Содержание к диссертации
Введение
1. Обзор литературы 7
1.1 Общие представления о взаимодействиях областей мозга 7
1.1.1 Функциональное разделение и объединение 7
1.1.2 Эффективные связи и оценка причинности 8
1.2 Сети состояния покоя в мозге человека 10
1.3 Обработка зрительной информации 13
1.3.1 Области коры и проводящие пути 13
1.3.3. Экспериментальная задача оддбол 16
1.4 Функциональная магнитно-резонансная томография и ее применение к изучению мозговых процессов 17
1.4.1 Физические основы метода МРТ, последовательность «градиентное эхо» 17
1.4.2 BOLD-контраст, эхо-планарная томография EPI 20
1.4.3 BOLD-сигнал и мозговая активность 22
1.5 Электроэнцефалография и ее применение к изучению мозговых процессов. ЭЭГ высокой плотности 24
1.5.1 Основы электроэнцефалографии 24
1.5.2 Биофизические основы электрической активности мозга 26
1.5.3 Методика записи. ЭЭГ высокой плотности 27
1.5.3 Ограничения и недостатки метода ЭЭГ 28
1.6 Энтропия переноса информации 29
1.6.1 Теоретические основы Трансферной Энтропии 29
1.6.2 Методы расчета Трансферной Энтропии 30
1.6.3 Преимущества и недостатки метода 33
1.7 Динамическое каузальное моделирование 34
1.7.1 Основы метода. Анализ данных ЭЭГ 34
1.7.2 Динамическое каузальное моделирование данных фМРТ 42
2. Материалы и методы 49
2.1 Исследование сетей состояния покоя 49
2.1.1 Объекты исследований 49
2.1.2 Параметры сканирования 49
2.1.3 Предобработка экспериментальных данных 50
2.1.4 Картирование активности, общая линейная модель 56
2.1.5 Расчет Трансферной Энтропии 58
2.1.6 Базовая модель связей между 4 областями 59
2.1.7 Расширенная модель связей между 5 областями 61
2.1.8 Редуцированная модель связей между 4 областями 63
2.2 Исследование сетей в реакции зрительного ответа 64
2.2.1 Выбор метода исследований 64
2.2.2 Запись и предобработка ЭЭГ 64
2.2.3 Оценка эффективных связей в зависимости от типа стимула при оддбол-задаче 65
2.2.4 Оценка эффективных связей в зависимости от времени. Предсказательное кодирование 67
3. Экспериментальные результаты 70
3.1 Эффективные связи в сетях состояния покоя 70
3.1.1 Потоки информации между 4 базовыми областями по данным Трансферной Энтропии 70
3.1.2 Потоки информации между 6 областями по данным Трансферной Энтропии 73
3.1.3 Базовая модель связей между 4 областями 74
3.1.4 Расширенная модель связей между 5 областями 78
3.1.5 Редуцированная модель связей между 4 областями 82
3.1.6 Анализ результатов моделирования 84
3.2 Эффективные связи в реакции зрительного ответа 88
3.2.1 Оценка эффективных связей в зависимости от типа стимула при оддбол-задаче 88
3.2.2 Роль обратных связей. Предсказательное кодирование 91
3.2.3 Анализ результатов моделирования 92
Заключение 97
Основные результаты и выводы 101
Список сокращений 103
Список литературы 104
- Обработка зрительной информации
- Биофизические основы электрической активности мозга
- Картирование активности, общая линейная модель
- Базовая модель связей между 4 областями
Обработка зрительной информации
Основоположник электроэнцефалографии Ганс Бергер еще в 1931 году одним из первых высказал мысль, что мозг сохраняет свою активность в состоянии покоя.
Нейронные сети состояния покоя (RSN – resting state network) впервые описаны в 1995 году [8]. Исследователи обнаружили спонтанные синхронные изменения метаболизма в сенсомоторной коре левого и правого полушария мозга человека, который неподвижно лежал в сканере.
Открытие функциональной сети по умолчанию (DMN – Default Mode Network) было связано со скептицизмом в эффективности методики ПЭТ в связи с обнаружением областей мозга деактивирующихся при выполнении заданий [126]. Другие авторы высказывали предположения, в том числе, основанные на устных отчетах испытуемых, что данные области активируются в пассивных ментальных состояниях, связанных с генерацией и манипуляцией с ментальными образами, формированием планов на будущее и при активации эпизодической автобиографической памяти [2].
В дальнейшем стало понятно, что необходим подход, который будет характеризовать мозг как единую сетевую структуру, сохраняющую постоянство своего метаболизма в независимости от внешних воздействий. Области мозга, активирующиеся в состоянии спокойного бодрствования и деактивирующиеся при внешней стимуляции, были окончательно определены как DMN в ряде работ Рейчл и Гаснад [51, 94]. Эти исследователи так же поддержали идею, что данная структура может быть связана с самосознанием. Первоначально DMN была определена как сеть, деактивирующаяся при выполнении широкого круга активных задач по данным ПЭТ. Критика противников данного подхода заставила исследователей прибегнуть к методике блокирования индуцированной задачей деактивации, где сравнивали блоки данных для активных и пассивных задач [78, 106]. Аналогичный подход был перенесен на фМРТ [12]. Оценка корреляций активности гиппокампальной формации (HF) также позволила выявить основные структуры DMN [48, 121].
Спонтанные флуктуации активности существуют на всех уровнях нервной системы и экспериментально доказаны: для отдельного нейрона [113], нейронной колонки и отдельных частей целого мозга [8].Анализ эндогенных колебаний метаболизма позволил выявить крупномасштабные функциональные сети в состоянии спокойного бодрствования (RS 11 resting state) для моторных [8], зрительных [87], слуховых и связанных со вниманием отделов головного мозга [32]. Исследовалась их иерархия и взаимодействие между собой. Были выдвинуты предположения о внутренней дифференциации сетей, показана возможность различить их структуру [6, 13]. Различными методами были обнаружены отделы мозга с высокой концентрацией связей (хабы) [108]. Продемонстрирована модульность этих отделов и их взаимная подчиненность (иерархия) [31].
Также ведется много работ по оценке каузальности или эффективных связей в пределах одной сети состояния покоя при различных патологиях до и после лечения. К примеру, в работе [62] оценивается изменение эффективных связей между моторной зоной, таламусом и путаменом у пациентов с болезнью Паркинсона до и после глубокой мозговой стимуляции (DBS). Показано, что с помощью оценки изменений в силах связей можно предсказать клиническую эффективность метода DBS.
Дальнейший анализ DMN, которая до сих пор остается одной из наиболее изученных функциональных сетей головного мозга, так же проводили в состоянии покоя. Основные части DMN были идентифицированы в медиальной префронтальной коре (mPFC), задней части поясной извилины (PCC) и в нижнетеменной коре (IPС) обоих полушарий [12]. Для более детально рассмотрения эти регионы сопоставляют с уточненными полями Бродмана (BA) [123]. Передняя порция сети делится на вентральную vmPFC (BA 24, 10 m/10 r/10 p, 32ac) и дорсальные dmPFC (BA 24, 32ac, 10p, 9) части. Задняя часть PCC/Rsp включает, как непосредственно заднюю цингулярную кору, так и ретросплениальную кору (BA 29/30, 23/31). К латеральным отделам DMN кроме IPC (BA 39, 40) относят латеральную височную кору (LTC, BA 21) и гиппокампальную формацию (гиппокамп, энторинальная кора, парагиппокампальная кора). Ключевые регионы DMN хорошо связаны структурно [55, 123] и фукционально [48] . mPFC и PCC связаны мощными цингулярными трактами, которые идентифицированы методом диффузионной спектральной томографии - DTI [54].
Вентральная часть mPFC имеет связи c энторинальной и периринальной корой. Непосредственно от гиппокампа и субикулума структура получает только афферентные влияния. Обратные связи с гиппокампальным комплексом осуществляются через срединное ядро таламуса n. Reuniens [26]. Нижнетеменная кора (IPC) функционально гетерогенная область, которая участвует в зрительно-пространственном ориентационном внимании, памяти и при выполнении математических операций. Функциональный и структурный анализ показал, что только задняя часть угловой извилины (PGP) более тесно связана с вентромедиальной префронтальной корой, задней частью поясной извилины и гиппокампальными регионами, т.е. со структурами которые относят к DMN [116]. Тракты, связывающие IPC и PPC, были идентифицированы DTI с использованием вероятностного подхода и не для всех испытуемых [64], что может быть связано с их пересечением продольными волокнами. Основные части DMN показаны на рисунке 1.1.
Первые работы по моделированию эффективных связей между областями DMN, выявили что mPFC посылает информацию в PCC, а двусторонняя нижнетеменная кора передает информацию как PCC, так и в mPFC. Кроме этого установлено, что эндогенные воздействия могут быть сильнее в правом полушарии, чем в левом [24].
Помимо фундаментальных знаний об устройстве базовых механизмов сознания, исследования фМРТ в состоянии покоя могут указать на биомаркеры заболеваний различной природы. Исследования фМРТ в состоянии покоя уже показали свою применимость к оценке функциональных изменений, связанных с широким спектром патологий, включая болезнь Альцгеймера [18], шизофрению [74, 129], аутизм [77], синдром дефицита внимания и гиперактивности [115], эпилепсию [91] и другие.
Несмотря на многие исследования связей в пределах одной сети состояния покоя, не так много попыток было проведено для оценки эффективной интеграции между сетями, как правило, оценивалось каузальное взаимодействие между ограниченным числом сетей. Для состояния покоя проведено лишь одно исследование по каузальному взаимодействию трех основных сетей, в то время как устойчивых от человека к человеку сетей состояний покоя насчитывается как минимум десять [59]. Это исследование проведено с помощью метода анализа независимых компонент и динамического каузального моделирования. Оно показало, что сеть SN (salience network) является «переключателем» между сетями DMN и CEN (центральная исполнительная сеть) [47].
Биофизические основы электрической активности мозга
Для любого набора параметров , входного сигнала и совместное уравнение состояния может быть проинтегрировано, далее, применяя выходную нелинейность X, можно получить предсказанный BOLD-ответ Щи, в). Модель можно расширить, добавив ошибку наблюдения е и неустранимые помехи измерений (такие как, например, низкочастотный дрейф МР сканера): у = к(и,в) +Хр + е (31)
Выражение (31) - основа для оценки нейрональных и гемодинамических параметров по полученным фМРТ данным на основе Байесова подхода, описанного ранее. Вкратце, предполагая Гауссовым апостериорные распределения параметров, EM - алгоритм оценивает апостериорные математические ожидания и ковариации параметров, а также гиперпараметры ковариаций шума наблюдений е [40].
После инверсии модели, апостериорные распределения параметров могут быть использованы для проверки гипотез о размерах и природе эффектов на нейрональном уровне. На индивидуальном уровне эти гипотезы сводятся к вопросу: с какой вероятностью некоторый параметр (или вектор параметров с коэффициентами, или контраст) превосходит заданный порог (например, нуль).
Параметры эффективных связей из системы (29) называются силами связей и являются константами скоростей ответов нейрональных популяций (единицы: 1/с = Гц), имеющих экспоненциальный характер. Рассмотрим линейное дифференциальное уравнение х = ах, тогда x(t) = x0exp (at) и если принять х(т) = 0.5х0 = х0ехр(ат), то а = Ы2/т. То есть сила описывает скорость изменения нейронального ответа и обратно пропорциональна периоду уменьшения нейронального ответа в два раза.
Ранее речь шла о детерминированном DCM - методе, в котором мозг представляет собой систему, принимающую сенсорный сигнал (меняющийся в зависимости от условий эксперимента), и производящую наблюдаемый BOLD-сигнал. В отсутствии внешнего возбуждения (в случае эксперимента в состоянии покоя) нейрональные сети возбуждаются благодаря внутренним спонтанным возмущениям, присущим многим биологическим системам [27]. Эти возмущения - внутренние нейрональные флуктуации, отвечающие за динамику скрытых нейрональных состояний. Включение этих флуктуаций означает, что модель теперь основывается на дифференциальных уравнениях со случайными членами, отвечающими как за дрейф, так и за диффузию [98]. Компонент, связанный с дрейфом включает в себя якобиан, то есть матрицу эффективных связей, компонент, связанный с диффузией моделирует эндогенные флуктуации. Стохастическая порождающая модель для фМРТ в состоянии покоя, как и любая другая DCM, состоит из двух уравнений: уравнения эволюции системы (уравнение движения) в форме Ланжевена: xft) = f(x(t), в) + vft) (32) и уравнения наблюдения, которое является отображением скрытых нейрональных состояний на наблюдаемый BOLD - ответ. yft) = h(x(t), р) + eft) (33) где xft) - скорость изменения нейронального состояния x(t), в - совокупность всех неизвестных параметров (включая параметры связей), vft) (и eft) соответственно) - стохастические процессы, называемые шумами состояний (и наблюдений соответственно), моделирующие случайные нейрональные флуктуации, являющиеся основой спонтанной нейрональной активности в состоянии покоя. В уравнении (33), ср - неизвестные параметры наблюдаемого (гемодинамического) ответа [98]. В предположении линейности системы уравнение (1) принимает вид: xft) = Axft) + vft) (34) где ,4 - матрица параметров эффективных связей.
Стохастическая модель, описанная выше, и ее Байесова инверсия или нахождение параметров, позволяет оценивать эффективные связи в системе. Однако для этой инверсии необходима оценка скрытых состояний, которые в данном случае становятся случайными (вероятностными) переменными. При большом числе скрытых состояний и, как следствие, параметров системы, задача становится вычислительно сложной и трудно реализуемой на практике. Для того чтобы обойти эту проблему, в работе [41] предложена спектральная версия DCM, основанная на детерминированной модели, которая генерирует не саму временную динамику нейрональных систем, а их наблюдаемый кросс-спектр. Такой метод предполагает инверсию стохастической модели при помощи параметризации нейрональных флуктуаций. Параметризация также позволяет сравнивать параметры связей между группами испытуемых. Параметризация эндогенных флуктуаций означает, что состояния больше не являются вероятностными величинами, Байесова инверсия модели становится намного проще, так как нет необходимости оценивать скрытые состояния, а ищутся лишь оценки параметров. Проще говоря, в то время как при инверсии стохастической модели оцениваются зависящие от времени флуктуации нейрональных состояний, тем самым генерируется предсказанный фМРТ сигнал, спектральное DCM оценивает не зависящие от времени параметры кросс-спектра этих флуктуаций. Это достигается путем замены исходных временных рядов их кросс-спектром, предполагая стационарность процессов (для записи в состоянии покоя). Это означает, что вместо меняющихся во времени скрытых состояний, необходимо оценить их ковариацию, которая во времени не меняется. Выражение для случайных флуктуаций нейрональной активности и шума наблюдения получено ранее [7, 105]: gv(co,6) = avco-pv ge(co,e) = аеаРе (35) где fa,j3J сів - параметры амплитуды и экспоненты спектральной плотности нейрональных флуктуаций. Эта модель описывает нейрональный шум со спектром І/f и может применяться как для описания шумов быстрых процессов (измерения ЭЭГ), так и медленных (измерения фМРТ).
Используя параметры в ID{A, а,Р), выражение для предсказанного моделью кросс-спектра примет вид: y(t) = k(t)0v(t) + e(t), k(t) = dg/dz- exp(tdf/ac), gy(co, в) = lK(co)l2gv(co, в) + ge(co, в) (36) где К((о) - Фурье-образ ядер Вольтерра системы k(t), которые являются функцией параметров эффективных связей, знак 0 обозначает оператор свертки. В результате Байесовой инверсии можно получить оценку неизвестных параметров, а также /о -правдоподобия In p(gy(m)lm) и аппроксимацию условных распределений q(y/) p(y/lg(co),m), где т - номер некоторой модели, у/ = {в, ср) - совокупность неизвестных параметров, gy( a) - предсказанный кросс-спектр, который может быть оценен, к примеру, с помощью авторегрессионной (АР) модели. В работе [98] предложена АР четвертого порядка для гладкости предсказанного кросс-спектра. При моделировании фМРТ сигнала обычно рассматриваются частоты от 1/128 Гц до частоты Найквиста в конкретном эксперименте. Метод спектрального DCM показал свою эффективность в оценках каузальных связей как на модельных данных [39, 42, 98], так и на реальных экспериментальных фМРТ и ЭЭГ данных как здоровых испытуемых [39, 98], так и пациентов с шизофренией [17].
Недостатки метода вытекают из предположения о линейности системы, которое не позволяет анализировать пространственные или временные изменения связанности [11]. Другими словами, по сравнению с детерминированным DCM для временных рядов, нельзя смоделировать изменения в эффективных связях, вызванные парадигмой эксперимента или нелинейными пространственными зависимостями. Однако, основные применения фМРТ в состоянии покоя не подразумевают сложной экспериментальной задачи и фокусируются на нахождении различий между испытуемыми (или группами). Инверсия модели спектрального DCM по скорости превосходит инверсию стохастического DCM на несколько порядков и может быть даже быстрее детерминированного DCM для фМРТ, так как в последнем есть необходимость интегрирования дифференциальных уравнений.
Используя априорные ограничения на диапазон параметров, инверсия даже больших графов (32 узла и более) может быть проведена за короткое время. Такие ограничения могут основываться на предварительном анализе функциональных (то есть статистических) зависимостей (связей) между узлами графов [104]. В будущем планируется использование таких ограничений на параметры связей спектрального DCM для инверсии моделей с большим числом узлов. В конечном счете, возможность оценивать взвешенные и направленные графы эффективных связей, отражающие функциональную архитектуру мозга, позволяет применять анализ на основе теории графов – мощного инструмента более общей теории сетей [100].
Картирование активности, общая линейная модель
Из Таблиц 1 и 2 видно, что результаты BMA и классического Т-теста практически совпадают (в пределах погрешности), несмотря на то, что в рамках Т-теста не учитывается рассчитанная точность оценки параметра каждой связи. Таким образом, для дальнейшего анализа можно использоваться только значения BMA.
Из таблиц также видно, что связи от билатеральных структур LIPC/RIPC к mPFC и PCC весьма сильные, значимо больше нуля (p 0.01) и симметричны (p 0.05). Этот результат отчасти совпадает с предыдущей работой [24], где к тому же была найдена сильная межполушарная асимметрия в пределах DMN (преобладание связей в правом полушарии). Связи между mPFC и PCC двунаправленные, значимо отличны от нуля в группе и слабее связей, исходящих из билатеральных структур LIPC/RIPC (p 0.03). В целом, все связи, исходящие из LIPC/RIPC значимо сильнее остальных связей в пределах DMN, устойчивы в группе, потому можно предположить координирующую роль билатеральных структур в сети по умолчанию. Результат практически повторяет работы [24, 98].
Значения сил связей в моделях для начального и конечного отрезков (500 сканов) представлены в Таблице 5. В Таблице 6 приведены соответствующие стандартные отклонения.
Во-первых, из таблиц 5 и 6 видно, что в среднем значения параметров связей у моделей для 500 сканов меньше, чем у модели для полного интервала в 1000 сканов. Таблица 5 – Средние значения параметров связей (в Гц) для начального (первые 500 сканов)/конечного (последние 500 сканов). В столбцах приведены области-источники, в строках – области-приёмники активности. Нетривиальные значимые (p 0.05) связи выделены жирным шрифтом ( не значимо после коррекции Бонферрони).
Особенно это выражено для параметров связей билатеральных структур: все значения параметров связей (кроме связи от LIPC к PCC) значимо (p 0.05) меньше у начальной и конечной моделей. Для моделей начального и конечного отрезков значения параметров похожи между собой, хотя некоторые из них не значимы после коррекции на множественные сравнения (Бонферрони). Это в свою очередь может быть следствием более короткого участка моделирования: оценки параметров менее стабильны. В работе [98] показано, что среднеквадратичная ошибка оценки параметров методом спектрального DCM увеличивается на 50% при уменьшении количества фМРТ сканов с 1024 до 512. Несмотря на это, можно видеть, что нетривиальные ( 0.1 Гц) параметры в моделях 500 и 1000 сканов различаются только по своей величине (не отличаются по знаку и не обращаются в нуль). Такие различия не приводят к различиям в паттернах связей как в смысле наличия или отсутствия некоторой связи, так и в изменениях роли связей (возбуждающей или тормозной). Это означает, что лучшая в группе модель стабильна на разных временных промежутках (схема связей не меняется, параметры меняются незначительно) и описывает относительно стабильный паттерн эффективных связей между областями DMN. Этот паттерн может незначительно меняться во времени, но основные управляющие области и связи между ними остаются одними и теми же. Исходя из этого, можно предположить, что испытуемые были в примерно одном и том же ментальном состоянии на протяжении всего эксперимента (более 30 минут).
Особо стоит отметить, что, несмотря на то, что победила полностью связанная модель, не все значения параметров сил связей оказались выше порога значимости. Это может быть следствием разницы между Байесовым выбором модели (BMS) и Байесовым усреднением параметров (BMA). BMS позволяет делать выводы о самих моделях, BMA – о параметрах этих моделей. В лучшей модели могут быть некоторые связи (параметры), которые сами по себе не проходят тест на значимость в группе, однако вносят вклад в предсказательную способность модели. Эти параметры могут сильно варьироваться от испытуемого к испытуемому, либо иметь значения около нуля, либо и то и другое.
После стандартного картирования активности (SPM, Statistical Parametric Mapping) оказалось, что у четырех испытуемых из 30 не наблюдается значимая активация ни в области LHIP, ни в RHIP. Эти случаи, вероятно, нуждаются в дополнительном исследовании, однако целью настоящей работы было установить паттерн эффективных связей между активными областями, поэтому данные четверо испытуемых были исключены из дальнейшего анализа.
Для расширенных моделей с пятью активными областями (включающими в себя попеременно LHIP/RHIP) после Байесовой инверсии 96 моделей для 26 человек было получено 96 х 26 = 2496 значений свободной энергии F, являющейся аппроксимацией правдоподобия моделей [40]. Когда рассматривается значительное число моделей нужно понять, ведут ли себя модели схожим образом у разных испытуемых. Если модели стабильны по группе, т.е. действительно описывают некий биофизический процесс, общий для всех испытуемых (в нашем случае – функциональную интеграцию областей DMN), то можно предположить что одна и та же модель (схема связей) будет работать сходным образом у разных испытуемых. В противном случае, если одна и та же модель ведет себя на данных от различных испытуемых случайным образом, то, скорее всего она не описывает никакую реальную нейрональную активность. Чтобы проверить поведение моделей в группе, были рассчитаны коэффициенты корреляции между величинами F каждой из 96 моделей между 26 испытуемыми. Итогом явились корреляционные матрицы размерностью 26 х 26 – по количеству испытуемых (рисунок 3.6). Цветом закодировано значение парного коэффициента корреляции.
Как видно из матриц, для большинства пар испытуемых корреляция достаточно высока (в среднем около 0.7-0.8) за исключением двух испытуемых, у которых парные коэффициенты корреляции со всеми остальными заметно ниже. Наблюдение верно как для модели с LHIP, так и с RHIP, поэтому можно сделать вывод, что оба набора моделей стабильны в группе: одна и та же модель ведет себя сходным образом на фМРТ данных различных испытуемых, получая сильно коррелированные значения свободной энергии F (правдоподобия). Важно отметить, что в матрицах нет ни одного отрицательного значения, иными словами ни у одной пары испытуемых модели не ведут себя разнонаправленно.
Если просуммировать по группе значения F для каждой из 96 моделей, то можно увидеть, что значения, соответствующие моделям с базой а (полностью связанные модели, оказавшиеся лучшими в группе при моделировании четырех областей ранее, см. рисунок 2.2), будут сильно превосходить остальные. Этих значений 12 (по количеству способов включения парагиппокампальных областей), они представлены на рисунке 3.7 (значения F для всех остальных 96 моделей опущены для наглядности).
Базовая модель связей между 4 областями
У четырех испытуемых из 22 B модель оказалась лучше F модели, что показательно, так как обе эти модели имеют одинаковое число параметров, и вся разница в значении их правдоподобий может быть объяснена только их способностью предсказать экспериментально полученный ПСС. Нулевая же модель (не допускающая изменений силы связей) может оказаться лучше других в случае, когда изменения силы связывания не так сильны. Тогда эта модель выигрывает из-за своей относительной простоты, что тоже показательно – самая сложная модель не всегда оказывается самой лучшей. Эта вариабельность внутри группы испытуемых может появляться в результате различий в уровне внимания. Например, по сравнению с нулевой, модели F или B, скорее всего лучше опишут генерацию вызванного ответа более внимательного и мотивированного испытуемого, поскольку показано, что большие различия в ПСС наблюдаются у активных испытуемых, внимательно выполняющих задачу [92], логично предположить, что у таких испытуемых будут больше различия и в силах эффективных связей.
Одним из подходов для объяснения различия в ранних компонентах ПСС в оддбол-задаче является обучение сенсорных систем (перцептивное научение), основанное на иерархических Байесовых моделях [36]. В рамках этого подхода ПСС соответствуют ошибке предсказания, которая возникает во время восприятия стимула благодаря самоорганизующейся нейронной динамике и подавляется (между стимулами) при помощи изменений синаптической силы в процессе обучения.
В контексте настоящей работы изменения в синаптических связях во время предъявления более частых стимулов может вызвать подавление ошибки предсказания, которое отразится на записанных ПСС. С теоретической точки зрения различия в ПСС на более частый и редкий стимул появляются вследствие изменений в эффективных связях между кортикальными структурами и, таким образом, могут быть отражением изменения сил внешних (между кортикальными источниками) и внутренних (в пределах одного источника) связей. В экспериментально полученных в настоящей работе ПСС различия между редкими и частыми стимулами (p 0.05) были в компонентах с пиком около 220 мс в затылочной и 200 мс в центральных областях, куда предположительно проецируется электрическая активность источников рассмотренных моделей. Модуляция прямых связей от V1 к ITG, по всей видимости, лучше объясняет такие различия, что и нашло отражение в победе F модели.
Во второй части исследования вызванного ответа был использован метод DCM для проверки гипотезы, что зрительные вызванные ответы отражают динамику мозговых процессов «снизу-вверх» и «сверху-вниз». За последние в свою очередь отвечают обратные кортико-кортикальные связи с более высоких уровней на более низкие или возвращение возбуждения в зрительную кору на латентностях около 200 мс и более. Также был оценен относительный вклад процессов «снизу-вверх» и «сверху-вниз» в формирование ПСС на основе биологической модели нейронной массы [60].
Различие между прямыми и обратными связями основано на понятии кортикальной иерархии и специфичности слоев коры [9]. Обратных связей в коре гораздо больше и, в отличие от топографически организованных прямых связей, они имеют большое количество аксональных ветвлений и диффузную топографию, связывая различные иерархические уровни. С функциональной точки зрения обратные связи имеют большее разнообразие синаптических эффектов: прямые связи передают возбуждение через быстрые AMPA и GABA-A рецепторы, а обратные задействуют также и медленные NMDA рецепторы, которые чувствительны к разности потенциалов и потому обладают нелинейной динамикой (или эффектом модуляции) [99, 102]. Многими авторами были сделаны предположения, что рекуррентные процессы или кортикальная петля обратной связи при обработке зрительной информации необходимы для узнавания объектов [71, 93].
В настоящей работе установлено, что обратные связи необходимы для описания вызванного ответа на латентностях более 220 мс. В области 170-220 мс наблюдается паритет моделей, как по среднему, так и по медианному значению разности правдоподобий. Это может говорить о том, что приблизительно со 170-180 мс после предъявления стимула усиливается возвращение возбуждения в первичную зрительную кору V1: это возбуждение слабо влияет на вид кривых ПСС, в отличие от поздних латентностей. Модель FB имеет большее значение правдоподобия лишь у половины испытуемых – она заметно сложнее модели F, а вызванный ответ все еще генерируется в основном прямыми связями. К тому же вследствие индивидуальной вариабельности обратные связи могут возникать у испытуемых на разных, хотя и близких друг к другу латентностях (интервал 180-220 мс).
Выводы Байесова сравнения означают, что одних только прямых кортико-кортикальных связей достаточно для объяснения генерации ПСС на ранних латентностях, но на более поздних латентностях обратные связи начинают играть важную роль. Такой результат не означает, что обратные связи совсем неактивны на ранних латентностях, их эффект начинает проявляться в ПСС позже, когда активность «возвращается» с более высоких уровней на более низкие. Выводы, сделанные на основе DCM, хорошо вписываются в гипотезу информационного синтеза А.М. Иваницкого [1]. Особенно обращает на себя внимание совпадение времени усиления обратных связей (начала возвращения возбуждения в зону V1) в лучшей модели настоящей работы и времени возврата возбуждения в зрительную кору в схеме А.М. Иваницкого (170-180 мс).
Кроме того, полученные результаты для зрительных ответов схожи с результатами других авторов для моделей слуховых ПСС [44]. Авторы показали, что слуховые ПСС генерируются петлями обратных связей, а возвращение возбуждения в первичную слуховую кору A1 начинается в среднем с 220 мс после стимула. Такое сходство может говорить о том, что существуют общие механизмы генерации ПСС (независимые от модальности), а именно, имеет место возвращение возбуждения с более высоких иерархических уровней на более низкие. Результаты настоящей работы являются еще одним экспериментальным подтверждением теории предсказательного кодирования [36] и гипотезы информационного синтеза [1].