Содержание к диссертации
Введение
Глава 1. Обзор методов нелинейной динамики и их применения для изучения деятельности головного мозга 12
1.1 .Детерминированный хаос. Вводные замечания 12
1.1.1. Модель Икеда 13
1.1.2. Отображение Хенона 14
1.1.3. Уравнение Макей-Гласса 14
1.2. Некоторые формальные характеристики хаотических процессов 17
1.2.1. Тест на скопления в системах итерированных отображений 18
1.2.2. Оценка комплексности Лемпеля-Зива 20
1.2.3. Реконструкция динамики системы 21
1.2.4. Корреляционная размерность восстановленного аттрактора 27
1.2.5. Показатель Ляпунова 27
1.3. Обзор специального программного обеспечения (ПО) 28
1.4. Области применения теории детерминированного хаоса 30
1.4.1. Описание поведения отдельного нейрона 31
1.4.2. Нейронная сеть 34
1.4.3. Электрическая активность головного мозга 36
1.5. Концептуальные предпосылки для применения аппарата теории сложных систем в электрофизиологии головного мозга 38
1.6 Выводы 39
Глава 2. Численные методы обработки сигналов и их реализация при помощи проекта TISEAN 41
2.1 Проблемы, возникающие при вычислении корреляционной размерности восстановленного аттрактора 41
2.1.1 Вычисление корреляционного интеграла 41
2.1.2 Поиск линейного участка зависимости корреляционного интеграла от измельчения разбиения в двойном логарифмическом масштабе 45
2.1.3 Выбор оптимальной размерности лагового пространства 48
2.2 Алгоритм поиска участка измерения при вычислении корреляционной размерности 51
2.3 Вычисление корреляционной размерности с использованием алгоритмов входящих в состав проекта TISEAN 53
2.4 Использование алгоритмов TISEAN при автоматизированном вычислении корреляционной размерности 55
2.5 Вычисление корреляционной размерности восстановленного аттрактора при обработке ЭЭГ 51
2.5.1 Вычисление корреляционного интеграла 57
2.5.2 Выбор оптимальной размерности лагового пространства 64
2.6 Реализация алгоритмов автоматизированного вычисления лаговых параметров 65
2.6.1 Определение величины лага 65
2.6.2 Выбор величины окнаТейлера 66
2.6.3 Определение оптимальной размерности лагового пространства.. 66
2.7 Построение вычислительного комплекса на базе алгоритмов проекта TISEAN 67
2.8 Выводы 70
Глава 3. Оптимизация автоматического вычисления корреляционной размерности восстановленного аттрактора ЭЭГ 72
3.1 Специфика автоматической обработки ЭЭГ 72
3.2 Краткое описание программ, применённых для обработки экспериментальных данных 74
3.3 Автоматическая обработка массива данных 77
3.4 Обработка данных, полученных в результате психофизиологического эксперимента 79
3.4.1 Изучение эмоций 79
3.4.2. Особенности интерпретации вычисленных значений корреляционной размерности восстановленного аттрактора... 80
3.4.3. План эксперимента 81
3.4.4. Выбор оптимального алгоритма вычислений 83
3.4.5. Обсуждение результатов 89
3.5 Выводы 92
Глава 4. Исследование ЭЭГ детей младшего и среднего школьного возраста 94
4.1. Возрастные особенности нелинейной динамики ЭЭГ 94
4.2. Исследование нейрофизиологических коррелятов развития эмоциональной сферы детей 100
4.2.1. Исследованиеэмоциональной компетентности детей4-6 лет... 100
4.2.2. Связь некоторых особенностей эмоциональной сферы детей с нелинейной динамикой ЭЭГ 102
4.3 Выводы 106
Заключение 108
Литература ПО
- Некоторые формальные характеристики хаотических процессов
- Поиск линейного участка зависимости корреляционного интеграла от измельчения разбиения в двойном логарифмическом масштабе
- Краткое описание программ, применённых для обработки экспериментальных данных
- Исследование нейрофизиологических коррелятов развития эмоциональной сферы детей
Введение к работе
Электроэнцефалография как метод изучения деятельности головного мозга человека широко применяется в различных областях медицины и физиологии - в качестве как метода диагностики, так и инструмента научного познания. Во многих случаях этот способ исследований оказывается практически незаменимым.
В основе метода лежит такое физиологическое явление, как электрическая активность отдельных нейронов. Электроэнцефалограмма представляет собой запись изменяющегося во времени электрического потенциала, регистрируемого на поверхности черепной коробки. При этом данный потенциал представляет собой суммарный результат активности большого количества нейронов.
Существует немало обширных исследований, которые связывают те или
иные особенности электрической активности головного мозга,
регистрируемой таким образом, с теми или иными функциональными состояниями организма, а также с протеканием различных патологических процессов.
На данный момент существует ряд традиционных способов анализа электроэнцефалограмм, которые прочно вошли в состав вспомогательного диагностического инструментария в медицине (в основном - спектральный анализ, а также визуальная диагностика).
Данные методы обладают одним существенным недостатком. Дело в том, что все они описывают работу головного мозга в целом, практически не касаясь процессов, проходящих на уровне отдельных нейронов и их популяций. В настоящее время существует хорошо разработанная теоретическая модель, реализующая системный подход к деятельности мозга. Эта модель позволяет описывать физиологические процессы, протекающие как на микро-, так и на макроуровнях, в рамках единой терминологической
базы (А.А. Ухтомский, П.К. Анохин, В. Маунткасл, А.С Батуев). Однако, к сожалению, результаты, полученные традиционными методами анализа электроэнцефалограмм, весьма затруднительно интерпретировать в терминах этой модели.
В последнее время получил развитие ещё один метод анализа электроэнцефалограмм - с использованием формального аппарата описания динамики нелинейных систем (Г. Хакен, F. Takens, P. Grassberger, А. Babloyantz) - т.н. фрактального анализа. Этот метод как раз позволяет судить о процессах, проходящих в системе на микроуровне по процессам, наблюдаемым на макроуровне. Это особенно полезно с позиций фундаментальной науки, т. к. такие исследования предоставляют новые возможности для совершенствования представлений о соотношении динамики межнейронных взаимодействий и состояния организма в целом.
Одной из технических проблем в развитии данного направления является ресурсоём кость вычислений, а также необходимость участия оператора в их процессе. Поэтому весьма актуальной является задача построения алгоритмов, позволяющих полностью автоматизировать процедуру анализа электроэнцефалограмм нелинейными методами, применяемыми в настоящее время для этой цели.
Следующая проблема заключается в том, что в настоящий момент не существует однозначных способов вычисления некоторых величин, характеризующих нелинейные процессы, в частности корреляционной размерности восстановленного аттрактора системы. При вычислении этих величин исследователи по-разному задаются необходимыми для вычислений параметрами, а также используют различные варианты алгоритмов - каждый на своё усмотрение. Для выбора этих параметров существуют лишь общие рекомендации, но нет чётко сформулированных и доказанных теорем. В результате при вычислении характеристик одного и того же процесса разными программами и в разных исследовательских группах получаются разные результаты. Это приводит к тому, что результаты, полученные
s разными исследователями, оказываются непригодными для сравнения. Таким образом, мы лишаемся одного из наиболее важных критериев достоверности научных результатов - их воспроизводимости.
Таким образом, актуальность работы обусловлена необходимостью разработки программного обеспечения которое, во-первых, имело бы в своей основе достаточно распространённые и оптимизированные алгоритмы, и, во-вторых, позволяло бы обрабатывать большие массивы данных в поточном режиме.
Для решения перечисленных выше проблем необходимо было отобрать наиболее надёжные и апробированные алгоритмы с тем, чтобы тестировать их на нейрофизиологических данных и конвертировать в пакет программ, удовлетворяющий следующим требованиям:
Вычисления с использованием этого пакета программ должны демонстрировать максимальную дискриминирующую способность;
Этот пакет должен предоставлять возможность обрабатывать в автоматическом режиме большие массивы данных.
Цель работы
Таким образом, была поставлена цель - разработать такие способы
применения формального аппарата теории сложных систем для анализа электроэнцефалограмм, которые позволяли бы применять в научных исследованиях данный аппарат с минимальными ресурсозатратами и наибольшей валидностью. Для достижения этой цели необходимо:
разработать такие алгоритмы обработки электроэнцефалограмм, которые позволили бы полностью автоматизировать процедуру вычислений, сведя при этом к минимуму потери в точности получаемого результата;
отобрать из существующего программного обеспечения, наиболее часто применяемого в мире для решения задач нелинейного анализа биологических сигналов, такое, которое можно было бы
легко адаптировать для вычислений по разработанным алгоритмам;
разработать дополнительные программные средства, позволяющие реализовать на базе существующего программного обеспечения разработанные алгоритмы с минимальной его модификацией;
оптимизировать алгоритм вычислений с точки зрения максимального увеличения дискриминантной способности метода.
Поставленные задачи решаются с применением математического аппарата теории динамического хаоса, методов нелинейного анализа хаотических процессов и методов статистического вывода на основе дисперсионного анализа (ANOVA), реализованных на базе современных информационно-вычислительных технологий.
В работе получены следующие результаты:
Синтезированные алгоритмы, позволяющие автоматизировать вычисление корреляционной размерности и параметров реконструкции восстановленного аттрактора сигнала ЭЭГ;
Автоматизированная система анализа нелинейных процессов в нейрофизиологических исследованиях;
Методика анализа нелинейных процессов, разработанная применительно к сигналам ЭЭГ, оптимизированная по критерию дискриминирующей способности.
Полученные результаты расчётов согласуются с теоретической моделью, а также с аналогичными исследованиями отечественных и зарубежных коллег.
Практическая ценность работы. В ходе выполнения исследования найдены особенности сигналов ЭЭГ и выявлена собственно специфика физиологических исследований, которые необходимо учитывать при обработке сигналов ЭЭГ методами нелинейных динамических систем.
С учётом этой специфики разработан общий подход к анализу ЭЭГ методами нелинейной динамики, что позволит извлекать из экспериментальных данных новые закономерности, недоступные линейному анализу.
Были выявлены особенности ЭЭГ детей 4-6 лет, позволяющие более широко применять данные методы при исследованиях, относящихся к этой возрастной группе.
Способы автоматической обработки ЭЭГ, представленные в настоящей работе позволят значительно сократить время, затрачиваемое на процедуру вычислений. Благодаря этим способам появилась возможность обработки электроэнцефалограмм в потоковом режиме, практически без участия оператора.
Данные алгоритмы интегрированы в достаточно распространённый пакет прикладных программ TISEAN, что позволило сделать их доступными широкому кругу пользователей.
Предложены модификации алгоритмов вычислений оптимальные с точки зрения дискриминантной способности.
Полученные результаты будут в первую очередь полезны
исследователям нейрофизиологических процессов, изучающим
электроэнцефалографические корреляты системных процессов в головном мозге на уровне нейронов и нейронных популяций.
Апробация работы
По материалам данной работы были сделаны доклады на научном
семинаре каф. информатики РГПУ им. Герцена (Санкт-Петербург, 2004), научных семинарах ИМЧ РАН (лаборатория психофизиологии сознания и творческой деятельности, научный руководитель акад. РАН Н.П. Бехтерева, 2004), XIX всероссийском съезде физиологического общества им. И.П. Павлова (Екатеринбург, 2004), международной научно-практической конференции «Психология XXI века» (Санкт-Петербург, 2003, 2004 и 2005 гг.), научно-практической конференции «Ананьевские чтения - 2002» (Санкт-
11 Петербург, 2002), Зимних Психологических школах 2003 - 2005 гг. (СПбГУ), Международной научной конференции «58-е Герценовские чтения: секция прикладная математика» (Санкт-Петербург, 2005).
Основные результаты диссертационной работы изложены в 7-й научных изданиях.
Основой достоверности полученных результатов служит разработанный математический аппарат и согласование результатов вычислений при помощи разработанного программного обеспечения с результатами, полученными другими методами. Результаты расчётов по разработанным алгоритмам на примере модельных процессов совпадают с реальными величинами с точностью до третьего знака.
На основе представленного в работе метода и созданного программного
комплекса были впервые обработаны экспериментальные
электроэнцефалографические данные в поточном режиме; результаты эксперимента хорошо согласуются с аналогичными исследованиями отечественных и зарубежных коллег, полученными общепринятыми методами.
Основные результаты диссертации прошли также апробацию в научных трудах и докладах на международных конференциях.
Некоторые формальные характеристики хаотических процессов
В принципе, хаотический процесс можно расценивать как нечто среднее между детерминированным процессом и стохастическим. При этом по его формальным характеристикам, можно судить, насколько он близок к детерминированному процессу или, наоборот, к шуму. Иногда в этом случае говорят об оценке количества детерминизма в процессе1. Для вычисления одних характеристик необходимо восстанавливать фазовую динамику системы (подробнее об этом см. ниже), для других этого не требуется. Рассмотрим сначала последний случай. На языке оригинала это название звучит как «iterated function system clumpiness test» [69]. Этот тест позволяет отличать белый шум от коррелированных шумов (розовый, коричневый) и хаотических процессов [105]. Процедура заключается в следующем: 1. Интервал, занимаемый мгновенными значениями сигнала, разбивается на 4 квартиля. 2. На плоскости чертится квадрат и каждому его углу ставится в соответствие квартиль. Обычно первому квартилю ставится в соответствие левый нижний угол и далее по часовой стрелке. 3. В центре квадрата ставится исходная точка и от неё откладывается половина расстояния в направлении угла, соответствующего квартилю, которому принадлежит первое значение исследуемого сигнала. Далее от полученной точки откладывается половина расстояния в направлении угла, соответствующего квартилю, которому принадлежит следующее значение и т.д.
В итоге исходный ряд отображается на некоторое множество точек внутри заданного квадрата. Характер распределения точек по квадрату, зависит от исследуемого процесса.
Если мы имеем дело с белым шумом, точки заполняют квадрат равномерно (рис. 1.2-а), детерминированные процессы приводят к появлению диагональных структур (рис. 12-6); хаотические процессы также приводят к неравномерному распределению точек (рис. 1.2-е). Недостатком метода является тот факт, что можно легко перепутать розовый шум с хаотическим процессом (рис. 1.2-г). Кроме того, этот метод не даёт никаких количественных оценок. Поэтому его нельзя применять в тех случаях, когда происходит исследование выборки объектов с последующей статистической обработкой результатов.
К его достоинствам следует отнести возможность оперативной оценки характера исследуемого процесса. При этом оценка получается довольно точной, так как человеческий глаз очень чувствителен к изменениям в пространственных структурах.
Есть ещё один довольно простой способ оценки стохастичности процесса. На языке оригинала вычисляемая величина называется «Lempel-Ziv complexity». Суть метода заключается в вычислении размеров алфавита, необходимого для передачи сигнала. Для этого предпринимаются следующие шаги. Сначала исходный временной ряд представляется в виде последовательности нулей и единиц - единицы подставляются вместо значений ряда, больших медианы, а нули - вместо меньших. Затем исходная последовательность разбивается на отдельные пакеты (слова) минимальной длины таким образом, чтобы ни один пакет не повторялся. Например, если мы имеем исходный ряд вида 011000111010001011это после разбивки он приобретёт вид 0 1 10 00 11 101 000 1011 (символ « » обозначает разделение между словами). Т.е., избегая повторения слов, мы увеличиваем их длину. Если сигнал по своим свойствам близок к детерминированному, то будет наблюдаться тенденция к повторению одних и тех же слов, что приведёт к быстрому росту их длины, В результате количество слов, задействованных для передачи исходного ряда, будет меньше, чем в случае со случайным процессом. Введём величину С[2, которую можно считать мерой стохастичности процесса [76]. Пусть N - длина исходной последовательности, a Nw - количество использованных слов. Тогда CLZ = Jim sup- -Л где (1.8) L(N) Nw(N)(logNw(N) + \)
При росте стохастичности процесса новые слова появляются чаще, и Clz растёт. Так, например, для синусоидального сигнала рассчитанное значение Qz =0,044, а для белого шума Qz=1,047 (длина исходного ряда в обоих случаях составляла 2000 точек).
Поиск линейного участка зависимости корреляционного интеграла от измельчения разбиения в двойном логарифмическом масштабе
На этом этапе вычислений встречается ряд проблем, из которых следует выделить 2 основные: аттрактор любой физической системы всегда имеет конечные размеры; в ЭЭГ всегда присутствует стохастическая составляющая - шум. Оба этих обстоятельства приводят к усложнению поиска линейного участка зависимости \ogC(e) от log\ Рассмотрим пути решения этой проблемы. В идеальном случае для того, чтобы найти линейный участок зависимости logC(e) от logs строят т.н. график Раппа - зависимость величины её локальных наклонов от log. Горизонтальный участок графика Раппа, или т.н. «плато» называется областью измерения (scaling region) и соответствует искомому линейному участку (рис. 2.3). На рисунке видно, что в область измерения не попадают очень большие и очень маленькие значения є. С{є) можно рассматривать как среднюю локальную плотность точек аттрактора в совокупности окрестностей радиусом є. При очень больших значениях с на результатах вычислений сказывается геометрия аттрактора, линейные размеры которого оказываются соизмеримыми с є. Если є принимает очень маленькие значения, то в силу конечности ряда в сферу такого радиуса попадает очень мало точек и их количество оказывается в большой степени случайной величиной.
Если мы имеем дело с ЭЭГ, то при малых значениях є к тому же сказывается зашумлённость процесса, т.к. белый шум приводит к тому, что размерность восстановленного аттрактора оказывается равной Demb.
В связи с этими обстоятельствами поиск области измерения оказывается возможен только визуально и его алгоритмизация весьма затруднительна. Зачастую по внешнему виду графиков тоже оказывается трудно определить границы искомой области.
Вышеупомянутые способы выбора Demb позволяют задаваться значениями её величины с точки зрения достаточности. Вместо этого можно выбирать минимально необходимую размерность лагового пространства. Метод, позволяющий сделать это, называется методом «поиска ближайших ложных соседей» (False Nearest Neighbors, FNN) [73].
Суть метода в следующем. Сначала предположим, что мы правильно построили аттрактор в лаговом пространстве, размерность которого больше необходимой. Тогда ближайшая окрестность любой точки восстановленного аттрактора будет отображением ближайшей окрестности соответствующей точки исходного аттрактора. Теперь представим себе, что получится, если спроецировать аттрактор, да и вообще любую фигуру в пространство, размерность которого недостаточно велика (например, шар на плоскость). Очевидно, что в этом случае некоторые точки исходной фигуры, расположенные далеко друг от друга, на проекции могут оказаться соседними. Такие точки и называются ложными ближайшими соседями.
В [73] приведён следующий алгоритм вычисления относительного количества ложных ближайших соседей в восстановленном аттракторе.
В лаговом пространстве выбираются две соседние точки, принадлежащие восстановленному аттрактору - xs и хз; вычисляется расстояние между ними. После этого вычисляется расстояние между этими же точками в аттракторе, восстановленном в лаговом пространстве, размерность которого на единицу больше. Вычисляем соотношение между этими расстояниями: Если полученная величина превышает некоторое пороговое значение, то точки х( и Xj можно считать ложными соседями. В [73] показано, что пороговое значение этой величины можно принять равным 10.
С увеличением Demh количество ложных соседей уменьшается. Таким образом, минимально необходимой будет такая размерность лагового пространства, при которой число ложных соседей равно 0 (рис. 2.4). Следует обратить внимание на то обстоятельство (см. зависимость, построенную для сигнала ЭЭГ), что при увеличении Demh с 5 до 6 число ложных ближайших соседей не уменьшается, а увеличивается. Такое поведение графика обусловлено тем, что в анализируемой временной последовательности было недостаточно точек для анализа.
Если исследуется зашумлённыЙ сигнал ЭЭГ, то свести число ложных соседей к нулю невозможно и тогда приходится задаваться некоторым допустимым их количеством. Наименьшую размерность лагового пространства, при которой относительное число ложных соседей не превышает этого порога и можно считать минимально необходимой для реконструкции аттрактора, а величину D2, полученную для данной Demb - его корреляционной размерностью.
Краткое описание программ, применённых для обработки экспериментальных данных
Для решения поставленной задачи нами был обработан массив данных - записи ЭЭГ. Для расчётов применялись следующие программы. Компилированные алгоритмы проекта TISEAN: mutiial.exe, stp.exe, d2.exe, av-d2.exe, c2t.exe; дополнительные программы -утилиты: loc_min.exe, getextr.exe, avform.exe, findl .ехе, comp_x.exe, param_c.exe, nmpar.exe, mnapp.exe - основные; namedir.exe, getrec.exe, friecrt.exe, fde2dir.exe - вспомогательные. В приложении 1 приведены форматы командной строки, входных и выходных файлов для всех используемых программ. Здесь же только отметим, что форматы командных строк всех программ проекта TISEAN унифицированы; в связи с этим форматы командных строк дополнительных программ-утилит построены таким образом, чтобы соответствовать принципам данной унификации. Рассмотрим вкратце работу используемых программ. Из проекта TISEAN: mutaal.exe вычисляет функцию совместной информации ряда. Кроме того, с помощью этой программы можно вычислять энтропию Шеннона. stp.exe - строит графики пространственно-временного разделения. d2.exe - вычисляет корреляционную функцию исходного ряда для различных значений размерности лагового пространства, её локальные наклоны, а также корреляционную энтропию6. av-d2.exe - сглаживает графики, получаемые при помощи программы d2.exe. c2l.exe - преобразует корреляционную функцию в графики оценивателя Такенса-Тейлера (Takensheiler estimator) (рис. 6-в, гл. 2). Дополнительные: locjnin.exe - определяет координаты первого локального минимума исходной функции, представленной в виде файла, содержащего два столбца -значения абсцисс и ординат. geiexir.exe - определяет значение абсциссы, соответствующее первому минимуму, общему для всего семейства кривых пространственно-временного разделения (см. рис. 2.7, гл. 2). avform.exe - преобразователь формата файлов. Формат файла, получаемого на выходе программы av-d2.exe не соответствует формату Мы рассматривали корреляционную функцию как зависимость C(ff) при фиксированных значениях Demb. Однако если задаваться разными значениями этой величины, то мы получим соотношение где величина h2 и является корреляционной энтропией. исходного файла для программы c2t.exe. Avform.exe производит соответствующую коррекцию формата. find_l.exe - осуществляет поиск участков графиков, ординаты которых находятся в заданных пределах (см. рис. 2.5, гл. 2); диапазон изменений абсцисс на этих участках используется для дальнейших вычислений. comp_x.exe - выделяет из графиков Раппа (или аналогичных) участки, абсциссы которых меняются в пределах, полученных при помощи программы/шс/Леге. param_c.exe - вычисляет средние, минимальные и максимальные значения фрагментов графиков, полученных при помощи программы comp_x.exe, а также дисперсию значений на этих участках. choose./, ехе - выбирает из файла, содержащего несколько столбцов, один из них. runpar.exe - запускает любое DOS-приложение, подставляя в его командную строку в качестве параметров содержимое указанных файлов. nmapp.exe - запускает DOS-приложения во всех поддиректориях нижнего уровня указанного директория. Может игнорировать поддиректории, содержащие заданный файл, либо, наоборот, в которых заданный файл отсутствует. namedir.exe - создаёт файл, содержащий имя текущего директория. getrec.exe - извлекает из файла символы, находящиеся на определённых позициях, и записывает их в файл в виде строки; в следующую строку записывает символы, извлечённые из следующего файла. Эта программа необходима для того, чтобы из множества файлов, содержащих результаты расчётов (выходные файлы программы param_c.exe), выбрать необходимые значения и собрать их в один файл для дальнейшей статистической обработки. ftlecrt.exe - программа создаёт текстовый файл, содержание которого можно указывать в командной строке. Предназначена, в основном, для создания файлов-маркеров, необходимых для работы программы nmapp.exe. fde2dir.exe - программа перемещает все файлы директория в поддиректории, имена которых соответствуют именам данных файлов.
Может пригодиться для приведения массива исходных данных в удобный для обработки вид. Для вычисления величины корреляционной размерности создан пакетный файл (batch-file), который, будучи запущенным в директории, содержащем файл с обрабатываемым рядом, по очереди запускает все необходимые для обработки программы; в итоге в этой директории оказывается сохранённым файл, содержащий результаты вычислений. Более подробно об этой процедуре написано в приложении.
Разработанное программное обеспечение позволяет производить автоматизированную обработку больших объёмов данных. При этом дополнительными требованиями к небу были: - максимальное упрощение дополнительного программного обеспечения; - способность в случае неожиданного прекращения вычислений по техническим причинам (напр. перебои питания и пр.) после восстановления системы продолжить работу с того ряда, во время обработки которого произошёл сбой.
Последнее требование актуально постольку, поскольку на обработку больших массивов данных требуется довольно длительное время - десятки часов. В связи с этим вероятность того, что в процессе вычислений могут произойти сбои в работе компьютера, достаточно велика для того, чтобы ею нельзя было пренебречь.
В итоге процедура автоматизации приняла следующий вид. Каждый файл, содержащий многоканальную запись ЭЭГ, помещается в отдельный директорий и преобразуется в несколько файлов - по одному каналу в каждом. После этого полученные файлы опять-таки помещаются в отдельцые поддиректории. В итоге все файлы-каналы имеют одинаковое название (например, chnf.dat), но находятся в разных поддиректориях. Путь к такому файлу выглядит следующим образом: \rootdir\name\channel\chnf.dat. Здесь "rootdir" - название корневого каталога, содержащего весь массив обрабатываемых данных; "name" - название исходного файла, содержащего запись ЭЭГ (как правило - ФИО испытуемого в сокращенном виде); "channel" - название канала. Все эти преобразования с массивом данных позволяет сделать
В каждом поддиректории нижнего уровня создаётся файл-маркер - при помощи программы filecrt.exe. После этого при помощи программы runapp.exe в каждом поддиректории нижнего уровня по очереди запускается пакетный командный файл (batch-file), в котором прописана вся процедура обработки файла с данными. При этом последняя процедура, прописанная в пакетном файле -стирание файла-маркера. Таким образом, в случае аварийного прекращения обработки массива данных и последующего её запуска, поддиректории, в которых файл-маркер отсутствует, будут пропущены. Обработка данных продолжится в тех поддиректориях, в которых он в наличии - т.е. в тех, в которых данные ещё не обрабатывались. Кроме того, в случае сбоя в работе (например, это может случиться из-за неверного формата файла с входными данными) дополнительно разработанные программы: - создают файл ( .log) с отчётом об ошибке; - передают управление следующей в пакетном файле программе, не «подвешивая» всю систему.
Благодаря этому после обработки всего массива можно осуществить поиск файлов с сообщениями об ошибках, выявив неправильно обработанные каналы ЭЭГ, а также этап обработки, на котором произошёл сбой. Наконец, заключительным этапом обработки массива является копирование результатов расчётов из файлов, находящихся в разных поддиректориях в один файл. В каждый отдельный файл собираются данные по всей выборке испытуемых, относящиеся только к одному каналу ЭЭГ. Это делается при помощи соответствующего пакетного файла и программ namedir.exe и getrec.exe. Более подробно эта процедура описана в приложении 2.
С точки зрения возможности применения формального аппарата теории детерминированного хаоса, одним из перспективных направлений психофизиологических исследований является изучение эмоций. Эта проблема особенно актуальна постольку, поскольку комплексное изучение мозга человека и сознания невозможно без изучения эмоций [46]. В контексте изучения эмоциональных процессов теория функциональных систем хорошо согласуется с потребностно-информационной теорией эмоций, разработанной П.В. Симоновым. Согласно этой теории, «каждому эмоциональному состоянию присущ свой собственный рисунок симпато-парасимпатического взаимодействия...» [31].
Исследование нейрофизиологических коррелятов развития эмоциональной сферы детей
На этой же выборке детей было проведено исследование их эмоциональной компетентности - способности узнавать и выражать эмоции. Исследование проводилось на базе Южно-Уральского государственного университета (г. Челябинск) в рамках докторского исследования доц. каф. прикладной психологии Болотовой Е.В. После того, как данное исследование было завершено, была предпринята попытка найти взаимосвязь нелинейной динамики ЭЭГ ребёнка и его эмоциональной компетентности. Для исследования эмоциональной сферы детей применялась специальная методика [6, 7], позволяющая диагностировать: - понимание эмоционального состояния по рисунку; - способность к эмоциональной экспрессии; - понимание взаимосвязи эмоционального состояния и социальной ситуации. Данная методика позволяет исследовать пять основных эмоций: радость, грусть, гнев, страх и удивление.
Для проведения методики был разработан специфический стимульный материал. Он представляет из себя карточки на которых нанесены рисунки, изображающие лицевую экспрессию указанных эмоций. Стимульный материал разбит на три группы сложности - для предъявления испытуемым из разных возрастных групп и, соответственно, с разными возрастными особенностями развития эмоциональной и когнитивной сфер психики («А» -пиктограммы, «В» - графическое изображение, «С» - картинки).
Исходя из возрастных особенностей и времени реальной работоспособности детей, процедура диагностики занимает 15-20 минут. Вся процедура диагностики состоит из шести этапов. 1. Узнавание эмоции по графическому изображению. Ребенку предъявляются карточки с графическим изображением эмоций. 2. Выражение эмоции (мимика и пантомимика). Ребёнок получает задание на невербальное выражение эмоционального состояния. 3. Графическое изображение эмоции. Ребёнок получает задание изобразить на листе бумаги лицо человека, переживающего определенные эмоции. 4. Узнавание эмоционального состояния говорящего по вербальной экспрессии. Экспериментатор выражает голосом определенное эмоциональное состояние. 5. Выражение эмоционального состояния при помощи голоса. Ребёнок получает задание на вербальное выражение какого-либо эмоционального состояния. 6. Эмоциональное отношение к эмоциогенной ситуации. Ребенку даётся вербальное описание эмоционально нагруженной социальной ситуации и он должен описать своё к ней отношение.
Все этапы можно условно разбить на 4 части: A. Невербальные проявления эмоций (этапы 1, 2 и 3); Б. вербальные проявления эмоций (этапы 4 и 5); B. социальная ситуация - эмоциональное отношение (этап 6). В результате тестирования ребёнок за каждое правильно выполненное задание получает 1 балл. Итоговая оценка является показателем развития эго эмоциональной сферы - способности к эмоциональной коммуникации. В дальнейшем исследовании использовались раздельные оценки способности узнавать и выражать эмоции.
Таким образом, мы видим, что связь вариативности работы мозга и способности к узнаванию и выражению эмоций проявляется у детей, в основном, в ЭЭГ, зарегистрированной в левополушарных отведениях. При этом в случае узнавания эмоций эта связь проявляется в отведении расположенном над участками соматосенсорной и моторной коры (СД а также над первичной слуховой корой и речевыми зонами (Тз). В случае выражения эмоций - над участками соматосенсорной и моторной коры (Сз), премоторной коры (Fz), ассоциативными зонами (Р3) и зрительной корой (Oi).
В различных исследованиях показано, что существует прямая связь между успешностью той или иной деятельности и оценками / восстановленного аттрактора ЭЭГ [15, 79]. Таким образом, в нашем случае можно предположить, что успешность выполнения тестовых заданий в какой-то степени зависит от вариативности деятельности указанных выше участков мозга.
На первый взгляд полученные данные могут показаться противоречащими существующим представлениям о том, что эмоциональная сфера в основном связана с процессами, протекающими в правом полушарии. Подобный результат можно объяснить следующим образом.
В выполнении психологического теста оказываются задействованы не только те участки мозга, которые непосредственно относятся к эмоциональной сфере. Например, например, сообщение об опознанной эмоции осуществляется в вербальной форме. Поскольку у детей этого возраста речь ещё окончательно не сформирована, эта составляющая задания может вызывать не меньшие затруднения, чем его основная часть. Это значит, что для её выполнения требуется больше ресурсов и успешность зависит от того, насколько развита соответствующая структура головного мозга.
На основании изложенных рассуждений мы можем предположить, что результаты использованного нами тестирования эмоциональной сферы ребёнка обусловлены не столько развитием собственно эмоций, как биологических адаптационных механизмов, сколько развитием способности к осознанной деятельности, имеющей отношение к социализации эмоциональных процессов.
Следует отметить, что внутри исследуемой возрастной группы различий по этой величине выявлено не было. Это можно объяснить тем, что в этом возрасте по мере формирования новых нейронных ансамблей может иметь место ещё один процесс - минимизация ансамблей, которые были сформированы ранее, с сохранением их функции.
Исследование эмоциональной компетентности детей (способности узнавать и выражать эмоции) показало, что существует положительная связь между данным показателем развития психических функций и корреляционной размерностью восстановленного аттрактора ЭЭГ, зарегистрированной, в основном, в левополушарных отведениях. Эти результаты говорят о том, что эмоциональная компетентность детей в немалой степени обусловлена развитием левополушарных отделов головного мозга, связанных с речевой деятельностью.
