Upload
selia
View
54
Download
0
Embed Size (px)
DESCRIPTION
Естественнонаучные основы психогенеза. Заведующий лабораторией психофизиологии к.пс. н. Горбунов Иван Анатольевич. Классификация наук (Кедров). Энтропия. - PowerPoint PPT Presentation
Citation preview
Естественнонаучные Естественнонаучные основы психогенезаосновы психогенеза
Заведующий лабораторией Заведующий лабораторией психофизиологии к.пс. н. психофизиологии к.пс. н.
Горбунов Иван АнатольевичГорбунов Иван Анатольевич
Классификация наук Классификация наук (Кедров)(Кедров)
ЭнтропияЭнтропия
• Понятие энтропии было впервые введено в 1865 году Рудольфом Понятие энтропии было впервые введено в 1865 году Рудольфом Клаузиусом. Он определил изменение энтропии Клаузиусом. Он определил изменение энтропии термодинамической системы при обратимом процессе как термодинамической системы при обратимом процессе как отношение общего количества тепла ΔQ к величине абсолютной отношение общего количества тепла ΔQ к величине абсолютной температуры T (то есть тепло, переданное системе, при температуры T (то есть тепло, переданное системе, при постоянной температуре):постоянной температуре):
ЭлементыЭлементы
T
dQdS
Связь энтропии с Связь энтропии с вероятностьювероятностью• В 1877 году Людвиг Больцман установил связь энтропии с В 1877 году Людвиг Больцман установил связь энтропии с
вероятностью данного состояния. Позднее эту связь представил вероятностью данного состояния. Позднее эту связь представил в виде формулы Макс Планк:в виде формулы Макс Планк:
• где константа k = 1,38×10−23 Дж/К названа Планком где константа k = 1,38×10−23 Дж/К названа Планком постоянной Больцмана, а Ω — статистический вес состояния, постоянной Больцмана, а Ω — статистический вес состояния, является числом возможных микросостояний (способов) с является числом возможных микросостояний (способов) с помощью которых можно перейти в данное макроскопическое помощью которых можно перейти в данное макроскопическое состояние.состояние.
• Существует мнение, что мы можем смотреть на Ω и как на меру Существует мнение, что мы можем смотреть на Ω и как на меру беспорядка в системе. В определённом смысле это может быть беспорядка в системе. В определённом смысле это может быть оправдано, потому что мы думаем об «упорядоченных» системах оправдано, потому что мы думаем об «упорядоченных» системах как о системах, имеющих очень малую возможность как о системах, имеющих очень малую возможность конфигурирования, а о «беспорядочных» системах как об конфигурирования, а о «беспорядочных» системах как об имеющих очень много возможных состояний. Собственно, это имеющих очень много возможных состояний. Собственно, это просто переформулированное определение энтропии как числа просто переформулированное определение энтропии как числа микросостояний на данное макросостояние.микросостояний на данное макросостояние.
)ln(* kS
Информационная Информационная энтропияэнтропия• Энтропия — это количество информации, приходящейся на Энтропия — это количество информации, приходящейся на
одно элементарное сообщение источника, одно элементарное сообщение источника, вырабатывающего статистически независимые сообщениявырабатывающего статистически независимые сообщения
• Информационная Информационная двоичная энтропиядвоичная энтропия для независимых для независимых случайных событий случайных событий xx с с nn возможными состояниями (от 1 до возможными состояниями (от 1 до nn, , pp - функция вероятности) рассчитывается по формуле: - функция вероятности) рассчитывается по формуле:
• Таким образом, энтропия события x является суммой с Таким образом, энтропия события x является суммой с противоположным знаком всех произведений противоположным знаком всех произведений относительных частот появления события i, умноженных на относительных частот появления события i, умноженных на их же двоичные логарифмы[1]. Это определение для их же двоичные логарифмы[1]. Это определение для дискретных случайных событий можно расширить для дискретных случайных событий можно расширить для функции распределения вероятностей.функции распределения вероятностей.
)(log*)()(1
2 ipipxHn
i
Нормальное Нормальное распределениераспределение
Histogram (Spreadsheet1 2v*500c)
Рост = 500*8,6901*normal(x; 180,152; 9,6251)
147,404776156,094925
164,785075173,475225
182,165374190,855524
199,545674208,235823
Рост
0
20
40
60
80
100
120
140
160
180
200
No
of
ob
s
Эксцесс нормального Эксцесс нормального распределенияраспределения
Histogram (Spreadsheet2 10v*1000c)
Var7 = 1000*0,5*normal(x; 2,4866; 1,0013)
-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5
Var7
0
20
40
60
80
100
120
140
160
180
200
220
No
of
ob
s
ЛитератураЛитература
• И. Пригожин, Г. Николис Познание И. Пригожин, Г. Николис Познание сложного, изд. ЛКИ, 2008сложного, изд. ЛКИ, 2008
• Г. Хакен : «синергетика, Введение: Г. Хакен : «синергетика, Введение: Неравновесные фазовые переходы и Неравновесные фазовые переходы и самоорганизация в области физики, самоорганизация в области физики, химии и биологии", 3-й ред. enl. ЭНЛ. ed. химии и биологии", 3-й ред. enl. ЭНЛ. ed. издание New York: Springer-Verlag, 1983. издание New York: Springer-Verlag, 1983. Нью-Йорк: Springer-Verlag, 1983. Нью-Йорк: Springer-Verlag, 1983.
• Shannon, Claude E.: Prediction and Shannon, Claude E.: Prediction and entropy of printed English, The Bell System entropy of printed English, The Bell System Technical Journal , 30:50-64, January 1951. Technical Journal , 30:50-64, January 1951.
ВыводыВыводы
• Постепенное рассеивание энергии во вселенной Постепенное рассеивание энергии во вселенной после большого взрыва с неизбежностью после большого взрыва с неизбежностью приводит к нарушению статистической приводит к нарушению статистической равновероятности событий и, таким образом равновероятности событий и, таким образом происходят информационные перестройки происходят информационные перестройки порождающие «сложные системы»порождающие «сложные системы»
• В «сложной системе» невозможно прогнозировать В «сложной системе» невозможно прогнозировать ее состояние на далекий промежуток времени.ее состояние на далекий промежуток времени.
• Сложная система характеризуется фазовыми Сложная система характеризуется фазовыми переходами, когда внезапно происходит переходами, когда внезапно происходит переупорядочивание элементов системы и переупорядочивание элементов системы и возникают локальные участки, обладающие возникают локальные участки, обладающие особыми свойствамиособыми свойствами
• Поведение «сложных систем» по некоторым Поведение «сложных систем» по некоторым параметрам очень похоже на психические параметрам очень похоже на психические явления. явления.
Модель психогенеза Модель психогенеза
Психофизический канал (информация о закономерностях, картина мира)
Психофизиологический канал (система потребностей)
Устойчивые структуры
преобразующие систему
потребностей под влиянием внешней
информации, и картину мира под
воздействием потребностей.
Треугольник СерпинскогоТреугольник Серпинского
ПапоротникПапоротникxx((n+1n+1)) = a x = a xnn + b y + b ynn + c + c yy((n+1n+1)) = d x = d xnn + e y + e ynn + f + f
-- set1set1 set2set2 set3set3 set4set4
aa 0.00.0 0.20.2 -0.15-0.15 0.750.75
bb 0.00.0 -0.26-0.26 0.280.28 0.040.04
cc 0.00.0 0.230.23 0.260.26 -0.04-0.04
dd 0.160.16 0.220.22 0.240.24 0.850.85
ee 0.00.0 0.00.0 0.00.0 0.00.0
ff 0.00.0 1.61.6 0.440.44 1.61.6
pp 0.10.1 0.080.08 0.080.08 0.740.74
Изменение меры сложности Изменение меры сложности мозга при осознании смысла мозга при осознании смысла текстатекста
SOST; LS Means
Current effect: F(2, 94)=11,089, p=,00005Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
1 2 3
SOST
-0,18
-0,16
-0,14
-0,12
-0,1
-0,08
-0,06
-0,04
-0,02
0
DV
_1
SOST*OTV; LS Means
Current effect: F(36, 1692)=2,8411, p=,00000Effective hypothesis decomposition
Vertical bars denote 0,95 confidence intervals
SOST1 SOST2 SOST3
1 3 5 7 9 11 13 15 17 19
OTV
-0,15
-0,14
-0,13
-0,12
-0,11
-0,1
-0,09
-0,08
-0,07
-0,06
-0,05
-0,04
DV
_1
Электрические процессы и Электрические процессы и нервная системанервная система
Нервный Нервный импульс и импульс и модель модель нейронанейрона
-
+++ + + + ++ +
- -- - -
-80
-70
-60
-50
-40
-30
-20
-10
01 5 9 13 17 21 25 29 33 37 41 45 49 53 57
0
0.2
0.4
0.6
0.8
1
1.2
Потенциал Спайки
Порог
Модель нейронаМодель нейрона
НейросетиНейросети• Все модели нейронных сетей основаны на нескольких биологических фактах
[Hebb D. O. 1949, Hubel D. H.. Wiesel T. N. 1977, Perreto P. Niez I. 1986]:• а) минимальным структурным элементом является "нейрон", состояние
которого может быть описано одним числом S, соответствующим частоте паттерна импульсации реального нейрона. В эксперименте обычно наблюдается два состояния нейрона (торможение и активность) с плавным переходом между ними. Это можно смоделировать введением энергетической функции Н0(f) с двумя минимумами при f=S1,S2, благодаря которой нейрон большую часть времени находится в состоянии, близком к S1 или S2. Часто используется другое (изинговское) представление (S1,2 =+1;-1). Иногда используется более традиционное для нейробиологии представление изинговских переменных S=2V—1 (V=0; 1), где V=0 и V=1 отвечает заторможенному и активному нейронам соответственно;
• б) процесс распознавания осуществляется через параллельную нейронную динамику с начальной конфигурацией, соответствующей входному образу (состояния нейронов соответствуют поступившему неполному или зашумленному образу), при которой конечная (стабильная) конфигурация отвечает идеальному записанному образу.
• в) информация о записанных образах содержится в свойствах межнейронных взаимодействий [McCulloch W. A; Pitts W. 1943, Hebb D. O. 1949]. Имеется по крайней мере два типа синаптических контактов (возбуждающие и тормозные), их число обеспечивает возможность записи достаточного количества информации. Сила синаптической связи модифицируется при обучении для записи требуемой информации.
• В большинстве из рассматриваемых моделей сила синаптической связи описывается вещественным числом J, принимающим бесконечное число возможных значений.
• г) ассоциативность памяти: полный образ может быть восстановлен при предъявлении его фрагмента;
• д) разрушение небольшой части нейронов не влияет на возможность потери записанной информации.
Нейросети модель Нейросети модель ХопфилдаХопфилда
В модели Хопфилда каждая изинговская спиновая пере менная Si, описывающая нейрон
i, направлена параллельно полю hi, которое определяется влиянием других нейронов:
Si=sign(hi), hi=SjJijSj, константы Jij выбираются в соответвии с правилом Хебба, чтобы
обеспечить правиль ное воспроизведение записанных образов
где индекс α нумерует различные образы (α=l...k). В аль тернативной формулировке стабильные конфигурации Si явля ются минимумами
гамильтониана
Нейронная сетьНейронная сетьColor
YX Z
Примеры поведения моделей Примеры поведения моделей сложных системсложных систем
ЛитератураЛитература• Ходжкин А. Нервный импульс. М., Мир, 1965Ходжкин А. Нервный импульс. М., Мир, 1965• Доценко Вик. С., Иоффе Л. Б., Фейгельман М. Доценко Вик. С., Иоффе Л. Б., Фейгельман М.
В., Цодыкс М. В. Статистические модели В., Цодыкс М. В. Статистические модели нейронных сетей // В кн.: Итоги науки и нейронных сетей // В кн.: Итоги науки и техники. Серия «Физические и техники. Серия «Физические и математические модели нейронных сетей». математические модели нейронных сетей». Том 1. Часть I. «Спиновые стекла и Том 1. Часть I. «Спиновые стекла и нейронные сети» / Ред.: А. А. Веденов. – М.: нейронные сети» / Ред.: А. А. Веденов. – М.: ВИНИТИ, 1990. ВИНИТИ, 1990.
• Осовский С. Нейронные сети для обработки Осовский С. Нейронные сети для обработки информации Изд-во: Финансы и статистика,информации Изд-во: Финансы и статистика,2002. 2002.
Выводы по прошлому Выводы по прошлому занятиюзанятию• Психогенез – процессы, происходящие на информационном стыке Психогенез – процессы, происходящие на информационном стыке
двух сред, осуществляемом нервной системой - внутренней двух сред, осуществляемом нервной системой - внутренней средой организма и внешней средой, характеризующиеся средой организма и внешней средой, характеризующиеся появлением в ней неравновесных состояний, изменениями появлением в ней неравновесных состояний, изменениями энтропии, процессами локализации и структурирования, энтропии, процессами локализации и структурирования, изменения связей между модулями нервной системы, и изменения связей между модулями нервной системы, и порождающие «сложное» поведение.порождающие «сложное» поведение.
• Например, процесс осознания смысла текста характеризуется Например, процесс осознания смысла текста характеризуется изменением «сложности» биоэлектрической активности мозга. изменением «сложности» биоэлектрической активности мозга.
• Передача информации в нервной системе осуществляется с Передача информации в нервной системе осуществляется с помощью биоэлектрических процессов, характеризующихся помощью биоэлектрических процессов, характеризующихся медленной скоростью, но параллельных по времени.медленной скоростью, но параллельных по времени.
• Поведение нейросети и информация, записываемая в ней Поведение нейросети и информация, записываемая в ней целиком зависит от силы связей, объединяющих элементы сети целиком зависит от силы связей, объединяющих элементы сети «нейроны». «нейроны».
• Одна из упрощенных моделей нервной системы – математическая Одна из упрощенных моделей нервной системы – математическая модель нейросети может обладать определенным «сложным модель нейросети может обладать определенным «сложным поведением», характеризующимся аттрактором фрактальной поведением», характеризующимся аттрактором фрактальной размерностиразмерности
Модификация синапсаМодификация синапса
• Молекулярный механизм Молекулярный механизм формирования формирования долговременной памяти. долговременной памяти.
• При изучении защитного При изучении защитного рефлекса (втягивание рефлекса (втягивание жабры в ответ на жабры в ответ на стимуляцию сифона) у стимуляцию сифона) у морского зайца морского зайца установлено, что установлено, что нейромедиаторы, нейромедиаторы, действующие на клетку, действующие на клетку, вызывают в ней каскад вызывают в ней каскад молекулярных реакций молекулярных реакций (показано стрелками). (показано стрелками).
• В результате изменяется В результате изменяется форма и функции форма и функции синапсов, что приводит к синапсов, что приводит к длительным длительным модификациям защитного модификациям защитного рефлекса. рефлекса.
Вход
ны
е о
бразы
Вы
ход
ной
обр
аз (к
ласси
фи
кац
ия)
Модель перцептронаМодель перцептрона
0
0,2
0,4
0,6
0,8
1
1,2
-3 -2,5 -2 -1
,5 -1 -0,5 0 0,
5 1 1,5 2 2,
5 3
Алгоритм модификации Алгоритм модификации связейсвязей
• Функция активации – сигмоидФункция активации – сигмоид
• Производная функции активацииПроизводная функции активации
• Функция вычисляющая ошибкуФункция вычисляющая ошибку
• yjyj – значение – значение j j-го выхода нейросети, -го выхода нейросети, djdj- - целевое значениецелевое значение j j-го выхода, -го выхода, pp – число – число нейронов в выходном слое нейронов в выходном слое
• Вспомогательная функция зависит от Вспомогательная функция зависит от ошибки, производной активации ошибки, производной активации нейронанейрона
• Рекурсивная формула, вычисляющая Рекурсивная формула, вычисляющая сигму от последнего слоя к первомусигму от последнего слоя к первому
• Вычисление величины модификации Вычисление величины модификации связи между нейронами связи между нейронами
)(Sfy axe
xf
1
1)(
))(1)(()( xfxafxf
p
jjj dywE
1
)(2
1)(
j
j
j
nj dS
dy
y
E
)(
j
jN
k
njk
nk
nj dS
dyw
11
ni
nj
nij xw
Полный алгоритм обучения Полный алгоритм обучения нейросети: нейросети: • 1. Подать на вход НС один из требуемых образов 1. Подать на вход НС один из требуемых образов
и определить значения выходов нейронов и определить значения выходов нейронов нейросети.нейросети.
• 2. Рассчитать 2. Рассчитать δδNN для выходного слоя НС и для выходного слоя НС и рассчитать изменения весов рассчитать изменения весов ΔΔwwijij выходного слоя выходного слоя NN по формуле. по формуле.
• 3. Рассчитать по формулам (11) и (13) 3. Рассчитать по формулам (11) и (13) соответственно соответственно δδnn и и ΔΔwiwijj для остальных слоев НС, для остальных слоев НС, n=N-1..1.n=N-1..1.
• 4. Скорректировать все веса НС4. Скорректировать все веса НС
• 5. Если ошибка существенна, то перейти на шаг 15. Если ошибка существенна, то перейти на шаг 1
twtww nij
nij
nij )1(
twtww nij
nij
nij )1(
Поверхность решений Поверхность решений диагностического алгоритмадиагностического алгоритма
-3
-2,3
-1,6
-0,9
-0,2
0,5
1,2
1,9
2,6
-3
-2
-1
0
1
2
3
-1,5
-1
-0,5
0
0,5
1
1,5
2
Генетические Генетические алгоритмыалгоритмы
• Алгоритмы Алгоритмы эвристического решения эвристического решения большого класса задач, большого класса задач, основанные на основанные на эволюционной динамике. эволюционной динамике. Преимущества – Преимущества – устойчивость к устойчивость к локальным минимумам, локальным минимумам, отсутствие отсутствие необходимости знаний о необходимости знаний о характеристиках характеристиках решаемой задачи. решаемой задачи.
В чем генетика реализует В чем генетика реализует приспособительные приспособительные возможности организмавозможности организма
• Структура белков синтезируемых Структура белков синтезируемых в организмев организме
• Структура органов и тканейСтруктура органов и тканей
• Структура нервной сети Структура нервной сети (начальная) : Генетические (начальная) : Генетические программы, начальная точка программы, начальная точка обучения обучения
ЛитератураЛитература
• Гладков Л. А., Курейчик В. В., Курейчик Гладков Л. А., Курейчик В. В., Курейчик В. М.В. М. Генетические алгоритмы: Учебное Генетические алгоритмы: Учебное пособие — 2-е изд.. — М: Физматлит, пособие — 2-е изд.. — М: Физматлит, 20062006
• Рутковская Д., Пилиньский М., Рутковская Д., Пилиньский М., Рутковский Л.Рутковский Л. Нейронные сети, Нейронные сети, генетические алгоритмы и нечеткие генетические алгоритмы и нечеткие системысистемы — 2- — 2-е изд.. — М: Горячая е изд.. — М: Горячая линия-Телеком, 2008линия-Телеком, 2008
Выводы по прошлому Выводы по прошлому занятиюзанятию• Одной из самых мощных и быстрых на сегодняшний день Одной из самых мощных и быстрых на сегодняшний день
самообучающихся диагностических систем (аналогов самообучающихся диагностических систем (аналогов человеческих ощущений и восприятия) является модель человеческих ощущений и восприятия) является модель многослойного перцептрона с возможностью многослойного перцептрона с возможностью самообучения -алгоритмом самообучения -алгоритмом Back propagation error.Back propagation error.
• В нервной системе человека аналогом самообучения В нервной системе человека аналогом самообучения является модификация химических синапсов.является модификация химических синапсов.
• Проблемой самообучения перцептронов является Проблемой самообучения перцептронов является попадание в локальные минимумы поверхности решений, попадание в локальные минимумы поверхности решений, переобучение и необходимость внешнего учителя.переобучение и необходимость внешнего учителя.
• Внешнего учителя можно заменить процессом Внешнего учителя можно заменить процессом формирования образа будущего результата действия и формирования образа будущего результата действия и сличением этого образа с реальным результатом сличением этого образа с реальным результатом
• Генетические алгоритмы (аналог естественного отбора в Генетические алгоритмы (аналог естественного отбора в биологии) лишены проблемы локальных минимумов. биологии) лишены проблемы локальных минимумов.
• Сочетание естественного отбора, задающего начальную Сочетание естественного отбора, задающего начальную точку обучения, наиболее близкую к вероятным точку обучения, наиболее близкую к вероятным «глобальным» минимумам и самообучения позволяет «глобальным» минимумам и самообучения позволяет организму быстро адаптироваться в изменяющихся организму быстро адаптироваться в изменяющихся условиях средыусловиях среды
Сен
сор
ны
й в
ход
Пр
ед
сказа
нн
ый
резу
льта
т дей
стви
я
Моторный слойМотивация
Гностические нейроны
Langwith WEB (McLelland)Langwith WEB (McLelland)
Классификация понятий в Классификация понятий в Langwith WebLangwith Web
ЦНСЛогика
Картина мира
ВНСПотребности
СНСПрограммыдвижений
Манипуляции
Функциональные блоки мозга (А.Р. Функциональные блоки мозга (А.Р. Лурия)Лурия)
ЦНСЛогика
Картина мира
ВНСПотребности
СНСПрограммыдвижений
Манипуляции
Логика потребносте
й
Потребность в логике
Потребность в
программах
Манипуляция потребностями
Логика поведения
Логические программы
ЛитератураЛитература
• Timothy T. Rogers, James L. McClelland Preсis of Semantic Cognition: A Parallel Distributed Processing Approach: BEHAVIORAL AND BRAIN SCIENCES (2008) 31, 689–749
• Балин В.Д. Психическое отражение, С-Пб 2000
• Горбунов И.А. Диагностические возможности психофизиологических характеристик человека// Автореф. На соиск. Уч. Степ. Канд. Псих. Наук, С-Пб, 2005
Выводы по предыдущему Выводы по предыдущему занятиюзанятию• Нейросеть на основе перцептрона распознающего образ среды, Нейросеть на основе перцептрона распознающего образ среды,
после моторного действия может быть принята как модель после моторного действия может быть принята как модель формирования функциональной системы (Анохин П.К.) с АРД.формирования функциональной системы (Анохин П.К.) с АРД.
• Комбинация нейросетевой модели функциональной системы и Комбинация нейросетевой модели функциональной системы и мотивационной сети, воздействующей на нее с целью мотивационной сети, воздействующей на нее с целью выделения подсети, способствующей удовлетворению той или выделения подсети, способствующей удовлетворению той или иной потребности и связанной с внутренней средой организма иной потребности и связанной с внутренней средой организма позволяет предположить возможность моделирования позволяет предположить возможность моделирования самообучающейся системы, которая удовлетворяет собственные самообучающейся системы, которая удовлетворяет собственные потребности с большей эффективностьюпотребности с большей эффективностью
• Существуют самообучающиеся модели нейросети, Существуют самообучающиеся модели нейросети, описывающие семантические связи между понятиями. При описывающие семантические связи между понятиями. При обучении таких нейросетей могут формироваться обобщающие обучении таких нейросетей могут формироваться обобщающие понятия (нейроны промежуточных слоев), и на основе понятия (нейроны промежуточных слоев), и на основе ассоциаций такая модель «догадывается» о новых признаках ассоциаций такая модель «догадывается» о новых признаках того или иного объекта.того или иного объекта.
• Комбинация трех функциональных блоков нервной системы, Комбинация трех функциональных блоков нервной системы, прообразами которых могут являться перечисленные модели прообразами которых могут являться перечисленные модели нейросетей, позволяет представить психогенез таких понятий нейросетей, позволяет представить психогенез таких понятий как этика, эстетика, воля, привычки, ритуалы, мышление и как этика, эстетика, воля, привычки, ритуалы, мышление и рефлексия. Это одни из наиболее сложных психических рефлексия. Это одни из наиболее сложных психических явлений. явлений.
Определение ЭЭГОпределение ЭЭГ
• Впервые этот термин применен Бергером Впервые этот термин применен Бергером (Berger (Berger 1929): 1929): ЭЭГ ЭЭГ -- кривая полученная в результате кривая полученная в результате регистрации электрической активности любого регистрации электрической активности любого отдела мозга независимо от расположения отдела мозга независимо от расположения электродов электродов
• ЭЭГ – кривая регистрирующая электрическую ЭЭГ – кривая регистрирующая электрическую активность с поверхности черепа больших активность с поверхности черепа больших полушарий мозга.полушарий мозга.
• Смежные методы:Смежные методы:– ЭКоГ (электрокортикограмма) – непосредственно с ЭКоГ (электрокортикограмма) – непосредственно с
поверхности коры мозгаповерхности коры мозга– ЭТГ (электроталамограмма) с поверхности таламусаЭТГ (электроталамограмма) с поверхности таламуса– Электроцеребеллограмма - с поверхности мозжечка Электроцеребеллограмма - с поверхности мозжечка
Компоненты ЭЭГКомпоненты ЭЭГ
• Отдельные волны и Отдельные волны и
комплексыкомплексы
• РитмыРитмы
Отведение разности потенциаловОтведение разности потенциалов
-
+
+
-
ЭлектроэнцефалографЭлектроэнцефалограф
Структурная схема Структурная схема цифрового цифрового электроэнцефалографаэлектроэнцефалографа
Блок коммутации
Блок усилителей АЦП
Интерфейс
Компьютер
Блок стимуляции
Генератор калибровочных
сигналов
Испытуемый
Аналогово-цифровое Аналогово-цифровое преобразованиепреобразование
-1
-0.5
0
0.5
1
1.5
Числа Аналоговый сигнал
Числа 0.208 0.407 0.588 0.743 0.866 0.951 0.995 0.995 0.951 0.866 0.743 0.588 0.407 0.208 1E-16 -0.21 -0.41 -0.59 -0.74
Аналоговый сигнал 0.208 0.407 0.588 0.743 0.866 0.951 0.995 0.995 0.951 0.866 0.743 0.588 0.407 0.208 1E-16 -0.21 -0.41 -0.59 -0.74
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Отведения система 10-20% (Джаспер)Отведения система 10-20% (Джаспер)
Вид сверху (Монополярное Вид сверху (Монополярное отведение)отведение)
Основные ритмы ЭЭГОсновные ритмы ЭЭГНазваниНазваниее
ЧастотЧастотыы
СостояниеСостояние
ДельтаДельта 1-4Гц1-4Гц Глубокий сон, КомаГлубокий сон, Кома
ТетаТета 5-7Гц5-7Гц Патологии (сниж. ФС)Патологии (сниж. ФС)
АльфаАльфа 8-13Гц8-13Гц Норма, Фон ЗГНорма, Фон ЗГ
Бета1Бета1 14-14-20Гц20Гц
Активность, стрессАктивность, стресс
Бета2Бета2 21-21-30Гц30Гц
Активное вниманиеАктивное внимание
ГаммаГамма 30-Гц30-Гц Активное внимание, Активное внимание, мышление, сознаниемышление, сознание
Спектральный анализСпектральный анализ
-1,5
-1
-0,5
0
0,5
1
1,5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85
Ряд1
-1,5
-1
-0,5
0
0,5
1
1,5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85
Ряд1
-3
-2
-1
0
1
2
3
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85
Ряд1-3
-2
-1
0
1
2
3
4
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85
Пи/30
Пи/9
Пи/30+Пи/9
Пи/5
Пи/30+2*Пи/9+Пи/5
Спектральный анализСпектральный анализ
ЭЭГ ребенка 5 летЭЭГ ребенка 5 лет
ЭЭГ взрослого человека 22 г.ЭЭГ взрослого человека 22 г.
ЛитератураЛитература
• Гусельников В.И. Электрофизиология Гусельников В.И. Электрофизиология головного мозга (курс лекций) М., Высшая головного мозга (курс лекций) М., Высшая школа, 1976. школа, 1976.
• Л. Р. Зенков Клиническая Л. Р. Зенков Клиническая электроэнцефалография с элементами электроэнцефалография с элементами эпилептологии М. МедПрессИнформ 2004эпилептологии М. МедПрессИнформ 2004
• Вассерман Е.Л., Карташев Н.К., Полонников Вассерман Е.Л., Карташев Н.К., Полонников Р.И. Р.И. Распознавание типов патологии у детей с Распознавание типов патологии у детей с односторонними поражениями головного односторонними поражениями головного мозга с использованием анализа фрактальной мозга с использованием анализа фрактальной динамики электроэнцефалограмм // Труды динамики электроэнцефалограмм // Труды СПИИРАН. 2002. Вып. 1. Т. 1. С. 333–345СПИИРАН. 2002. Вып. 1. Т. 1. С. 333–345
Вызванные потенциалы Вызванные потенциалы мозга мозга
Занятие 2Занятие 2
Event-Related Potentials (Vaughan, 1969 )Event-Related Potentials (Vaughan, 1969 )
• В характеристиках ССП проявляется В характеристиках ССП проявляется связь активности мозга с событиями во связь активности мозга с событиями во внешней средевнешней среде::– например, с предъявлением стимулов например, с предъявлением стимулов – во внешне наблюдаемом поведении во внешне наблюдаемом поведении
испытуемого (например, с двигательной испытуемого (например, с двигательной активностью) активностью)
– с психологическими характеристиками с психологическими характеристиками активности испытуемого (например, с активности испытуемого (например, с ожиданием или с принятием решения) ожиданием или с принятием решения) [Rockstroh et al., 1982]. [Rockstroh et al., 1982].
ИсторияИстория
• Связь электрической активности мозга с Связь электрической активности мозга с событиями в окружающей среде и поведении событиями в окружающей среде и поведении впервые была продемонстрирована и впервые была продемонстрирована и описана англичанином Р.Кейтоном (Richard описана англичанином Р.Кейтоном (Richard Caton) в 1875–1887 гг. и независимо от него Caton) в 1875–1887 гг. и независимо от него русским ученым В.Я. Данилевским в 1875 г. русским ученым В.Я. Данилевским в 1875 г. [Brazier, 1984]. [Brazier, 1984].
• В 1890–1891 гг. А. Беком были исследованы В 1890–1891 гг. А. Беком были исследованы потенциалы на свет в окципитальной коре и потенциалы на свет в окципитальной коре и на звук – в височной. В 1898 г. В.Е. на звук – в височной. В 1898 г. В.Е. Ларионовым было проведено сопоставление Ларионовым было проведено сопоставление вызванной электрической активности в вызванной электрической активности в разных областях коры разных областях коры
Параметры и особенности Параметры и особенности ВПВП• Частотный диапазон 0-300 Гц. В Частотный диапазон 0-300 Гц. В
отдельных исследованиях до 3 кГцотдельных исследованиях до 3 кГц
• Амплитуда 1-10 мкВАмплитуда 1-10 мкВ
• Длительность -1-1000 мсДлительность -1-1000 мс
• Монополярный метод отведения (обычно)Монополярный метод отведения (обычно)
• Аналогово-цифровое преобразованиеАналогово-цифровое преобразование
• Многократное предъявлениеМногократное предъявление
• УсреднениеУсреднение
УсреднениеУсреднение• В основе выделения ССП из сигнала ЭЭГ лежат В основе выделения ССП из сигнала ЭЭГ лежат
следующие допущения:следующие допущения:– в ситуации многократного повторения события в ситуации многократного повторения события
регистрируемый сигнал ЭЭГ (SUMi (t)) является регистрируемый сигнал ЭЭГ (SUMi (t)) является суммой двух компонентов: спонтанной ЭЭГ суммой двух компонентов: спонтанной ЭЭГ SSi(t) и i(t) и потенциала, связанного с событием потенциала, связанного с событием PPi (t);i (t);
– компонент компонент SSi (t) распределен случайно для ряда i (t) распределен случайно для ряда последовательных повторений события;последовательных повторений события;
– компонент компонент PPii (t) (t) постоянен для всех повторений постоянен для всех повторений события, т.е. сигнал при события, т.е. сигнал при ii-м повторении события в -м повторении события в момент момент tt представляет сумму: представляет сумму:
– При суммировании При суммировании NN сигналов, зарегистрированных сигналов, зарегистрированных при последовательных повторениях события, при последовательных повторениях события, компонент компонент PPi(t) будет устойчив, a i(t) будет устойчив, a SSi(t), как ошибка i(t), как ошибка среднего значения, изменяется пропорционально среднего значения, изменяется пропорционально величине величине 1/N.1/N.
– Иногда среднее арифметическое целесообразно Иногда среднее арифметическое целесообразно заменять медианойзаменять медианой
tttiPiSiSUM )()()(
Количество предъявленийКоличество предъявлений
• при суммировании 25 реализаций при суммировании 25 реализаций ЭЭГ в полученном ССП отношение ЭЭГ в полученном ССП отношение сигнал/шум будет 1 : 5, сигнал/шум будет 1 : 5,
• при 100 реализациях – 1 : 10 при 100 реализациях – 1 : 10
• Для обычных ВП и УНВ достаточно Для обычных ВП и УНВ достаточно 30-50 реализаций30-50 реализаций
• Для стволовых ВП более 4000Для стволовых ВП более 4000
Различные волныРазличные волны
Варианты последующего Варианты последующего анализаанализа• Визуальное или компьютерное Визуальное или компьютерное
выделение амплитуд и латентностей выделение амплитуд и латентностей определенных волн (определенных волн (P100,N200,P300)P100,N200,P300)
• Определение компонентов ВП Определение компонентов ВП отличающихся в различных состояниях отличающихся в различных состояниях или при предъявлении различных или при предъявлении различных стимулов, при протекании различных стимулов, при протекании различных психических процессовпсихических процессов
• Локализация дипольных источников Локализация дипольных источников потенциаловпотенциалов
Приблизительное Приблизительное кодирование волн слуховых кодирование волн слуховых ВП (И.В. Равич-Щербо)ВП (И.В. Равич-Щербо)
Результаты вычитания ВП Результаты вычитания ВП (H. Hansen & S. Hillyard, 1982) (H. Hansen & S. Hillyard, 1982) (негативность рассогласования)(негативность рассогласования)
Стадии восприятия и Стадии восприятия и осознавания (А.М.Иваницкий)осознавания (А.М.Иваницкий)
Многоуровневая модель Многоуровневая модель НСНС
Образ среды
СличениеД
ействи
е
Повторный вход
возбуждения
Мотонейрон
Повторный вход Повторный вход возбуждения возбуждения (Дж.Эдельмена, (Дж.Эдельмена, А.М.Иваницкий) А.М.Иваницкий)