Разработка алгоритмов, методов и средств исследования нейронных ансамблей высокой специфичности Маркин, Сергей Николаевич

Введение к работе

Актуальность проблемы. Прогресс в получении новых данных в ' нейробиологии в значительной мере связан с применением адекватных вычислительных средств, алгоритмов и методов, поскольку с развитием вычислительной техники появляется возможность решать более сложные задачи, ранее недоступные для исследования. Широкое применение компьютерного анализа данных и автоматизации эксперимента цало мощный толчок в разработке новых методик проведения экспериментов, получению результатов на качественно новом /ровне и развитию теоретических исследований в области искусственного интеллекта [1,2, 6-8].

Одной из наиболее изученных структур мозга позвоночных галяется мозжечок, орган формирования и хранения основной массы деталей всех двигательных программ. В силу относительной полноты описания структуры и функций, регулярности и однородности строения, он также лидирует в качестве объекта теоретических исследований, проводимых с помощью методов математического моделирования и направленных на разработку товых вычислительных средств общего и специального газначения [4, 9-14].

Вместе с тем, центральная проблема экспериментальных и теоретических исследований мозжечка - понимание роли лианных юлокон (уникальный элемент мозжечка, вызывающий мощное юзбуждение его нейронов) в механизмах переработки шформации - остается нерешенной и является предметом многих чтотез [4, 9, 11, 14], среди которых наибольшую известность толучила гипотеза Бриндли-Марра-Олбуса об обучающей роли шанных волокон. Однако эта гипотеза с * определенностью не зерифицирована в эксперименте.

Для принципиального решения этой проблемы было предложено проведение исследований на клетках Пуркинье выходные нейроны мозжечка), управляемых одним и тем же шанным волокном [10]. Группы таких клеток определены в >аботе как' ансамбли высокой специфичности. Несмотря на іесспорньїе данные о наличии таких ансамблей и интенсивные ісследования коры мозжечка, регистрации электрической іктивности пар клеток Пуркинье с общим лианным волокном до гастояшего времени не получено. Это связано, очевидно, с

чрезвычайно низкой > вероятностью их обнаружения прі случайном поиске, порядка 10~⁵ [10, 11]. Разработк компьютеризированных методов поиска указанных пар клето; может существенно увеличить его эффективность II соответственно, обеспечить продвижение в решении центральної проблемы экспериментальных и теоретических исследования мозжечка.

Цель и задачи исследования. Цель работы состояла разработке и исследовании алгоритмов, методов и средст увеличения эффективности поиска нейронных ансамбле] высокой специфичности в нейрофизиологических эксперимента) Работа была направлена на разработку методов и аппаратно программного комплекса, обеспечивающих идентификацию исследование локальных потенциалов, которые могут отражат действие одного лианного волокна на две разные клетк Пуркинье.

В процессе работы решались следующие задачи:

1. Разработка и исследование алгоритмов и методо идентификации высокоамплитудных (референтный импульс) низкоамплитудных (тестовый потенциал) сигналов с учетої специфических свойств электрической активности объект исследований.

2. Разработка и исследование алгоритмов и методов анализ взаимосвязи унитарных (отдельные импульсы) и сложны

. (временные последовательности импульсов) событий. 3/Программная реализация разработанных методов и алгоритмої 4. Оценка эффективности разработанной техники при обработк данных нейрофизиологических экспериментов.

Научная новизна исследования. Разработаны и исследован] оригинальные алгоритмы идентификации импульсной актйвност нейронов мозжечка (простые и сложные импульсы) и анализ взаимосвязи между отдельными импульсами и их временным последовательностями. Алгоритм идентификации отдельны импульсов основан на определении фронта наиболее стабильны компонент и периода рефрактерное, построени признакового описания и его модификации в соответствии динамикой параметров активности, Алгоритм идентификаци сложных событий основан на формировании дополнительны логических условий к последовательностям референтных тестовых импульсов и позволяет анализировать активное!

іескольких (до 11 в программно реализованной версии) ідновременно зарегистрированных потоков импульсации іейронов.

Разработан и исследован комплекс алгоритмов [дентификации локальных низкоамплитудных потенциалов (в 5-0 раз ниже уровня шума). Получена оценка эффективности лгоритмов, основанных на усреднении референтных и тестовых отенциалов и ряде методов увеличения достоверности езультатов.

Использование разработанной техники позволило увеличить ффективность поисковых нейрофизиологических экспериментов. ! частности, реализация метода суммации потенциалов инхронно с импульсами референтной клетки Пуркинье мозжечка ала возможность уменьшить время проведения эксперимента и бнаружить полевые низкоамплитудные потенциалы, которые оответствуют априорно сформулированным критериям егистрации активности двух разных концевых ветвей одного ианного волокна, одна из которых действует на референтную летку Пуркинье.

Научная и практическая ценность работы. . Разработанные алгоритмы и методы анализа данных позволяют проводить нейрофизиологические эксперименты нового типа, направленные на обнаружение редких событий (априорная вероятность порядка 10"⁵).

С помощью разработанной техники впервые получены регистрации локальных потенциалов, удовлетворяющих критериям активности пар клеток Пуркинье с обшим лианным волокном. Такие потенциалы могут отражать активность ансамблей высокой специфичности, представляющих собой адекватный объект для верификации различных гипотез о роли лианных волокон в процессах двигательного обучения. Программная реализация разработанных алгоритмов и методов обеспечивает проведение поисковых исследований в режиме on-line и модификацию эксперимента в ходе его проведения в соответствии с результатами анализа текущих данных. Это увеличивает эффективность поиска и дает возможность обнаружения искомых редких событий практически в каждом эксперименте.

Результаты работы использованы при выполнении проектов РОСТ-Н-85 и РОСТ-Н-104 по программе "Перспективные

информационные технологии", грантов РФФИ N 94-04-11126 и N 97-04-48324, гранта МНФ и Правительства РФ N J4E100. 5. Возможность модификации и настройки параметров программ позволяет использовать их для обработки электрической активности различных структур мозга. Разработанный пакет программ был использован в НИИ нейрокибернетики РГУ для анализа активности нейронов зрительной коры.

Апробация работы. Результаты исследований представлены на "Втором международном симпозиуме по нейроинформатике и нейрокомпьютерам" в 1995 г. (Ростов-на-Дону); на международной конференции "Нейронные сети для физиков" в

1995 г. (Миннеаполис, США); на конференции молодых ученых в

1996 - 1997 гг (РГУ), на семинаре "Методы решения краевых
задач" в НИИ механики и прикладной математики РГУ в 1997 г.
(Ростов-на-Дону), на семинаре "Нейронные схемы и теория
нейронных сетей" РАСНИ в 1997 г. (Москва).

Публикации. По теме диссертации опубликовано 6 печатных работ.

Структура диссертации. Работа состоит из введения, четырех глав, заключения, списка литературы и изложена на 119 страницах, содержит 15 рисунков и 5 таблиц; список литературы включает 104 наименования.

Во введении обоснована актуальность работы, определена цель исследований, отмечена новизна результатов, их научная и практическая ценность, сформулированы основные положения, выносимые на защиту.

Первая глава - посвящена обзору литературы по рассматриваемой проблеме в свете обоснования задач данного исследования. Глава состоит из четырех разделов.

В нервам разделе приводится нейробиологическая характеристика объекта исследования, для которого в диссертации разработаны алгоритмы и методы анализа электрической активности. Обосновывается, что кора мозжечка является наиболее изученной, однородной и регулярной структурой мозга. Рассматриваются особенности электрической активности клеток Пуркинье (КП) и нерешенные проблемы физиологии мозжечка, центральной из которых является роль

лианных волокон (ЛВ). Приведены существующие гипотезы по этой проблеме.

Во втором разделе описаны основные направления математического моделирования структуры и функции мозжечка. В частности, отмечается, что мозжечковые нейросети расцениваются как наиболее перспективные для реализации управлення в автономных системах, требуюшнх быстрой обработки больших потоков разнородной информации. Подчеркивается, что большинство известных моделей и разработок являются модификацией модели Брнндли-Марра-Олбуса [4, 9-14]. В основе этого направления моделирования мозжечка лежит факт существования двух типов возбуждающих входов к КП - параллельные волокна и ЛВ -, приводящих, соответственно к генерации простых (ПИ) и сложных импульсов (СИ) и имеющих выраженное взаимодействие. Первоначально предполагалось, что эта структура коры мозжечка образует устройство памяти. Это предположение в качестве одного из существенных звеньев было включено в модели Д. Марра и Дж. Олбуса. Эти модели имеют множество общих положений и рассматриваются в литературе как теория Брпидлп-Марра-Олбуса. Модель Брипдли-Марра-Олбуса охватывает практически все операции на уровне отдельных элементов мозжечка. Она значительно сходна с биологическим прототипом и реализует широкий спектр функциональных преобразований, что дает возможность имитационного исследования и формулировки серии предсказаний об. 'организации мозжечка, доступных экспериментальной проверке. Принципиальная новизна этой модели, в отличие от ранних, состоит в реализации функций обучения, памяти и колонного преобразования. Однако, до настоящего времени основные постулаты теории Бриндли-Марра-Олбуса не верифицированы в эксперименте с определенностью.

В третьем разделе рассматриваются математические методы, применяемые для анализа электрической активности нейронов. Вычислительная техника и методы обработки результатов нейрофизиологических экспериментов применяются с начала 70-х годов. В этой области используются как стандартные алгоритмы статистического анализа данных, так и специальные методы, учитывающие особенности суммарной и нейронной электрической активности мозга [1, 2, 6-8]. В частности, при анализе внеклеточных регистрации импульсной активности и

большинстве случаев форма и длительность потенциалов деистви игнорируется и рассматривается временное распределена моментов появления импульсов. Напротив, при нсследовани медленных электрических процессов мозга анализируете динамика формы, частоты и спектральный состав колебани потенциалов.

Рассматриваются алгоритмические, аппаратные программные средства компьютерной обработки электрическс активности нейронов. Обосновывается, что большинсті известных методов первичной обработки электрическс активности нейронов основано на алгоритме амплитудж дискриминации и, в редких случаях, на определении ьременш параметров импульсов. Приведена классификация статистическі методов анализа импульсной активности нейронов.

В четвертом разделе обосновываются задачи данно
исследования. Для создания реалистической операционні
теории мозжечка первоочередной представляет

экспериментальная верификация основных постулатов гипоте: Бриндли-Марра-Олбуса [4, 9-14], которая является ядром теорії

Для принципиального решения этой проблемы бы предложено проведение исследований на КГІ, управляемых одні и тем же ЛВ [10]. Группы таких клеток должны быть включень общую функциональную задачу, в противном случае гипот< Бриндли-Марра-Олбуса не верна в своей основе. Прям регистрации КП с общим ЛВ в нейрофизиологическ экспериментах до сих пор не получено, что, очевидно, связано отсутствием постановки задачи такого рода для направлены поисковых исследований и с тем, что вероятность нахождеи нар КП с общим ЛВ очень низка и составляет величину поря; 10"⁵ при случайном поиске [10, 11]. Разработка специальн методов на основе применения вычислительных средств мо> увеличить эффективность проведения поисковых исследован Следует отметить, что предполагаемый эксперимент является, существу, экспериментом нового типа в нейрофизиологии, высокой избирательностью по отношению к регистрируем нейронам.

Необходимость разработки специальных мето, представления и математического анализа' данных определяе еще и тем, что нейроны мозжечка имеют ряд- особенное электрической активности (таких, как наличие ПИ и СИ I

меющих различную форму, длительность и полярность; ущественная динамика импульсов в процессе регистрации и .д.), затрудняющих реализацию основной задачи и применение тандартных методов и средств компьютерной обработки кспериментальных данных. Решение основной задачи поисковых [сследовании с помощью совершенствования только іейрофизиологических методов маловероятно, поскольку ДЛЯ" ібнаружения нейрона, удовлетворяющего постулированным ритериям, должен быть просканирован значительный объем [ервной ткани (рис. 1), что нереалистично по допустимому іремени эксперимента.

а) Группа клеток Пуркиньс с общим лианным волокном (нейронный ансамбль высокой специфичности)

КП1 КП2 .... КП10 , клетка Пуркинье (КП) -дендриты аксон

вероятность обнаружения пар КП с общим Л В при -5 случайном поиске - Р=10 |10,11]

параллельные волокна Лианное волокно (Л В)

6) Ожидаемая активность пары КП с общим Л В

Рнс. 1. Постановка задачи нейрофизиологических исследований

кп₂ —АА~-|р4\-ц

(в) Критерии регистрации пары КП с общим ЛВ |10]: !. Задержка между СИ КП1 и КП2, Щй 1-3 мс (/-1, 2, .... N);

2. Дисперсия Д/,, D(Af)->0;

3. Вероятность синхронного разряда СИ,/>_С„_В ,.

4. Вероятность синхронного разряда ПИ. Р„_ы < !

Простой импульс (ПИ) Сложный импульс (СИ)

ш-

Стратегия поиска пар КП, отвечающих заданным критериям:

- Микроэлектроды .Референтная КП

Точки сханироватія

mil в^ ш^гіГш шЛ и *^» и ш ^t л I 1 t I 1 И 1 1 I 4_J |_ ttt

50мк1

В качестве подхода к решению задачи поиска пар КП с общим Л В был предложен метод (Дунин-Борковский В.Л., 1993), аналогичный поиску "кванта-ЭЭГ" [3], реализация которого требует адекватной вычислительной поддержки. Суть метода состоит в суммации локальных полевых потенциалов синхронно со СИ референтной КП и выделении потенциалов низкой амплитуды в тестовом отведении. В приложении к задаче поиска пар КП с общим ЛВ это означает возможность регистрации удаленных КП, активность которых сопряжена с активностью референтной КП, И как следствие - уменьшение точек сканирования. Таким образом, задача поиска событий, имеющих низкую вероятность, в некотором смысле, может быть переформулирована в задачу поиска потенциалов низкой амплитуды, отвечающих постулированным критериям (рис. 2, а, рис. 1, в).

Вторая глава посвящена описанию разработанные алгоритмов и методов выделения низкоамплитудных полевьо потенциалов и высокоамплитудных ПИ и СИ КП. Дл* статистического анализа экспериментальных данных предлагаете* ряд модификаций известных методов.

В первом разделе описаны методы, обеспечивающиі возможность идентификации в нейрофизиологически] экспериментах низкоамплитудных полевых потенциалов отвечающим критериям активности ЛВ, общего с референтної КП. Такие потенциалы могут иметь амплитуду "значительж меньшую, чем шумы канала отведения (около 50-100 мкВ) і потенциалы внеклеточной активности нейронов (до 2-3 мВ) Следовательно, метод должен обеспечивать существенна подавление случайных шумов, исключать электрическук активность нейронов, не связанную с искомым феноменом и напротив, приводить к четкому выявлению искомы низкоамплитудных потенциалов. Разработанный метод состоит суммации и усреднении полевых потенциалов, возникающих тестовых отведениях синхронно со СИ референтной КП (рис. 2 а-в).

Пусть имеется сигнал x,{t) (искомый низкоамплитудны] потенциал), возникающий в фиксированные моменты времен! относительно референтного импульса с вероятностью, равной 1 Будем считать, что тестовый электрод (рис. 2, а) регистрирует н только Xj(t), но и совокупность других потенциалов rj/(tj (ка

низко- так и высокоамплитудных), возникающих независимо. Качественное тестирование метода суммации потенциалов в модельных условиях и при обработке нейрофизиологических данных показало, что в большинстве случаев математическое ожидание r}(t) при увеличении количества реализации стремится к некоторой константе, что позволяет рассматривать rj(t) как случайный процесс с нормальным распределением.

(а) Условия выделения низкоамплитудных полевых потенциалов:

Референтный импульс

Референтный сигнал

S0 = УУ + Преф

Искомый потенциал . . _/— Тестовый сигнал

тест| |'[>еф At, .

(б) Параметры сигналов.
Референтный импульс: И^скомь|" потенциал:
УУМп_реф)2б Сигнал/шум х//;/а(п_тест) < 1

A(sJ ~ 1 мВ Амплитуда 5 мкВ <, A(xJ 100 мкВ

T(s) ~ 10 мс Длительность T(Xj) ~ 10 мс

(в) Метод выделения из шума низкоамплитудных искомых потенциалов,
имеющих параметры в заданном диапазоне | рис. 1,в, рис. 2,6]:
суммация тестовых сишалов синхронно с референтным импульсом

-_ 1 ^N

'х + Пг

где:,УУ- число реализаций референтного и тестового сигналов.

Методы увеличения -.

достоверности ^_

-^ идентификации ^^~-^ . искомого потенциала:

_{/V х}

Суммация
тестовых сигналов
относительно
ПИ

Исключение высокоамплнтудных сишалов на тестовом канале

Рнс. 2. Методы и алгоритмы идентификации тестовых полевых потенциалов.

Следовательно, для ' выделения искомого потенциала х(, необходимо вычислить _ математическое ожидание тестовог сигнала (рис. 2, в)

Далее описываются методы увеличения достоверност идентификации тестового потенциала. Искомые потенциал) могут быть маскированы и искажены рядом артефактны потенциалов. В связи с этим встала необходимость в разработк методов, повышающих достоверность получаемых данных (рис. 'л г). Такие методы реализованы в программной версии использованы при обработке экспериментальных данных (рис. 6 С помощью метода суммации потенциалов в различных выборка оценивалась стабильность x(t) относительно времен возникновения референтного импульса. Для качественной оценк был использован метод суперпозиции отдельных реализаци сигналов и результата их усреднения. Применение этого метод показало, что наличие x(t) может быть определено уже пр суммации 20 реализаций. Вместе с тем, вследствие большог вклада шумов при малом числе накоплений параметры сигнал могут быть искажены и необходимо 200-300 накоплений дл более детального анализа выявленных x(t). Для количественно оценки влияния j\(t) на результаты суммации использовался мете определения дисперсии потенциалов. Дополнительным критерие идентификации x(t) как связанного с активностью ЛВ, общего референтной КП, служило отсутствие сигнала с аналогичным параметрами, при суммации относительно ПИ КП. Мете исключения высокоамплитудных сигналов рассматривается пр описании алгоритма идентификации сложных событий.

Во втором разделе описаны методы идентификации ПИ СИ. При реализации метода суммации для выделения искомы низкоамплитудных потенциалов, синхронных с референтны импульсом и .определения временных отношений между ним необходимо обеспечить точную временную привязку к одной той же компоненте референтного импульса в последовательны реализациях. В ином случае возможно "размазывание" искомо: потенциала при суммации.

Для , решения этой задачи были использовані

специфические особенности исследуемых биологических сигнале

. (рис. 3, а, б). Известно, что импульсы, генерируемые нейронам!

имеют короткий по сравнению с длительностью импульсо

передний фронт (около 300 мке при длительности импульса д

(a)

Примеры импульсов клеток Пурклпье.

Сложный импульс (СИ): Длительность Г_С{[ - 5-12 мс Амплитуда Л_си - 0.3-2 мВ

З мс

[і j мс Простой импульс (ПИ):

"II Длительность Тли - I мс

I Амплит}'да Ацц - 0.3 - 3 мВ

(б)

Особенности генерации СИ и ПИ: Амплитуда фронта F~ амплитуды сигнала Длительность - Тр~ 300 мке

Запрет на генерацию следующего импульса в течении некоторого промежутка времени (периода рефрактерности): для ПИ - 1.5-2 мс; для СИ - 50 мс.

(в) А

Метод построения вектора признакового описания референтного импульса (на примере ПИ).

t мс

Вид ПИ после аналогово-цифрового преобразования (квант дискретизации Д/=250мкс)

Определение компонента
e_t вектора признакового
описания /: для ПИ
(/=1,2 6)

Вектор признакового описания Е для ПИ, представленного на рисунке

Вид ПИ при регистрации с помощью биоусилителя

t МКС

ЪА„

/4sign(A^,), если |ДЛ_;| :> 0.4|ДЛ^ J . , = іZsign^,), если 0A\AA_mJ<\Mj,<0A\AA_mJ Isignf/M,), cam|A4is0.1|A/l_mJ

. '* ИИ1-2І-2|-іИ|

Рис. 3. Методы и алгоритмы идентификации референтных

импульсов

500 мке [5]). Кроме того, нервные импульсы не могут возникать

какой угодно частотой и за импульсом всегда следует период

вынужденного молчания" (период рефрактерное). Таким

бразом, задачу выделения импульсов можно сформулировать как

задачу идентификации моментов появления их передних фронтов. Остальные компоненты импульса могут варьироваться в определенных пределах. Процедура поиска и идентификации импульсов состоит из двух этапов:.

1. построение признакового описания эталонного импульса;

2. идентификация последующих импульсов данного типа на основе сравнения признаковых описаний эталонного и текущего потенциала.

Этап 1 осуществляется по произвольной реализации импульса. Определяется диапазон перепадов амплитуды ЛАі=Аі+]-Аі между соседними квантами дискретизации, максимальный из которых - АА_тах соответствует наиболее быстрому и устойчивому признаку - фронту импульса F. Затем, во временном окне, занимающем п тактов времени после ЛА_тах строится л-мерный вектор Е, каждый компонент которого е,- (рис. 3, в) соответствует перепаду амплитуды аналогового сигнала между соседними квантами дискретизации.

Этап 2 начинается с поиска сигнала, имеющего перепад амплитуды, соответствующий кАА_тах и совпадающий с ним по знаку (параметр к подбирается эмпирически). После этого, относительно момента возникновения такого сигнала, строится п-мерный вектор описания текущего сигнала Z. Затем производится сравнение векторов Е и Z.

В программно реализованной версии процедуры поиска импульсов были определены оптимальные параметры признакового описания при обработке реальных биологических сигналов. В частности, для ПИ поиск значимого сигнала осуществлялся на уровне ОАААщах, вектора Ек Z имели 6-мерную размерность (для частоты дискретизации 4 кГц), что позволяет описывать сигнал длительностью 1.5 мс. Каждый компонент вектора может- принимать одно из 6 фиксированных значений (-4, -2,.-1, 1, 2, . 4) изменения текущей амплитуды сигнала в относительных единицах. Пример вектора признакового описания ПИ представлен в нижней части рис. 3, в. Для формализации критериев сравнения векторов Е и Z каждый из них рассматривается в виде набора последовательностей компонент одного знака. Каждая такая последовательность характеризуется тремя параметрами: полярность (Р); абсолютное значение суммы компонент (S); количество компонент (Л/).

Таким образом, En Zможно представить в следующем виде: (В.

'1

где:

В, = (Р, , S. , N.), і ='!, 2, ..., т, (т < 6)

(Z,

Z =

где: Z.= fa , Sj , ffj)j= I, 2, ..., I, (I< 6)

/n=/ и для следующие

совпадающими, если ..., m) выполняются

Вектора Е и Z считаются вдого Ек и Zk {к = .1, 2, ювия:

\)PE_k=Pz_k\

2)0.5%S%<1.5%;

3)0.5NEkZNzkZl-5N_Ek.

Дополнительным критерием идентификации текущего генциала как совпадающего с эталонным является отсутствие гнала имеющего перепад амплитуды 0АДА_тах, в окне анализа і мс до и после определяемого сигнала. Идентификация фронта рвого компонента СИ, имеющего сходные параметры с ПИ, ^тцествлялось также на уровне 0ААА_тах.

В третьем разделе описаны разработанные методы ггистического анализа нейронной активности. Наряду с пользованием стандартных Методов, разработан ряд дифицированных методов анализа. В частности, для еньшения числа анализируемых событий и, соответственно, крашения времени анализа реализовано построение гистоірамМ го- и кросскорреляционных функций с различным временным антом.

Был также разработан метод идентификации сложных аытий, использованный, в частности, для исключения сокоамплитудных артефактных сигналов, регистрируемых [кроэлектродом, и собственной нейронной активности на гговом электроде во временном окне суммации потенциалов, еменной ряд сложных событий Y(tp формируются на основе гменного ряда унитарных событий R(tj) (отдельные ПИ и СИ), эвлетворяющих некоторым логическим условиям. В

программной версии был реализован алгоритм, позволяющие формировать временной ряд сложных событий, путем наложенш до 10 условий, задаваемых в произвольном порядке. В качеств! примера рассмотрим определение логического условия для случае исключения импульсов Gftj) на тестовом канале отведения і заданном временном окне [в 1,9$, относительно референтной импульса RO0:

С(Щ)) =

true, если V/ : / е \.^ei^+tk> ⁰l^+tk^ ' false, если Зі : t_{ є [0_l+t_k, &₂^+tk}

Применение алгоритма формирования сложного событш для трактовки результатов суммации потенциалов иллюстрируе' рис. 6, в. Видно, что колебание потенциалов, обнаруживаемы! при суммации потенциалов, отводимых тестовым электродом целиком обусловлены присутствием импульсной активности КГ на данном канале.

Третья глава посвящена описанию программной реализацш разработанных алгоритмов и методов анализа данных.

В первом разделе описана структурная схема конечної версии разработанного программно-аппаратного комплекса (рис 4). Программная часть комплекса реализована на языке СНН (компилятор Borland С версии 3.1) для IBM PC AT 486 DX4-100 і работает под управлением операционной системы MS-DO! версии 5.0. Электрическая активность . нейринов зарегистрированных на 7 каналах отведения, подается на вхо; многоканального АЦП L-205 фирмы LCARD и послі преобразования записывается в оперативную память ПЭВМ сохраняется в файле и анализируется с помощью разработанны методов и алгоритмов. Для работы программы необходимо 581 Кбайт оперативной памяти и 40 Мбайт дискового пространств для записи' исходных данных и результатов обработки Разработанный комплекс имеет следующие характеристики возможность работы в режимах on-line и off-line; визуализаци; активности по всем каналам отведения в реальном времени возможность изменения частоты дискретизации до 10 кГц; выбо] диапазона амплитуды (5.12, 2.56, 1.024 В); аналогово-цифрово преобразование последовательных фрагментов нейронноі активности, регистрируемых в течении 675 с (для частоті дискретизации 4 кГц); возможность автоматического поиск:

ипульсов с задаваемыми параметрами с последующей іррекцией результатов поиска; суммация локальных этенциалов в окне анализа ±200 мс относительно референтного ^пульса; статистический анализ простых и сложных событий.

'Электрическая активность нейронов (аналоговый шщ)

Модуль преобразования нейронной активности

Электрическая активность нейронов (цифровой вид)

Файл данных

Модуль визуализаии данных

Модуль признакового описания импульсов

_EZ3E

Модуль поиска унитарных событий

Модуль анализа потенциалов

Модуль статистического анализа

С;

_зт

Файл унитарных событий

Модуль формирования сложного события

Файл сложных событий

Файл результатов в формате ASCII

Рис. 4. Структурная схема программно-аппаратного комплекса для анализа данных нейрофизиологических экспериментов.

Второй раздел посвящен описанию отдельных модулей юграммы. В . частности, в модуле ввода электрической гпшности для передачи данных в оперативную память шпыотера использовался 6 канал контроллера прямого доступа память в режиме одиночной передачи. Такой способ передачи інньїх позволяет, использовать центральный процессор для :шения еще -одной задачи - визуализации части данных в :жиме реального времени, т.е. в режиме "осциллографа". Модуль ізуализации позволяет произвольно выбирать тот или иной

набор каналов отведения, масштабировать данные по амплитуде
по времени и т.д. В модуле поиска унитарных собьт
реализован поиск импульсов в автоматическом режиме
последующей коррекцией, графическое представление результат
поиска, модификация признакового описания сигналов и т
Модуль суммации потенциалов позволяет суммировать
усреднять потенциалы, отводимые каждым из 7 электроде
рассчитывать дисперсию потенциалов, осуществля

суперпозицию усредненного потенциала и первичных данных т.д.

В третьем разделе приводится экспериментальная- оцен эффективности разработанных алгоритмов и методов д выделения низко- и высокоамплитудных биологических сигналі В частности, получена оценка необходимого числа накоплен для идентификации поиевых тестовых потенциалов различи амплитуды (рис. 5, а). Видно, что выявляемость тестове

40,

сигнал/шум

(а) Записимость отношения сигнал/шум
усредненного тестового потенциала от
количестьа накоплений N. " .

сигнал/и

100, 80 60 40 20 0 —

-« * '—н^—*-

(б) Злоисимость количества

правильно идентифицированных
простых импульсов (—) и
ложно определенных событии
( ) от отношения сигнач/шум.

Рис. 5. Результаты тестирования разработанных алгоритмов.

потенциала значительно возрастает с увеличением количест накоплений парных регистрации референтных и тестов сигналов. Экстраполируя полученные данные на услов ртведения. активности КП и полевых потенциалов, мож констатировать что, для надежной идентификации тестове потенциала, имеющего амплитуду порядка 10 мкВ при уров шума порядка 100 мкВ достаточно около 250 накоплений. 3

значает, что. при средней частоте СИ 1 Гц, достаточно егистрировать активность референтной КП и тестовые ютенциалы в течении 5 мин. Обработка такой регистрации с юмощыо алгоритма суммации потенциалов занимает около" 5 шн. Такое время приемлимо для обработки данных іейрофизиологических экспериментов в режиме on-line.

Алгоритм поиска ПИ был тестирован при обработке" іинтезированной последовательности зашумленных сигналов іиологической формы. Оценка эффективности алгоритма поиска 1И представлена на рис. 5, б. Видно, что при отношении :игнал/шум 6 и более удается идентифицировать подавляющее іольшинство (97%) импульсов с заданными параметрами, при >том ложно определенные события (случайные выбросы шума) годностью отсутствуют. Эта величина соответствует минимальной ранице отношения сигнал/шум при надежной регистрации іейронной активности. При обработке реальной импульсной наивности нейронов эта оценка (в том же диапазоне параметров жгнала и шума) может быть несколько ниже - до 80%.

В четвертой главе приведены результаты анализа экспериментальных данных, . полученные с помощью разработанного комплекса.

В первом разделе описаны результаты тестирования первой версии разработанного комплекса программ, реализованного на 5азе IBM PC АТ-286. При обработке данных нейрофизиологических экспериментов был определен оптимальный диапазон параметров аппаратно-программного комплекса, позволяющий избежать появления артефактов (таких, как сигналы межканальной емкостной проводимости, искажение _г формы и длительности референтных импульсов при суммации и т.д.), затрудняющих интерпретацию результатов суммации. На этой основе были сформулированы требования к новой версии программы ввода и анализа нейронной активности и произведена . модификация техники проведения нейрофизиологического эксперимента.

Во втором разделе приводятся результаты, полученные с помощью модифицированной версии программ для метода суммации потенциалов (рис. 6). В частности, с помощью метода суммации потенциалов удалось зарегистрировать активность референтной КП на расстоянии 200-300 мкм от нее, что позволило значительно увеличить шаг сканирования

(а) Два примера (1-2) полевых потенциалов, отвечающих

электрической активности в поисковых нейрофизиологических
Выборка А Выборка Б

. постулированным критериям [10].

каждом случае внизу представлен референтный сигнал; п - количество накоплений.

₊ / - А, п=314

Мл—^_вц—Мл— в

пт65

200 мкВ L,

0.7 мс

Г 0.9 мс Г В1

п = 20

_^VwAaAjAj,-^,m

65 мкВ [ /i*A*^<*»vV^<'4rWvv4«M»VV*r<**^^

«I \ М'"*"¹* Цпд р^іцщм»!! f * qi«iНІ |Ц

300mkBL, 3.5 мс

(б) Пример суперпозиции референтного (внизу) и тестового (вверху) усредненных потенциалов (белые линии) и их ." отдельных реализаций

(в) Пример исключения высокрамплитудных сигналов на тестовом канале:

1 - присутствие высокоамплитудных
сигналов в окне анализа;

(— ) - усредненные тестовые

потенциалы, ( — ) - их дисперсия;

2. - то же при исключении высокоамплитудных сигналов (п= 15);

3. - усреднений референтный СИ;

Рис. 6. Результаты анализа экспериментальных данных.

экспериментах и, соответственно, уменьшить время их проведения. Кроме того, в 9 случаях из 283 парных регистрации референтных и тестовых сигналов обнаружены полевые потенциалы, (рис. 6, а), соответствующие критериям активности ЛВ, общего с референтной КП. Такие потенциалы варьировали

о амплитуде (от 10 до 150 мкВ), по расстоянию между еферентным и тестовым электродом (от 100 до 900 мкм) и по ременному сдвигу относительно референтного СИ (от 0.5 до 3.5 с). Кроме того, во всех 9 случаях потенциалы были сходны по юрме и длительности с референтными СИ. Наличие длительного лато-потенциала (рис. 6, а-1) указывает на регистрацию ктивности именно КП, а не концевою разветвления ЛВ. Эти закты могут быть рассмотрены как дополнительные критерии іри поиске пар КП с общим ЛВ.

В третьем разделе описаны результаты применения кросс-юрреляционного анализа. Основная цель применения этого іетода состояла в получении данных для сопоставления с методом суммации потенциалов на выборке пар КП, ^регистрированных в тех же экспериментах. Результаты, голученные с помощью кросскорреляционного анализа свидетельствуют о доминировании низковероятпостной синхронизации разрядов СИ в миллисекундном диапазоне. Вероятность такой' синхронизации, для разных пар КП варьировала, но была не более 0.112 и составила, в среднем, 3.005, что не. соответствует постулированным критериям активности пар КП с общим ЛВ. Очевидно, такая синхронизация отражает электротоннческое взаимодействие клеток нижних олив, являющихся источником ЛВ [II].

В заключении сформулированы основные результаты работы
и рассматривается перспектива использования разработанных
алгоритмов, методов и . Программ. Описанные алгоритмы
(идентификации унитарных и сложных' референтных событий,
оценка дисперсии, метод суперпозиции и т. д.) дали возможность
решить ключевые проблемы, возникшие при поиске
низкоамплитудных полевых потенциалов, отражающих
активность ЛВ, общего с референтной КП. Разработанный
комплекс программ позволил значительно увеличить
эффективность нейрофизиологических исследований,

направленных на поиск КП, управляемых общим ЛВ и облегчить интерпретацию данных при суммации потенциалов. С помощью разработанной техники оценено затухание амплитуд ПИ и СИ КП и обнаружены полевые низкоамплитудные потенциалы, соответствующие априорно сформулированным критериям регистрации активности двух разных концевых ветвей одного Л В, одна из которых действует на референтную КП. Обсуждаются

возможные причины невыявления пар КП, управляемых общш ЛІЗ в проведенных ранее исследованиях. Обосновывается боле вглсокия эффективность метода суммации потенциалов ш сравнению с методом кросскорреляцнонного анализа импульсної активности пар КП. Описана стратегия проведенії экспериментов, направленных на поиск КП с общим Л В, режиме on-line.