Осцилляторные системы мозга – это

нейрональные ансамбли, активность элементов которых синхронизована на определённой частоте. Эта синхронизованность (а значит и одинаковая частота колебаний постсинаптических потенциалов, то есть «проводимости») – условие успешного объединения нескольких областей в единую функциональную систему, а также средство «отфильтровывания» нерелевантных сигналов.

Активность осцилляторных систем отражается в ритмической активности в определённых частотных диапазонах электроэнцефалограммы. В соответствии с частотой присущих системе осцилляций говорят об альфа-, бета-, гамма- и т.д. системах.

Существование осцилляторных систем обнаружили именно по ЭЭГ, но сейчас есть и множество других доказательств, что это реальное явление, а не «эпифеномен».

Такими доказательствами являются в частности:

1.Показанная при одновременной записи ЭЭГ и активности отдельных нейронов (с вживлёнными электродами) синхронизация разрядов некоторых нейронов с определёнными фазами колебаний в ЭЭГ.

2.Обнаружение резонантных свойств нейронов.

3.Обнаружение генов, кодирующих усиливающие синаптические связи белки и активирующихся при ритмической стимуляции нейрона на определённых частотах.

Таким образом, ритмическая активность нейронов – широко распространённое явление, а синхронизация активности нейронов на одной частоте является средством их временного объединения в совместно работающую группу.

Coherence	Когерентный анализ
ЭЭГ для некоторых отведений		примерно то же, но попроще нарисовано..
и когерентные «связи» между

ними

для каждой пары нужно анализировать такую картинку…

Корковые взаимодействия при поиске вербальных

ассоциаций (Николаев А.Р., Иваницкий Г.А., Иваницкий А.М.)

	схема эксперимента
					карта
		метод корреляции			взаимодействий
		вейвлет-кривых			областей коры

Возможности трёхмерной локализации источников ЭЭГ. Дипольный анализ.

Дипольный анализ применим, когда в мозге имеется один или два мощных компактных источника электрической активности, «перекрывающих» остальные. Предполагается, что они могут быть смоделированы электрическим диполем, и ищетс такая его локализация, которая бы лучше всего объясняла реальное распределение сигнала по электродам.

Этот метод хорошо работает при локализации фокуса эпилептической активности, и (у некоторых людей) для источников альфа-ритма в зрительной коре.

Чаще же источники активности не «точечны» и их существенно больше двух.

Результаты локализации источников альфа-ритма. Видно, что генераторы альфа-активности расположены симметрично в правом и левом полушарии в глубине теменно-затыочных областей.

Возможности трёхмерной локализации источников ЭЭГ. Анализ независимых компонент.

«Проблема вечеринки» (cocktail party problem)

Если предположить, что в каждый момент времени в мозге активно ограниченное число процессов, каждый из которых представлен сетью синхронно активных нейронов, то при достаточном числе электродов, записывающих ЭЭГ, можно выделить сигнал

каждой этой сети. Для этого используется анализ

независимых компонент (ICA).

… а зная «веса» каждого компонента в каждом электроде и подробную анатомию мозга, мозговых оболочек и черепа испытуемого, можно попытаться восстановить эти источники в пространстве.

ICA

ЭЭГ: m сигналов от неизвестных источников

Принцип работы ICA

x=As) неизвестна.				s: s=Wx
Имеем:		m сигналов x=[x1,...,xm]T,		Задача		ICA:		найти
получающихся в результате смешения				матрицу		W,	обратную к
активности m источников s=[s1,...,sm]T .				матрице смешивания A чтобы
Матрица смешивания A (такая что				найти неизвестные источники
		Центральная	Предельная		Теорема:
		распределение	суммы	независимых
		произвольных	переменных стремится				к
		Гауссову распределению

=> Алгоритм:

1. Находим вектор w1, такой что распределение y1=w1x наиболее

«негауссово».

2. Находим вектор w2, линейно независимый с w1 и такой что распределение y2=w2x наиболее «негауссов».

И т.д. до m

В итоге получаем набор из m независимых компонент y=[y1,...,ym]T

представляющих собой оценку источников s (с точностью до скалярного множителя и перестановки элементов вектора)

ICA

Основные предположения в ICA:

1. Источники s=[s1,...,sm]T независимы друг от

друга (информация о любом из источников не изменяет информации о других).

2. Сигналы от каждого* из источников s имеют распределение амплитуд, отличающееся от Гауссова (нормального).

(*- если быть точным, один из сигналов (но только один) может иметь нормальное распределение)

3. Смешение сигналов линейно.

ICA

Удаление артефактов и шума из ЭЭГ с помощью ICA

1.

2.

ICA

Удаление артефактов и шума из ЭЭГ с помощью ICA

2.

1.