
0,7
0,6
0,6
0,5
0,5
0,4
0,4
0,3
0,3
0,2
0,2
0,1
0,1
200
0,05
0,10
0,15
0,20
0,25
Frequency
0,30
0,35
0,40
0,45
0
0,50
0,0
0,00
0,05
0,10
0,15
0,20
0,25
Frequency
0,30
0,35
0,40
0,45
0,0
0,50

66.

67.

ЭЭГ ребенка 5 лет

68.

ЭЭГ взрослого человека 22 г.

69.

Соотношение логарифма частоты ЭЭГ и логарифма
мощности (участок ЭЭГ при чтении текста)
Log(P) = 2,1471 - 1,946 * Log(f)
Correlation: r = -,9774
1,4
1,2
1,0
0,8
0,6
Log(P)
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
0,4
0,6
0,8
1,0
Log(f)
1,2
1,4
1,6
0,95 Conf.Int.

70.

Наклон графика определяет «сложность»
кривой ЭЭГ
Теоретическое соотношение частоты и
мощности ЭЭГ
10000
Высокая фрактальная
размерность.
Более сложная ЭЭГ.
(Десинхронизация)
Log(P)
1000
100
Низкая фрактальная
10
размерность.
Низкая сложность ЭЭГ
Синхронизация
1
Дельта
Тета
Альфа
Бета1
Бета2
Гамма

71.

Модель происхождения наблюдаемых явлений
Психика:
категориальные и
концептуальные схемы
Психика:
категориальные и
концептуальные схемы
Решение задачи
Наличие противоречия между
условиями задачи и
концептуальными схемами
вызывает десинхронизацию ЭЭГ
за счет увеличения
неоднозначности между
условием и результатом
понятийных преобразований
Противоречие
Окружающая среда:
Задача
В процессе решения
концептуальные схемы
модифицируются и
неоднозначность уменьшается
происходит процесс
синхронизации ритмики
Окружающая среда:
Задача

72.

Алгоритм Хигучи
6
5
4
X0
3
X2
X1
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Длины линий X0, X1, X2
40
35
30
25
20
L
15
10
5
0
L2
L1
L0
• Фрактальная
размерность –
Величина, обратная
скорости убывания
логарифма длины
линии при их
прореживании
относительно
логарифма частоты
прореживания

73.

Суть дисперсионного анализа
Группа 1
Группа 2
Наблюдение 1
Наблюдение 2
Наблюдение 3
2
3
1
6
7
5
Среднее
Сумма квадратов
(СК)
2
2
6
2
Общее среднее
Общая сумма
квадратов
4
28
ГЛАВНЫЙ ЭФФЕКТ
SS
Эффект
Ошибка
24.0
4.0
ст.св.
MS
1
4
24.0
1.0
F
24.0
p
.008

74.

Для проверки гипотез используем
дисперсионный анализ
Полезависимость; LS Means
Current effect: F(1, 94)=,76984, p=,38250
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
6,0
Альфа индекс: =v1+v2+RNDNormal(5)
5,5
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
Низкая
Высокая
Полезависимость

75.

Сравнение дисперсий в 3 состояниях
Состояние; LS Means
Current effect: F(2, 94)=1,1508, p=,32079
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
Альфа индекс: =v1+v2+RNDNormal(5)
7
6
5
4
3
2
1
0
То
Музыка
Состояние
Шум

76.

Достоверные различия
Состояние; LS Means
Current effect: F(2, 94)=35,203, p=,00000
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
5,5
HF/LF: =v1+v2+RNDNormal(1)
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
То
Музыка
Состояние
Шум

77.

Совместное влияние факторов
Полезависимость*Состояние; LS Means
Current effect: F(2, 94)=2,3926, p=,09694
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
6,5
6,0
HF/LF: =v1+v2+RNDNormal(1)
5,5
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
То
Музыка
Состояние
Шум
Полезависимость
Низкая
Полезависимость
Высокая

78.

Значимое совместное влияние
факторов
Полезависимость*Состояние; LS Means
Current effect: F(2, 94)=17,607, p=,00000
Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
HF/LF: =v1+ABS(1-v2+v1)+RNDNormal(1)
5,5
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
То
Музыка
Состояние
Шум
Полезависимость
Низкая
Полезависимость
Высокая

79.

Результаты дисперсионного анализа
Effect
Univariate Tests of Significance for HF/LF (Spreadsheet14)
Sigma-restricted parameterization
Effective hypothesis decomposition
SS
Intercept
Degr. of
Freedom
MS
F
p
1113,737
1
1113,737
985,3748
0,000000
Полезависимость
24,482
1
24,482
21,6603
0,000011
Состояние
79,578
2
39,789
35,2034
0,000000
5,409
2
2,704
2,3926
0,096939
106,245
94
1,130
Полезависимость*Состояние
Error

80.

Литература
• Гусельников В.И. Электрофизиология головного мозга
(курс лекций) М., Высшая школа, 1976.
• Л. Р. Зенков Клиническая электроэнцефалография с
элементами эпилептологии М. МедПрессИнформ 2004
• Вассерман Е.Л., Карташев Н.К., Полонников Р.И.
Распознавание типов патологии у детей с односторонними
поражениями головного мозга с использованием анализа
фрактальной динамики электроэнцефалограмм // Труды
СПИИРАН. 2002. Вып. 1. Т. 1. С. 333–345

81.

Вызванные потенциалы мозга
Занятие 2

82.

Event-Related Potentials (Vaughan, 1969 )
• В характеристиках ССП проявляется связь
активности мозга с событиями во внешней
среде:
– например, с предъявлением стимулов
– во внешне наблюдаемом поведении
испытуемого (например, с двигательной
активностью)
– с психологическими характеристиками
активности испытуемого (например, с
ожиданием или с принятием решения)
[Rockstroh et al., 1982].

83.

История
• Связь электрической активности мозга с
событиями в окружающей среде и поведении
впервые была продемонстрирована и описана
англичанином Р.Кейтоном (Richard Caton) в 1875–
1887 гг. и независимо от него русским ученым В.Я.
Данилевским в 1875 г. [Brazier, 1984].
• В 1890–1891 гг. А. Беком были исследованы
потенциалы на свет в окципитальной коре и на
звук – в височной. В 1898 г. В.Е. Ларионовым было
проведено сопоставление вызванной
электрической активности в разных областях коры

84.

Параметры и особенности ВП
• Частотный диапазон 0-300 Гц. В отдельных
исследованиях до 3 кГц
• Амплитуда 1-10 мкВ
• Длительность -1-1000 мс
• Монополярный метод отведения (обычно)
• Аналогово-цифровое преобразование
• Многократное предъявление
• Усреднение

85.

Усреднение
• В основе выделения ССП из сигнала ЭЭГ лежат следующие
допущения:
– в ситуации многократного повторения события
регистрируемый сигнал ЭЭГ (SUMi (t)) является суммой двух
компонентов: спонтанной ЭЭГ Si(t) и потенциала, связанного
с событием Pi (t);
– компонент Si (t) распределен случайно для ряда
последовательных повторений события;
– компонент Pi (t) постоянен для всех повторений события,
т.е. сигнал при i-м повторении события в момент t
представляет сумму:
SUM (i ) S (i ) P(i )
– При суммировании Nt сигналов, зарегистрированных
при
t
t
последовательных повторениях события, компонент Pi(t)
будет устойчив, a Si(t), как ошибка среднего значения,
изменяется пропорционально величине 1/N.
– Иногда среднее арифметическое целесообразно заменять
медианой

86.

Количество предъявлений
• при суммировании 25 реализаций ЭЭГ в
полученном ССП отношение сигнал/шум
будет 1 : 5,
• при 100 реализациях – 1 : 10
• Для обычных ВП и УНВ достаточно 30-50
реализаций
• Для стволовых ВП более 4000

87.

Различные волны

88.

Варианты последующего анализа
• Визуальное или компьютерное выделение
амплитуд и латентностей определенных
волн (P100,N200,P300)
• Определение компонентов ВП
отличающихся в различных состояниях или
при предъявлении различных стимулов,
при протекании различных психических
процессов
• Локализация дипольных источников
потенциалов