- •Когнитивная нейронаука
- •Когнитивная нейронаука: «исследования на стыке нейронауки и когнитивной психологии, особенно теорий памяти, ощущения
- •Методы когнитивной нейронауки.
- •Методы когнитивной нейронауки.
- •Локализация психических функций
- •Альтернативная точка зрения – эквипотенциализм:
- •Локализация психических функций
- •Методы локализации
- •Методы локализации
- •Методы локализации
- •Методы локализации
- •Активация коры в задаче отслеживания источника звука на слух (при закрытых глазах).
- •Основные недостатки томографических методов
- •Обоих этих недостатков лишены методы, измеряющие электромагнитные поля, порождаемые активностью нейронов мозга –
- •Электрическая активность, видимая на каждом канале ЭЭГ или МЭГ – сумма активности миллионов
- •Необработанная ЭЭГ
- •Методы локализации активности – в пространстве и во времени
- •Методы локализации активности – в пространстве и во времени
- •Использование визуального анализа ЭЭГ при диагностике эпилепсии
- •Стадии сна на ЭЭГ
- •Осцилляторные системы мозга – это
- •Такими доказательствами являются в частности:
- •Coherence
- •Корковые взаимодействия при поиске вербальных
- •Возможности трёхмерной локализации источников ЭЭГ. Дипольный анализ.
- •Возможности трёхмерной локализации источников ЭЭГ. Анализ независимых компонент.
- •Принцип работы ICA
- •Биологическая обратная связь.
- •Интерфейс «мозг-компьютер».
- •Искусственный интеллект:
- •История
- •История
- •Тест Тьюринга
- •Тест Тьюринга
- •«Корчеватель» прошёл тест Тьюринга?
- •Некоторые редакторские замечания, сделанные непосредственно в теле статьи, в том виде, как они
- •«Китайская комната» (Джон Сирл, опровержение достаточности теста Тьюринга)
- •Сравнение человеческого мозга и компьютера фон Неймановского типа (по Солсо, 2006)
- •Важнейшие отличия:
- •«Творчество» ИИ
- •Использование искуственного интеллекта для понимания естественного
- •«Крысоробот» Гордон.
- •NOMAD (Darwin-X, моделирование поведения мыши в лабиринте Морриса)
- •BLUE BRAIN PROJECT
- •BBP Предполагаемые практические результаты первой части проекта (Neocortical Column)
- •Искусственный интеллект: резюме.
- •Информация по искуственному интеллекту:
- •Темы к зачёту по когнитивной психологии.
- •Регистрация электрической активности отдельных нейронов. Метод требует большого мастерства и ювелирной точности.
- •Регистрация электрической активности отдельных нейронов.
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.