Голубь Скиннера

#popsci

Недавно в издании Naked Science при поддержке научно-популярного проекта “Я пошёл в науку” вышел мой небольшой материал о подходах в нейротехнологиях, которые лично мне кажутся небезыинтересными. Некоторые из них соответствуют нишевым направлениям, но это не исключает возможность их дальнейшего использования в более традиционных парадигмах.

MEG/EEG Bloopers. Part 3
#neuroimaging

Сегодняшний пост про не всегда приятные сюрпризы в анализе МЭГ/ЭЭГ посвящён тому, как неаккуратное использование фильтров может исказить вызванные потенциалы. Начнём с азов.

Вызванные потенциалы (ВП) — это сигналы, которые возникают в мозге в ответ на внешние стимулы, например, изображения или звуки. Чтобы увидеть ВП, необходимо осуществить многократные измерения реакции мозга на один и тот же стимул, а затем усреднить их. На выходе получается характерная кривая с пиками (A). Амплитуда, время и локализация возникновения этих пиков позволяет судить о происходящих в мозге процессах. Например, первичная обработка информации характеризуется пиками в районе 100 мс после предъявления стимула. Процессы, связанные с принятием решений, — пиками около 300 мс.

Анализ МЭГ/ЭЭГ на том или ином этапе требует использование различных фильтров для избавления от низкочастотных колебаний, например, связанных с кожно-гальванической реакцией, и высокочастотных артефактов, нередко связанных с мышечной активностью или наводкой. Золотым стандартом фильтрации считается диапазон от 0.1 до 40 Гц. В некоторых случаях — от 1 до 40 Гц. Все фильтры искажают временные ряды в той или иной степени, и важно учитывать, насколько велики могут оказаться эти искажения в случае с ВП.

В одном из ключевых исследований на симуляционном компоненте с положительным пиком около 600 мс продемонстрировали, что фильтрация выше 0.3 Гц приводит к появлению ложных отрицательных пиков до и после 600 мс, которые можно спутать с компонентами ВП, возникающими на более ранних и поздних латентностях (B) — а это уже совсем другие когнитивные процессы! Схожая тенденция наблюдается и на реальных данных (С).

В другом исследовании установили, что чрезмерная фильтрация может подавлять поздние медленные компоненты и делать более выраженными — ранние (D). В этом случае важно учитывать каузальность фильтров. Каузальные фильтры используют только текущие и прошлые значения сигнала. Некаузальные фильтры, напротив, для заданного момента времени используют как прошлые, так и будущие значения сигнала. Соответственно, применение некаузального фильтра может приводить к “заражению” ранних компонент ВП более поздними.

На ресурсе ERP INFO, посвящённому ВП, приводятся следующие рекомендации для применения фильтров:
✨️При фильтрации в режиме реального времени (если она неизбежна), используйте фильтр нижних частот, равный 1/3 или 1/4 от частоты дискретизации;
✨️Фильтрация до 0.1 Гц обычно приводит к минимальным искажениям (более опасные диапазоны представлены на рисунке (E));
✨️После усреднения ВП допустимо применить фильтр нижних частот до 20-40 Гц, чтобы снизить шум или выделить пики; однако лучше этого не делать для измерения средней амплитуды;
✨️При возникновении сомнений применяйте ваш фильтр к симуляции волны с нужными характеристиками.

MEG/EEG Bloopers. Part 2
#neuroimaging

Продолжаю серию пасхалок из анализа сигналов мозга. Активность, регистрируемая с помощью МЭГ и ЭЭГ, представлена ритмическими осцилляциями. Один из стандартных способов оценить, насколько те или иные ритмы выражены, это вычисление спектральной плотности мощности. Характерный спектр МЭГ/ЭЭГ (см. рис. А), представлен несколькими диапазонами частот, наиболее мощный из которых соответствует альфа-ритму (8-12 Гц). Именно его рост мы наблюдаем при закрытии глаз.

Также во многие процессы вовлекается более высокочастотный бета-ритм (12-30 Гц): его связывают с сенсомоторными задачами, вниманием, рабочей памятью и т. д. И в анализе этого ритма может крыться подвох!

Дело в том, что бета может оказаться гармоникой, порождённой альфа-ритмом. Обратимся к примеру. Смоделировав простую синусоиду в альфа-диапазоне на 10 Гц, я получаю характерный пик в спектре на 10 Гц (С). Добавив к этой синусоиде нелинейную компоненту за счёт прибавления квадрата этой синусоиды с небольшим коэффициентом, на спектре можно заметить дополнительный гармонический пик на 20 Гц (D) — а это уже бета-ритм! Похожий пик можно получить и при моделировании синусоиды непосредственно в бета-диапазоне (E).

Вклад гармоник от альфы в оценку бета-ритма, увы, не умозрительный конструкт. Во-первых, каноничный сенсомоторный мю-ритм, который по частотному диапазону соответствует альфе, обладает не синусоидальной, а аркообразной формой. И очень часто ему сопутствуют гармоники в бете. Во-вторых, стандартная затылочная альфа тоже от этого не застрахована. На графике (B) представлен спектр ЭЭГ одного человека в состоянии закрытых глаз. Наряду с пиком в альфа-ритме наблюдается пик и в бете, зависящий от выраженности альфы. Анализ этого феномена более подробно представлен в этой статье (как и некоторые полезные эвристики).

Возникает вопрос — что с этим делать?
➡️ Не ограничивать себя анализом в частотном домене: существуют дополнительные способы оценки осцилляторной активности, в т. ч. и во временном домене с выделением отдельных всплесков осцилляций и оценкой их дополнительных характеристик.
➡️ При частотном анализе учитывать отношение высоких частот к низким, смотреть на поведение спектра в целом, не изолируя отдельные частотные диапазоны.
➡️ Внимательно оценивать центральные частоты в пиках спектра: если центральная частота одного из пиков кратна центральной частоте пика в более низких диапазонах, это повод задуматься о присутствии гармоник.
➡️ Учитывать пространственные характеристики осцилляций: бета-осцилляции с максимумом мощности в затылке — это подозрительно (хотя в редких случаях и присутствие истинных бета-осцилляций в этих регионах не исключено).
➡️ Не использовать синусоиды как базисные функции для спектрального разложения (как это происходит в стандартном Фурье-анализе). Альтернативный вариант — преобразование Гильберта-Хуанга на основе метода EMD. Это преобразование основано на разложении сигнала на эмпирические моды, выделяемые непосредственно из данных. Как видно из моих модельных графиков (F), для нелинейного альфа-ритма это преобразование не выделяет пик в бете. Однако точность разложения зависит от специфики выделения мод, в т. ч. их количества. В представленном примере с разложением на две моды пик находится чуть ниже 10 Гц. Оставляю ссылку на пакет, в котором упомянутое разложение реализовано.

MEG/EEG Bloopers. Part 1
#neuroimaging

Уже несколько лет подряд я почти ежедневно работаю с сигналами МЭГ и ЭЭГ. За это время у меня сформировалась коллекция “пасхалок” или “багов”, связанных со спецификой порождения этих сигналов или с нюансами их обработки. Решила поделиться ими в серии постов, чтобы в очередной раз показать, что “совы МЭГ/ЭЭГ не то, чем кажутся”. По крайней мере, в некоторых случаях.

Сегодняшний “баг” — это несогласованность пространственных распределений (топографий) активации слуховой коры на сенсорах МЭГ и ЭЭГ. Источники этой активности в мозге располагаются билатерально в височных областях. Эта билатеральность как раз наблюдается в МЭГ в виде двух симметричных пиков. Однако на ЭЭГ пик активации для большинства вариантов ориентаций источников приходится на вертекс, т. е. центральную область (см. анимацию, источник: ссылка). Если не иметь доступа к МЭГ-данным, достаточно легко проинтерпретировать такую ЭЭГ-топографию в терминах процессов, не относящихся к слуховой коре.

Чем объясняется такой феномен? МЭГ чувствительна к сигналам, порождаемым источниками, ориентированными тангенциально коре, т. е. по касательной. ЭЭГ, напротив, детектирует потенциалы, ориентированные как тангенциально, так и радиально, т. е. перпендикулярно поверхности. Геометрия распространения сигнала по слуховой коре порождает именно такие радиальные компоненты, проецируемые на вертекс. Обратите внимание, как изменение ориентации этих компонент влияет на изменение ЭЭГ-топографий: в случае, если источники ориентированы радиально относительно виска, мы можем наблюдать симметричные височные пики на ЭЭГ-сенсорах.

В качестве бонуса оставляю ссылку на интерактивный симулятор диполей для МЭГ и ЭЭГ. В этом симуляторе вы можете расположить источник в пространстве головы, задать его ориентацию и посмотреть, как его активность проецируется на сенсоры МЭГ и ЭЭГ.

Мозг и его скорости
#neuroscience

Публикация: Senkowski, D., & Engel, A. K. (2024). Multi-timescale neural dynamics for multisensory integration. Nature Reviews Neuroscience, 1-18.

Наш мозг обрабатывает информацию, поступающую от разных органов чувств. Эта обработка не осуществляется изолированно: например, мы лучше понимаем речь (слуховая модальность), если наблюдаем за движением губ собеседника (зрительная модальность), и т. д. Объединение процессов такой обработки называется мультисенсорной интеграцией. Недавно в “Nature Reviews Neuroscience” появилась статья про её нейрональные механизмы.

Важной особенностью этого процесса является то, что он осуществляется на разных временных масштабах. Упрощённо: базовая сенсорная обработка происходит на небольших временных масштабах, а высокоуровневые процессы — на более длительных.

Что определяет эти временные масштабы? Синхронная активность нейронов в разных частотных диапазонах — ритмы мозга или осцилляции. Они задействуются в следующих сценариях.

✨ Модуляция амплитуды. Мультисенсорная интеграция сопровождается изменениями в мощности ритмов. Например, была установлена связь быстрой обработки мультисенсорных стимулов с мощностью гамма-ритма, а более сложных процессов (например, аудиовизуальной обработки речи) — с низкими частотами. Впрочем, это не означает, что иерархия мультисенсорной обработки линейно опирается на частоту таким образом, что высокие частоты связаны исключительно с простейшей сенсорной обработкой. Важно обращать внимание на то, какие области мозга генерируют эти ритмы: например, мультисенсорная интеграция может модулировать высокочастотные ритмы не только в сенсорных областях, но и в ассоциативных.

✨ Фазовый сброс (Phase resetting). Предъявление стимула в одной модальности может “обнулить” фазу осцилляций, отвечающих за процессы уже в другой модальности. Например, предъявление тактильного стимула обезьяне может приводить к сбросу фазы осцилляций в широком диапазоне частот (от 1 до 100 Гц) в слуховой коре, причем меньше чем через 100 мс после предъявления стимула. Этот механизм упреждающе может облегчать дальнейшую интеграцию предъявленного стимула в обработку уже другими системами.

✨ Ритмическая привязка (Entrainment). Стимуляция одной сенсорной системы на заданной частоте может индуцировать соответствующие осцилляции в другой системе. В частности, если предъявлять звуковые стимулы с частотой 3 Гц, можно наблюдать осцилляторную активность на этой же частоте в зрительной коре. А при предъявлении двух конкурирующих звуковых потоков целевые звуковые стимулы распознаются легче, если предъявлять зрительные стимулы, не относящиеся к задаче, но по временной динамике соотносимые с целевыми звуками.

✨ Функциональная связность. (Functional coupling). Осцилляции из функционально различных областей могут синхронизоваться на уровне фаз или огибающих. Например, синхронизация бета-ритма между височными и лобно-теменными областями наблюдается при эффекте Мак-Гурка (если вы не знакомы с этим эффектом, можете пройти по ссылке и мультисенсорно забыться). Важно также, что связность может устанавливаться и между разными ритмами: например, медленные осцилляции могут модулировать высокие.

Указанные выше механизмы касаются обработки уже предъявленного стимула. Но важно не забывать и про спонтанную активность незадолго до предъявления стимула. В частности, повышенная мощность спонтанного бета-ритма может предсказывать степень выраженности иллюзии Мак-Гурка, т. е. и предрасположенность к мультисенсорной интеграции в целом.

Также следует отметить, что в мозге имеют место процессы, не привязанные к временному масштабу (scale-free dynamics). Они не задействуют фиксированные частоты и не регулярны. Эту динамику связывают с состоянием критичности, в котором физическая система (мозг) наиболее подвержена изменениям во внешней среде. Соответственно, эти процессы могут влиять на то, с какой лёгкостью происходят ранее описанные фазовые сбросы или ритмические привязки, а также гибкость мультисенсорной интеграции в целом. Но это требует отдельных исследований.

BIOMAG-2024. ЭМГ — второе дыхание человеко-машинных интерфейсов?
#neuroimaging

В один из дней конференции BIOMAG состоялось выступление Александра Грамфорта, который едва ли нуждается в представлении: если вы занимаетесь обработкой ЭЭГ/МЭГ или используете машинное обучение для нейроданных, велика вероятность, что вы так или иначе пользуетесь тулбоксами или алгоритмами Грамфорта и его команды.

Своё же выступление Грамфорт посвятил не мозговой активности, а мышечной, а именно поверхностной электромиографии (ЭМГ), регистрируемой с помощью накожных электродов с запястья. Далее — некоторые технические и концептуальные takeaways.

💋 Фильтры на основе MVDR (minimum variance distortionless response) позволяют обнаружить спайковую активность в поверхностной ЭМГ. Эти фильтры нацелены на минимизацию дисперсии выходных данных. Такая минимизация осуществляется за счёт подавления шумов и помех и сохранения целевого сигнала нетронутым.

💋 В стандартных сценариях интерфейсы мозг/человек-компьютер требуют дополнительной калибровки. Возможно ли построить универсальные (generic) интерфейсы, не требующие калибровки? У этого есть ограничения. Читатели моего канала уже привыкли к моему рантингу на тему плохой воспроизводимости ЭЭГ-коррелятов. Когда же Грамфорт показал ЭМГ-ответы, связанные с простыми движениями пальцем разных людей, стало ясно, что и мышечная активность слишком индивидуальна для каждого участника. Это сопроводилось данными о высоких ошибках классификации универсальной модели независимо от тренировки участников, что указывает на плохую генерализуемость ЭМГ.

💋 Рецептом к созданию универсальных ЭМГ-интерфейсов Грамфорт считает сбор большого объема чистых данных (благо что ЭМГ собирать легко) и увеличение размера вычислительных моделей. Берём гору данных и алгоритмическую махину — “and then ML magic happens” (c). На этой фразе я со своими надеждами на элегантные математические решения, не требующие больших обучающих выборок, впала в мини-депрессию, хотя не согласиться с этим посылом сложно. Тем более, когда видишь, как ошибка классификации падает с ~25% до ~7%, если увеличить выборку с 40 участников до 4800.

💋 Персонализация в нейроинтерфейсах считается важной. Даже если мы используем generic нейроинтерфейс, допустимо реализовывать его fine-tuning на новых персонализированных данных. Однако, как показал Грамфорт на примере с ЭМГ, хоть персонализация и улучшает перфоманс моделей, это улучшение не сильно выше по сравнению с ситуацией, когда исходно используется большой набор данных в обучающей выборке.

💋 При сборе данных следует учитывать возможную гетерогенность их свойств, которая может обуславливается индивидуальной анатомией участников и различиями в устройствах для регистрации сигнала. Поэтому важно формировать универсальные рекомендации относительно расположения электродов, их оптимального числа и такой их конфигурации, которая обеспечивает наименьшую зашумлённость получаемого сигнала.

Своё выступление Грамфорт сопроводил демонстрацией декодирования простых жестов с помощью ЭМГ (см. видео). Тезис о высокой индивидуальности характеристик ЭМГ подтвердился тем, что когда уже в кулуарах с ЭМГ-браслетом играли участники конференции, декодирование “поплыло”. Но при “правильном” выполнении жестов в большинстве случаев всё начинало работать.

BIOMAG-2024. Не MNE Python единым
#neuroimaging #resources #programming

После вынужденного перерыва продолжаю серию постов по мотивам конференции BIOMAG. В этом посте представлен перечень инструментов, которые упоминались на конференции и могут пригодиться для анализа нейроданных, если вам не хватает стандартных средств (в частности, MNE Python и др.)

🔖pyspi
Библиотека на Python, с помощью которой на основе многомерных временных рядов (например, ЭЭГ или фМРТ) можно вычислять многочисленные парные взаимодействия с использованием нескольких десятков метрик, начиная от обычных ковариаций и заканчивая различными видами энтропии.

🔖HMM-MAR
Этот тулбокс пригодится, если вам нужно сегментировать многомерные нейроданные на квазистатичные состояния. Подход, который реализует этот инструмент, встраивается в логику обнаружения так называемых микросостояний ЭЭГ или МЭГ, но при этом позволяет строить модель с учётом осцилляторных характеристик сигнала и вероятностей перехода из одного состояния в другое.

🔖GARDEL
Софт для автоматической сегментации и локализации инвазивных электродов стерео-ЭЭГ. Также возможно автоматически соотносить расположение электродов с анатомическими атласами.

🔖DUNeuro
Библиотека на C++, позволяющая решать уравнения с частными производными для нейронаучных задач, в частности, для построения прямой модели МЭГ/ЭЭГ. Есть основания полагать, что прямая модель, полученная с помощью DUNeuro более точная и реалистичная, чем классические сферические модели или BEM-модель, используемые в MNE Python или Brainstorm. У библиотеки есть интеграция в стандартные пайплайны Python или MATLAB.

🔖MNEflow
Питоновский пакет, дружелюбный относительно MNE Python, который можно использовать для применения алгоритмов глубокого обучения к МЭГ/ЭЭГ. Лично для меня ценно, что в пакете есть базовые средства, обеспечивающие интерпретируемость некоторых моделей.

🔖HNN
Тулбокс для биофизического моделирования МЭГ/ЭЭГ. О нём я подробно писала ранее.

🔖BESA
Проприетарное программное обеспечение для различных видов анализа нейроданных. С его помощью можно и локализовывать кортикальные источники, и оценивать функциональную связность, и проводить соответствующий статистический анализ. Также доступны отдельные пакеты для автоматического обнаружения межсудорожных разрядов или приступов в данных пациентов с эпилепсией.

BIOMAG-2024. Начало
#neuroimaging

Волей странного сочетания детерминизма и стечения обстоятельств меня занесло с нейронаучным докладом на край света — в Австралию. Именно там сейчас проходит крупная международная конференция по биомагнетизму, известная как BIOMAG. Поэтому в ближайшие дни буду оставлять заметки по мотивам того, что на ней обсуждалось.

Сегодняшний keynote speaker профессор Том Карлсон осветил исследования того, как мозг распознаёт зрительные стимулы, а именно — формирует так называемые кортикальные репрезентации (то, как стимулы кодируются мозгом), и категоризирует их (например, определяет, что перед ним изображение лица или дома). Ниже — интересные нюансы этого направления.

🌀 Приятная специфика исследований репрезентаций заключается в том, что вам не обязательно заставлять участников выполнять сложную задачу: достаточно предъявлять стимулы, и репрезентации “выскакивают” сами собой.

🌀 Как поймать эти репрезентации? Можно декодировать активность мозга, связанную с разными категориями стимулов, и пытаться ответить на вопрос о том, как бы выглядел или категоризировался стимул, если бы обрабатывался определенным образом релевантными зонами мозга (например, первичной зрительной корой). Имеет смысл полагать, что чем лучше стимулы разных категорий декодируются, тем меньше пересечений между их репрезентациями.

🌀 Репрезентации эволюционируют во времени. Один и тот же стимул может иерархично присваиваться разным категориям. На основе декодирования МЭГ было установлено, что более абстрактные и обобщающие категории (например, одушевлённость/неодушевлённость) формируются позднее, чем индивидуализированные и детальные. На видео как раз представлена эволюция формирования категорий относительно начала предъявления стимулов. Чем дальше друг от друга стимулы, тем менее схожи их мозговые репрезентации.

🌀 Имеет смысл вводить в исследования стимулы с неоднозначными категориями. Например, роботы или игрушки мозг категоризирует не столько в терминах одушевлённости/неодушевлённости, сколько в терминах человекообразности, в частности, агентности и способности к субъективному опыту.

🌀 Долгое время в исследованиях зрительного восприятия существовал интерес к распознаванию лиц. Сейчас произошло переключение на еду, особенно в свете обнаружения зоны мозга, чувствительной к этому типу стимулов. Свежее же исследование показало, что категоризацию съедобных и несъедобных стимулов мы осуществляем в пределах 100 мс, а позже оцениваем степень её готовности или калорийность. Были также упомянуты ещё не опубликованные результаты: существует серийная зависимость в восприятии еды — например, восприятие низкокалорийного арбуза заставляло участников недооценивать калорийность предъявляемого следом бургера и т. д.

🌀 Из методологически полезных замечаний, пригодных и для анализа репрезентаций, и в целом для моделирования в нейронауках: метрика “noise ceiling” позволяет оценить максимально возможный перфоманс модели с учётом уровня шума в данных. Основное допущение заключается в том, что различия в мозговых ответах на повторяющиеся одинаковые стимулы порождаются именно шумом и даже идеальная модель не могла бы формировать безупречные предсказания. “Noise ceiling” показывает, какая часть дисперсии данных порождается именно стимулом и объяснима идеальной моделью, а какая — шумом. Поправка на это помогает точнее оценить объяснительную мощность модели в контексте имеющихся данных.

​​Голуби умнее математиков?
#decision_making

Публикация: Herbranson, W. T., & Schroeder, J. (2010). Are birds smarter than mathematicians? Pigeons (Columba livia) perform optimally on a version of the Monty Hall Dilemma. Journal of Comparative Psychology, 124(1), 1

Представьте, что вам предложили сыграть в игру и выбрать одну из трёх дверей. За одной находится приз в виде автомобиля, за оставшимися двумя — всего лишь козы. Вы выбираете одну дверь, но не знаете, что за ней. Затем ведущий игры, знающий, где находится автомобиль, открывает одну из двух оставшихся дверей. Во всех случаях за этой дверью оказывается коза. Вам предлагается изменить свой выбор и открыть оставшуюся дверь вместо выбранной вами исходно. Как вы думаете, увеличатся ли шансы вашего выигрыша, если вы примете предложение ведущего?

Решение:
Интуитивно кажется, что смена выбора не влияет на шансы, потому что автомобиль может оказаться за любой дверью с равной вероятностью (1/3). Но всё же для повышения шансов выигрыша вы всегда должны менять исходный выбор после того, как ведущий открывает дверь.

Предположим, исходно вы выбрали дверь с козой. Ведущий неизбежно откроет дверь со второй козой. При смене выбора вы откроете дверь с автомобилем и выиграете. Напротив, если исходно вы выбрали дверь с автомобилем, смена выбора приведет к проигрышу. Однако с учётом того, что вероятность исходно неверного выбора равна 2/3 (т. к. мы имеем две двери с козами), шансы выигрыша будут увеличиваться именно при использовании стратегии смены выбора. Дерево решений, представленное на рисунке, наилучшим образом поясняет эти сценарии.

Выше был описан так называемый парадокс Монти Холла. Статистика указывает на то, что большинство людей избирает неоптимальную стратегию и не меняют исходный выбор. Некоторые источники гласят, что даже математик Пал Эрдёш, известный своей экспертизой в теории вероятности, не сразу принял решение этого парадокса, пока не удостоверился в его оптимальности на результатах 100 000 компьютерных симуляций.

А теперь основной fun fact: в одном исследовании задачу Монти Холла предложили решать... голубям. Этих модельных животных нередко выбирают для исследований принятия решений. Естественно, задачу адаптировали под их голубиные нужды, и вместо автомобиля голуби стремились получить еду.

Результаты показали, что в первый день выполнения задачи голуби выбирали стратегию изменения выбора в 36.33 % случаев (что не эквивалентно случайным догадкам). К тридцатому дню выполнения задачи голуби выбирали оптимальную стратегию почти всегда — в 96.33% случаев.

Получение еды в результате реализации верной стратегии служит прямым подкреплением. Поэтому то, что голуби стали следовать этой стратегии, может показаться достаточно тривиальным результатом. С другой стороны, когда в схожий сценарий были помещены люди, к концу исследования они выбирали оптимальную стратегию лишь в 2/3 случаев. Это оказалось лишь слабым улучшением по сравнению с началом исследования, что не сопоставимо с перфомансом голубей.

Почему так происходит? Парадокс Монти Холла можно решать, используя классический вероятностный подход или эмпирический. Классический подход не требует накопления данных, в его рамках достаточно рассмотрения каждого возможного сценария и аналитической оценки их вероятности. В рамках эмпирического подхода, который базируется на наблюдении, требуется накопление некоторого числа проб и оценка вероятности, исходя из их наблюдаемых результатов.

Полученные результаты могут объясняться тем, что человек предпочитает опираться на классический подход, но впадает в "горе от ума" и использует его некорректно, ошибочно считая смену выбора и его сохранение равновероятно приводящими к выигрышу. Голуби же, не располагая аналитическим аппаратом для классического подхода, опираются на эмпирический. В рамках него парадокс Монти Холла сводится к задаче аккумуляции данных и изменения поведения на основе предыдущего опыта. Парадоксальность утрачивается...

О (психо-)неврологии
#mental_health

На своем канале профессор Дмитрий Кулиш, директор Центра Предпринимательства и Инноваций Сколтеха, любезно поделился мыслями по мотивам моих недавних постов о депрессии. Посыл Дмитрия таков: выявление “соматической природы” ментальных нарушений может обосновывать их признание как заболеваний, для лечения которых требуется фармакотерапия, в отличие от “дури”, которая лишь маскируется под депрессию и может корректироваться “обливаниями холодной водой”.

Воздержавшись от комментариев относительно дерзновенных тезисов про холодную воду (ибо моё мнение по этому поводу более чем предсказуемо), позволю себе развить мысль о биомаркерах ментальных заболеваний. С одной стороны, идея о редукции психиатрии к неврологии или о создании новой иерархии диагнозов, выводимых из неврологического профайлинга, всегда казалась мне симпатичной (физикализм и материализм мне из себя не изжить).

С другой стороны, неврология и психиатрия неслучайным образом предлагают разные направления взглядов на заболевания. Если неврология двигается “снизу вверх”, и отклонения, наблюдаемые в когнитивных доменах (напр., смена настроения), являются вторичными относительно объективно регистрируемого нарушения на уровне нервной системы, то психиатрия двигается “сверху вниз” — в фокус попадает субъективный опыт пациента, и именно он определяет свойства нарушения. Сопровождающие его изменения в нервной системе не лежат на поверхности.

Возникает вопрос: для того, чтобы считать нарушение субъективного опыта человека “подлинным”, должны ли ему сопутствовать явно обнаруживаемые структурные поражения мозга, набивший оскомину “дисбаланс нерйомедиаторов”, патологические паттерны в ЭЭГ и т. д.?

Ниже приведены примеры, которые указывают на оптимистичность таких ожиданий (по крайней мере, на текущем этапе развития нейровизуализации и нашего понимания принципов работы мозга):

1. Болевые синдромы. Боль — субъективный феномен, переживаемый настолько непосредственно, что вряд ли мы стали бы задаваться вопросом: “Мне действительно больно, или я сейчас драматизирую и преувеличиваю?” Тем не менее, некоторые болевые синдромы не сопровождаются выраженными нарушениями. В частности, мучительные мигрени возникают в отсутствие каких-либо травм, а механизмы их появления не столь очевидны. Иные примеры — фантомные боли, возникающие на месте ампутированной конечности, или фибромиалгия, характеризующаяся болью в скелетных мышцах опять же без свидетельств о воспалении или повреждении органов. Наконец, многочисленные попытки декодировать интенсивность боли по ЭЭГ пока не привели к выявлению маркеров, которые могли бы быть использованы универсально.

2. Конверсионное расстройство. Пациенты с этим расстройством испытывают ряд неврологических симптомов (слепота, паралич, онемение) без явного органического поражения нервной системы и предположительно в ответ на психологический стресс. К схожей картине относят психогенные неэпилептические приступы, не сопровождающиеся электрофизиологическими изменениями, но клиническая картина которых напоминает эпилептические.

Таким образом, выделение физиологического субстрата, лежащего за симптоматикой, не всегда обеспечивает возможность диагностики, не зависящей от субъективного отчёта пациента. Также оно пока не может выступать критерием “серьёзности” заболевания. Наконец, оно может и не носить объяснительный характер, а служить скорее еще одним источником описательных характеристик нарушения.

Поэтому, как бы ни был прекрасен атлас когнитивных расстройств с их локализацией из поста выше, следует не забывать о том, что, помимо вопросов “где?” и “что?”, существует вопрос “как?” И — независимо от того, оперируем ли мы терминами психологических синдромов, неврологических нарушений или их синтеза — пока мы не пытаемся дать хотя бы фрагментарные ответы на этот вопрос, всё многообразие био-, нейро- и прочих маркеров так и будет красивым мультимодальным грузом лежать на существующей системе диагностики и лечения.

Атлас когнитивных расстройств
#neuro #psychiatry #mental_health

В сопровождение к предыдущему посту — довольно интересен свежий атлас, который иллюстрирует вовлеченность структур мозга в нарушения различных когнитивных доменов, начиная от восприятия и заканчивая процессами осознания.

Изображение в высоком разрешении представлено по этой ссылке.

​​Шесть оттенков биотипов депрессии и тревоги
#neuro #psychiatry #mental_health

Публикация: Tozzi, L., Zhang, X., Pines, A., Olmsted, A. M., Zhai, E. S., Anene, E. T., ... & Williams, L. M. (2024). Personalized brain circuit scores identify clinically distinct biotypes in depression and anxiety. Nature Medicine, 1-12.

Симптоматика и механизмы депрессии и тревоги настолько разнообразны, что более трети пациентов с большим депрессивным расстройством и примерно половина пациентов с генерализованным тревожным расстройством не достигают ремиссии в результате терапии первой линии. Свежее исследование стало удачным примером распутывания этого разнообразия за счёт выделения биотипов депрессии и тревоги на основе фМРТ.

Данные фМРТ регистрировались как в состоянии покоя, так и в условиях выполнения задач на когнитивный контроль и на распознание эмоций в изображениях лиц. Эти условия обеспечивали задействование стандартных сетей мозга, связанных с разными когнитивными процессами. Затем на основе оценки мер активации и связности для каждого элемента сетей каждого пациента вычислялся стандартизированный показатель, отражающий то, насколько данные соотносятся с характеристиками выборки здоровых людей.

Набор именно этих показателей затем использовался для иерархической кластеризации и последующего выделения шести биотипов депрессии и тревоги. Ниже представлены характеристики полученных биотипов (аббревиатуры обозначают релевантные сети мозга):

1. DC+SC+AC+:
- гиперсвязность в дефолт-системе мозга, а также в сети определения значимости (salience network) и сети внимания;
- хорошая восприимчивость к поведенческой терапии;
2. AC-:
- гипосвязность в сети внимания;
- провалы в концентрации, выраженная импульсивность;
- низкая восприимчивость к поведенческой терапии;
3. NSA+PA+:
- повышенная активация в сетях положительного и отрицательного аффекта;
- связь с ангедонией (отсутствием способности получать удовольствие) и повышенными эмоциональными реакциями;
4. CA+:
- повышенная активность в сети когнитивного контроля;
- выражены симптомы, связанные с восприятием угрозы;
- низкий когнитивный контроль;
- хорошая восприимчивость к антидепрессантам из группы селективных ингибиторов обратного захвата серотонина и норадреналина;
5. NTCC-CA-:
- пониженная активация и связность в сетях, связанных с вниманием и восприятием угрозы;
- нарушенный когнитивный контроль;
6. DXSXAXNXPXCX:
- не наблюдаются дисфункции в сравнении с другими биотипами или нормой;
- медленное время реакции на имплицитное предъявление угрожающих стимулов.

Дополнительный анализ также продемонстрировал, что каждый биотип характеризуется разными пропорциями пациентов, соответствующих общепринятым диагностическим критериям депрессии, тревоги, панического расстройства, социальной тревожности, обсессивно-компульсивного расстройства и посттравматического стрессового расстройства. А важным следствием проведения подобного рода исследований может стать то, что выделенные биотипы позволят не только модифицировать диагностику в рамках прецизионной психиатрии, но и осуществлять оценку ответа на различные фармакологические и поведенческие вмешательства.

​​Трудности перевода: восприятие боли билингвами
#neuro #psychology

Публикация: Gianola M, Llabre MM, Losin EA. Does pain hurt more in Spanish? The neurobiology of pain among Spanish–English bilingual adults. Social cognitive and affective neuroscience. 2024 Jan 1;19(1):nsad074.


В недавнем исследовании участников-билингвов, одинаково хорошо говорящих на испанском и английском, подвергали болевому воздействию теплом и просили оценить интенсивность воспринимаемой боли. При этом за счёт предъявления культурно релевантных изображений или выполнения задач на чтение участников погружали в контекст, связанный с испанским или английским языком. Обнаружилось, что в испаноязычном контексте участники испытывали более выраженную боль, чем в англоязычном.

Исследование затрагивает несколько интересных нюансов:

- Полученные результаты находятся в соответствии с теорией лингвистической относительности. В рамках этой теории характеристики языка и культуры могут влиять на различные когнитивные домены: например, зрительное различение цветов может зависеть от категорий цвета в конкретном языке. Здесь следует отметить, что всё-таки поздние исследования показывают, что эта теория в своей радикальной форме не валидна, но результаты, подобные описываемым, частично её поддерживают.

Интересно разобраться, как именно в данном случае язык может влиять на интенсивность переживаемой боли. Авторы предлагают три варианта:

1. Язык может влиять на процессы внимания и по-разному "подсвечивать" лишь ощущение боли без явных различий в низкоуровневой сенсорной обработке.
2. Напротив, язык может воздействовать на первичные процессы, например, на уровень возбуждения, что в свою очередь может влиять на интенсивность ощущений за счёт разной вовлеченности элементов спинно-таламического пути, в т. ч. и соматосенсорной коры.
3. Наконец, различные языки могут вмешиваться в нелингвистическую обработку, по-разному занимая часть когнитивных ресурсов.

Данные фМРТ, полученные в описываемом исследовании, показали, что в различия по интенсивности боли были вовлечены как области мозга, связанные с процессами внимания, так и соматосенсорные регионы, что любопытно. Т. е. влияние языка затронуло сразу несколько уровней обработки болевого стимула.

- Дополнительно авторы оценивали культурную ориентацию участников, т. е. то, какой язык участники предпочитали больше. Оказалось, что не столько испаноязычный контекст как таковой влиял на восприимчивость к боли: ответ мозга на боль был выше в том языковом контексте, который соответствовал культурной ориентации участника. То, что в данном исследовании интенсивность боли в целом оказалась выше для испаноязычного контекста, может объясняться тем, что большинство участников изучали испанский язык раньше английского и в большей степени ассоциировали себя с испанской культурой.

- Авторы встраивают результаты своего исследования в контекст "испанского парадокса", суть которого заключается в том, что показатели здоровья представителей стран Латинской Америки, живущих в США, не хуже, а иногда и лучше, чем показатели, наблюдаемые у других жителей, несмотря на низкий социоэкономический статус и иные риски для здоровья. Подобного рода феномены могут формировать холистический взгляд на здравоохранение, хотя остается открытым вопрос о масштабируемости этих наблюдений.

​​Ловушка больших данных и корреляций
#metascience #statistics

"Всё со всем связано".

В статистическом смысле это означает, что в реалистичных сценариях практически невозможно обнаружить две переменные, взаимодействия между которыми будут характеризоваться нулевым коэффициентом корреляции. Ненулевые же статистически значимые корреляции будут сохраняться и с увеличением выборки.

В связи с данным феноменом был введён термин 'crud-фактор' или – более нейтрально – "окружающий шум" (ambient noise). Несмотря на отсутствие чёткой формализации, под crud-фактором подразумевают среднее значение всех коэффициентов корреляции между всеми возможными парами переменных.

Пример численного значения crud-фактора можно обнаружить в анализе ~ 15 000 корреляций из ~ 260 исследований, опубликованных в трёх журналах, связанных с социологией и психологией: Administrative Science Quarterly, Academy of Management Journal и Journal of Applied Psychology. На графике представлены три распределения коэффициентов корреляции, соответствующие трём журналам. Заметна их схожесть, достаточно большое стандартное отклонение и выделяющийся пик около коэффициента корреляции 0.1, что и возможно обозначить как crud-фактор. Таким образом, мы наблюдаем, что, вопреки нулевой гипотезе, вовсе не нулевая корреляция является "дефолтным" значением для такого числа сопоставляемых переменных.

Каковы следствия такого наблюдения?

1. Психологические и социальные науки во многом базируются на нулевых гипотезах. Существование crud-фактора указывает на то, что едва ли не любая нулевая гипотеза, фиксирующая коэффициент корреляции в нуле, неизбежно будет опровергнута с увеличением выборки. Получается, что более оптимальным вариантом было бы рассматривать только те корреляции, которые не попадают в диапазон, скажем, одного стандартного отклонения от значения ненулевого crud-фактора.

2. Имеет смысл уделять внимание каузальному сетевому анализу, потому что эмпирически наблюдаемые ненулевые корреляции между концептуально отличными переменными могут указывать на наличие дополнительных латентных факторов, опосредованно влияющих на взаимодействие этих переменных (достаточно вспомнить влияние генотипа на некоторые психологические характеристики).

3. С учётом наблюдаемого crud-фактора обнаружение переменных, которые, напротив, не коррелируют с большинством других переменных, может указывать на их "бессмысленность", проблемы со сбором данных или дополнительные искажения, в частности:
- парадокс Симпсона, в котором значимые тренды, присутствующие в нескольких группах, уничтожаются при их объединении;
- или влияние так называемой константы ящера (lizardman constant), обозначающей процент респондентов, нарочно заполняющих опросники неверно.

Как исследователи могут себя полностью обезопасить от crud-фактора, пока не вполне очевидно. Путь к решению должен включать в себя и более точное понимание механизмов, порождающих ненулевые корреляции, и реструктуризацию статистических основ для тестирования гипотез.

P. S. В качестве снижения градуса серьёзности оставляю ссылку на сайт c примерами абсурдных корреляций. Так вы сможете узнать, что число разводов в некоторых штатах США коррелирует с потреблением маргарина, а годовое число людей, утонувших в бассейне, коррелирует с числом фильмов, в которых снимался Николас Кейдж.

​​Апрельская нейроантология
#neuro

Нейроны моего мозга, отвечающие за создание контента, претерпевали синаптический прунинг, в связи с чем посты в канале появлялись с низкой частотой дискретизации. В сегодняшней публикации опробуем новый формат: я кратко опишу некоторые появившиеся за прошлый месяц научные статьи по нейротематике. Критерии отбора статей, как и всегда, субъективные.

1. Multisensory flicker modulates widespread brain networks and reduces IEDs

Различные методы нейростимуляции (напр., глубокая стимуляция мозга) уже не раз демонстрировали свою терапевтическую эффективность для ряда неврологических заболеваний. Возможно ли стимулировать мозг не посредством электрического или магнитного поля, а иначе? Да, и эту возможность открывает интересное свойство: повторяющееся на заданной частоте предъявление сенсорных стимулов, так называемых "фликеров", может влиять на ритмическую активность мозга. Например, восприятие звукового стимула или вспышек на частоте 40 Гц в ряде случаев может породить мозговые осцилляции в том же частотном диапазоне – так называемый steady-state response.

В новом исследовании аудио-зрительные фликеры предъявляли пациентам с эпилепсией во время инвазивного мониторинга активности их мозга. Было установлено, что фликеры не только вызывали мозговые ответы в канонических сенсорных областях (что было бы предсказуемо), но задействовали и более обширные сети, включающие даже префронтальную кору. И – самое примечательное – обнаружилось, что фликеры снижали частоту появления патологических межсудорожных разрядов. Это открывает новые терапевтические возможности.

2. Disentangling periodic and aperiodic resting EEG correlates of personality

Определение свойств личности по фоновой ЭЭГ – одна из тем, которая вызывает у меня противоречивые чувства из-за ограничений теории и неинвазивных методов. В свежей статье, однако, эти ограничения признаются и описываются результаты двух исследований в свете использования метода по разделению периодической и апериодической компонент спектральных характеристик ЭЭГ. В периодическую компоненту вносят вклад синхронные нейрональные осцилляция, а в апериодическую – то, что называют нейрональным шумом (хотя это не всегда так). Соотношения этих компонент отражают различные свойства возбуждения, торможения и т. д.

Первое исследование базировалось на стандартной теории связи экстраверсии и уже известных ЭЭГ-маркеров чувствительности к вознаграждению на основе альфа- и тета-ритмов. Вопреки предыдущим исследованиям, в которых анализировался общий спектр, выделение периодических компонент в этих диапазонах не позволило установить значимую связь между экстраверсией и ЭЭГ.

Во втором исследовании использовался data-driven подход. С помощью применения методов машинного обучения к спектральным характеристикам ЭЭГ авторам удалось декодировать параметры Большой пятерки. Использование периодической компоненты ЭЭГ оказалось более эффективным. Исключение составила доброжелательность, которая лучше декодировалась на основе апериодической компоненты.

3. Episodic long-term memory formation during slow-wave sleep
В новом исследовании было установлено, что во время глубокого сна мы способны к продвинутой форме обучения и к долгосрочному запоминанию новой информации. Находящимся в фазе глубокого сна участникам эксперимента одновременно предъявляли пары, состоящие из слова и псевдослова. Стимулы предъявлялись на пиках или спадах медленных ЭЭГ-волн. 12 и 36 часов спустя воспоминания об этих словах сохранялись. Более того, участники смогли корректно относить псевдослова к категориям, соответствующим парному слову.

Лучшие показатели запоминания наблюдались для тех псевдослов, которые предъявлялись на спаде медленных волн, что также сопровождалось увеличением мощности в тета-диапазоне. Такая модуляция тета-ритма указывает на нейронально обусловленное облегчение процессов запоминания.

Жаль, что исследование не было проведено в те времена, когда мне ещё нужно было готовиться к сессии.

​​Доверчивые ученые и искусственный интеллект
#metascience #ai

Публикация: Messeri, L., Crockett, M.J. Artificial intelligence and illusions of understanding in scientific research. Nature 627, 49–58 (2024).

Сложно представить сферу деятельности, в профессиональную обыденность которой не внедрился искусственный интеллект. Наука не стала исключением. Уже не раз обсуждалась проблематичность этого феномена на примере "галлюцинирующего" GPT, плохой интерпретируемости многих моделей и набивших оскомину этических ограничений. Авторы же вышедшей на днях публикации, проанализировав литературу с примерами использования ИИ в науке, вынесли на поверхность проблемы, относящиеся не столько непосредственно к ИИ как к технологии, сколько к тому, какие ложные ожидания на него накладывают сами учёные.

Авторы выделили роли, которые ИИ уже выполняет в практике учёных:
1. "Оракул": изучение бесконечно растущего пласта научных публикаций, его обобщение, выдвижение гипотез (реальный пример – предсказание комплексных биологических структур);
2. "Суррогат": синтез или аугментация данных, сбор которых в реальности сопряжен с временными и финансовыми затратами;
3. "Аналитик данных": наиболее привычная роль ИИ –автоматизированная обработка огромных массивов данных;
4. "Арбитр": роль, схожая с "оракулом" – анализ отправляемых на рецензию статей (в этом случае ИИ должен быть непредвзятым, уметь оценивать реплицируемость исследования и устранять publication biases).

Какие риски сопровождают эти роли?

Первый риск – это иллюзия глубины понимания (illusion of explanatory depth). Люди не могут охватить все доступные знания, поэтому склонны полагаться на экспертизу других лиц, которых считают авторитетными. Ощущение, что другое лицо понимает изучаемый феномен глубоко, может создавать иллюзию, что и сам человек обладает этим пониманием. Перенос этой иллюзии в сферу ИИ формирует ситуации, в которых высокая точность предсказания модели может создавать ложное ощущение объяснимости феномена. При этом самая точная модель не обязательно должна соотноситься с реальными механизмами, порождающими изучаемые данные. Это может подтверждаться, в частности, существованием эффекта Расёмона в машинном обучении, в соответствии с которым одинаково точные модели могут опираться на взаимоисключающие принципы связей входных данных и целевых переменных.

Второй риск – иллюзия широты исследования (illusion of exploratory breadth). В этом случае учёные ограничивают спектр гипотез только теми, которые возможно адаптировать под использование ИИ. В частности, используя ИИ как "суррогат", симулирующий данные поведения людей, мы можем отдавать предпочтение тем данным, которые моделируются менее проблематично (напр., результаты опросников против данных физически осуществляемых движений). Другие проблемы связаны и с тем, что алгоритмы могут требовать упрощения данных и при универсальном использовании на широком спектре данных порождать не самые точные предсказания.

Третий риск – иллюзия объективности. ИИ может восприниматься как агент, не имеющий точки зрения или учитывающий все возможные точки зрения. На самом же деле ИИ содержит в себе все искажения данных, на которых он обучался, и способов, которыми его обучали и ограничивали.

Все перечисленные риски имеют отношение к исходно существующим когнитивным искажениям, связанным с ситуациями, когда мы делегируем те или иные элементы процесса научного познания как социальной практики или оказываемся частью научной "монокультуры". Грядущая ИИ-центрированность этой монокультуры может снизить разнообразие тестируемых гипотез или используемых подходов, но при этом не исключено, что в ней и без того присутствует большое количество деформаций, которые уже сложно чем-либо испортить.

А пока что самыми безопасными условиями использования ИИ в науке оказываются рутинность выполняемых задач, связь задач с областью экспертизы использующего ИИ учёного, а также осведомлённость учёного о технических и концептуальных ограничениях ИИ в целом.

​​Love and machine learning are blind
#psychology

Публикация: Joel, S., Eastwick, P. W., Allison, C. J., Arriaga, X. B., Baker, Z. G., Bar-Kalifa, E., ... & Wolf, S. (2020). Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. Proceedings of the National Academy of Sciences, 117(32), 19061-19071.

В день покровителя всех влюблённых (а ещё — по совместительству — покровителя страдающих от эпилепсии и пчеловодов) во имя сохранения трезвости разума можно обратиться к науке. Избавлю читателей от рассказов а ля “Префронтальная кора хуже активизируется на ранних стадиях влюблённости, что указывает на отсутствие критического мышления у влюблённых и их условную опасность для общества и т. д. и т. п.”, потому что такого рода исследования приводят к и без того очевидным результатам. 

Упомяну исследование другого характера, в котором анализировались данные о качестве отношений и его изменениях во времени более 11 000 пар. С помощью методов машинного обучения исследователи пытались определить, какие факторы лучше всего предсказывают, будут ли люди счастливы вместе. Факторы были представлены переменными, включающими как индивидуальные характеристики партнёров (возраст, психологические особенности, уровень образования, религиозность, ценности, уровень дохода и т. д. ), так и характеристики самих отношений (проявления нежности и привязанности, длительность отношений и проч.) 

Выяснилось, что на качество отношений в текущий момент времени влияли не столько индивидуальные характеристики партнёров, сколько их собственное восприятие отношений. Переменные, связанные с отношениями, предсказывали 45% вариабельности качества отношений, а индивидуальные характеристики — лишь 21%. Правда, для предсказания качества в долгосрочной перспективе эти показатели упали до 18% и 12% соответственно. 

В топ-5 предикторов вошли: 
- воспринимаемая преданность партнёра;
- признательность партнёру;
- собственная сексуальная удовлетворённость;
- воспринимаемая удовлетворённость партнера;
- наличие конфликтов. 

Наиболее предиктивными индивидуальными характеристиками оказались:
- исходная удовлетворённость жизнью;
- выраженность негативного аффекта (напр., раздражительность);
- наличие депрессии;
- наличие тревоги относительно привязанности к другим людям;
- избегание привязанности. 

Демографические же характеристики (возраст, гендер, расовая принадлежность, образование и т. д.) вносили гораздо меньший вклад. 

Таким образом, если условные Алиса и Боб заполнят многочисленные опросники о себе и отношениях, то на оценку качества отношений Алисы не будет влиять оценка её собственных характеристик, оценка индивидуальных характеристик Боба и восприятие отношений Бобом — только её собственное восприятие отношений. Наблюдается налёт тавтологии. При этом изменения в оценке качества отношений Алисой с течением месяцев или лет вообще могут перестать поддаваться адекватному предсказанию какой-либо из этих исходно оценённых переменных. 

Напрашивается вывод, что кажущийся логичным поиск партнёра в соответствии с заданным набором личностных характеристик не может гарантировать долгосрочное счастье в отношениях. Но не будем спешить, поскольку нельзя исключать, что индивидуальные характеристики опосредованно и нелинейно влияют на переменные, связанные с восприятием отношений партнёрами.

А в целом, раз всё плохо предсказуемо, подобные результаты могут поспособствовать хорошей экзистенциальной смелости — si vis amari, ama!

Физики, лирики и чувства без боли
#popular_science #skigeon_in_science

Однажды мы с коллегами ввязались в научное приключение, промежуточные результаты которого недавно были опубликованы в Cerebral Cortex. Рискованность этого приключения заключалась в том, что мы регистрировали ЭЭГ у пациентов с фантомными болями, модулируя интенсивность этой боли с помощью нейростимуляции периферических нервов или спинного мозга. Поскольку боль является многогранным феноменом, вклад в который вносят сложные каскады реакций, невозможно назвать высоко воспроизводимые характеристики ЭЭГ, которые ей сопутствуют (тем более если мы имеем дело с ЭЭГ в состоянии покоя, а не с парадигмами экспериментально индуцируемой боли). Более того, сами параметры нейростимуляции могут своеобразно влиять на паттерны ЭЭГ. Тем не менее, несмотря на эти теоретические ограничения, мы получили результаты, интерпретируемые в терминах существующих предположений о механизмах боли и её подавления.

На текущий момент, ограничившись приведением ссылки на текст публикации, я воздержусь от подробного изложения этих результатов в рамках научно-популярного поста, поскольку мои собственные взгляды на локальную тему обработки такого рода ЭЭГ-сигнала с большой вероятностью изменятся с проведением следующих исследований. Конкретно это исследование, явившись первым кирпичом в фундаменте дальнейшей работы, породило во мне очень много дополнительных вопросов, и для их раскрытия я не могу ограничиться умозрительностью.

Но в качестве именно научно-популярного контента по мотивам этой темы оставляю ссылку на недавний эфир шоу “Физики и лирики” на радио “Маяк”. В нём мы с Александром Пушным обсудили и общефундаментальные вопросы, касающиеся боли, и специфику способов её подавления. Поскольку я только вырабатываю иммунитет к импровизированным экспресс-обсуждениям и мне всё еще ближе формат размеренных лекций, также поделюсь ссылкой на ранее не публикуемую здесь давнюю лекцию на эту тему (часть про нейрофизиологию боли в моём исполнении начинается с 33:35).

​​Искусственный интеллект – Пифия современности
#ai
Публикация: Savcisens, G., Eliassi-Rad, T., Hansen, L. K., Mortensen, L. H., Lilleholt, L., Rogers, A., ... & Lehmann, S. (2023). Using sequences of life-events to predict human lives. Nature Computational Science, 1-14.

На пятый день после наступления нового года, когда беспечность настоящего постепенно угасает, неизбежно задумываешься о будущем... В долгосрочной перспективе оно кажется неосязаемым и туманным – по крайней мере, для нас. Но не для искусственного интеллекта!

Недавно в Nature Computational Science была представлена модель life2vec, предсказывающая жизнь людей. Модель опиралась на данные жителей Дании от 25 до 70 лет с 2008 по 2016 года. Эти данные представляли собой детализированную последовательность событий в сферах труда и здоровья: получение зарплаты или стипендии, устройство на работу, посещение врачей, постановку диагнозов и т. д. Используя эти данные, расположенные в хронологическом порядке, модель оценивала каждое событие как изолированно, так и в контексте всей последовательности жизни человека целиком. Это и позволяло осуществить предсказание на ближайшие четыре года.

С технической точки зрения важно подчеркнуть, что в модели не использовались традиционные методы предсказания временных рядов, поскольку события жизни человека характеризуются многомерными признаками и не регистрируются через равные промежутки времени. Наконец, само понятие времени в данном случае усложняется, так как представлено и датой события, и возрастом конкретного человека. С учётом всех сложностей была использована архитектура трансформера. Все категории событий жизни человека составили синтетический "вокабуляр", и последовательность событий жизни рассматривались как "предложения", состоящие из элементов этого вокабуляра. Если упрощать, то задача предсказания следующих событий жизни человека сводилась к задаче предсказания следующих "слов" по аналогии с тем, как это делают ИИ-чатботы.

Что именно может предсказывать модель? Концептуально ограничений нет, поскольку для каждого типа предсказаний на основе сырых данных формируется новое пространство векторов, специфичных для этого типа. То есть каждое событие жизни может быть по-разному представлено в контексте типа предсказания. Это и делает модель в чём-то универсальной. С её помощью удалось предсказать как раннюю смертность для выборки людей от 35 до 65 лет, так и психологически тонкие показатели, связанные с десятью личностными характеристиками экстраверсии. Интересно, что life2vec превзошла модели (рекуррентные нейронные сети), натренированные на данных, относящихся исключительно к предсказываемой переменной.

Представляет интерес пример (см. Рис.) двумерной проекции жизней людей для случая с предсказанием смертности. Выделенные на изображении (d) регионы 1 и 2 соответствуют высокой вероятности выживания и смерти соответственно. Примечательно, что в немалая часть региона 2 представлена молодыми людьми (f), которые в действительности умерли (см. красные точки), что указывает на сложный характер предсказаний, с которыми справилась модель. Реальные смерти, близкие к региону 1 (высокая вероятность выживания) и соответствующие ложно-отрицательному результату, объяснялись несчастными случаями, возникновениями новообразований или инфарктом, что действительно сложнее предсказать на основе имеющихся данных.

Из ограничений модели следует отметить использование лишь небольшого промежутка времени длиной в 8 лет, а также возможные социодемографические искажения, связанные с отсутствием данных тех, кто не получает зарплату или не посещает медицинские учреждения. Впрочем, ничто не мешает в дальнейшем использовать и иные источники данных – например, социальные сети.

Этические сомнения также возникают, но они настолько очевидны, что не требуют пояснений.

P. S. Отдельная благодарность подписчице канала Алине за наводку на статью. И для заинтересованных – по этой ссылке можно найти репозиторий с исходным кодом.

#popsci #podcast

Последний в этом году выпуск подкаста “Кортекс” продолжает формирующуюся традицию, в рамках которой я и Настя обсуждаем статьи в нейронауке, опубликованные за текущий год. Лично я не могу охарактеризовать этот научный год как “прорывной”, хотя, конечно, в нашу подборку обсуждаемых статей многое и не вошло. Поэтому призываю вас оставлять в комментариях те публикации 2023 года, которые вас заинтересовали.

Таймкоды подкаста:
3:47 - развитие слухового восприятия у новорожденных
10:17 - слуховые стимулы влияют на активность зрительной коры
17:45 - воспоминания о травме при ПТСР - это не просто грустные воспоминания!
24:10 - NeuroGPT учится языку мозга 
29:15 - нарушение возбуждения/томрожения в мозге при шизофрении
34:20 - открытие новой области мозга, конкурирующей с первичной моторной корой
39:00 - мозговые механизмы юмора
41:30 - замораживание мозга приводит к замедлению восприятия времени
44:00 - что мы сделали в этом году? рассказываем о наших исследованиях
58:00 - пожелания на следующий год!

А мои персональные итоги года следующие — многое свершилось, многое еще предостоит, двигаюсь дальше, за неимением альтернатив стараясь практиковать пелевинский “летитбизм”.

Поздравляю всех с наступающими праздниками! Берегите себя💗

Дария

Human Neocortical Neurosolver — от нейрона к сенсорам (почти)
#neuroimaging #programming #resources


Давно не пополняла коллекцию полезных тулбоксов. Несколько дней назад вышла новая версия библиотеки HNN (Human Neocortical Neurosolver) на Python (с описанием исходного программного обеспечения можно ознакомиться в этой публикации).

Ценность этой библиотеки в том, что в очень user-friendly формате она позволяет соотносить МЭГ/ЭЭГ данные с клеточной активностью нейронов, их порождающей. Работать можно, в частности, с вызванными потенциалами или осцилляторной активностью. На фоне оптимистичности подхода можно выделить два ограничения:

1. Фактически основной ингредиент тулбокса — это моделирование активности кортикальных источников в виде первичного тока с использованием биофизической модели нейронов. Соотнесение же с измерениями на МЭГ/ЭЭГ сенсорах осуществляется за счет сопоставления смоделированной активности кортикальных источников и той, которая была реконструирована на основе МЭГ/ЭЭГ с помощью методов решения обратной задачи. Решение обратной задачи в этом случае — отдельный изолированный шаг. О сложностях, которые его могут сопровождать, я писала в одном из предыдущих постов. Получается, что биофизическая модель описывает переход с микроуровня клеток на макроуровень кортикальных источников, но не на уровень сенсоров. Т. е. на выходе мы получаем сопоставление моделей “нейрон-диполь” и “сенсор-диполь”. Это очевидным образом может порождать искажения.
2. Сама используемая биофизическая модель опирается на архитектуру колонок пирамидальных нейронов неокортекса и не затрагивает иные возможные архитектуры. Впрочем, сами используемые параметры (пропорции возбуждения/торможения, специфичные для каждого слоя синаптические взаимодействия и характеристики спайковой активности) обеспечивают некоторые степени свободы.

Несмотря на текущие ограничения подхода, он открывает пространство для тестирования гипотез. В частности, с помощью HNN получилось сформировать предсказания об источниках спонтанных бета-осцилляций в неокортексе, которые затем были подтверждены на основе инвазивных данных мышей и обезьян.

На видео — пример симуляции вызванной активности. А по этой ссылке можно найти пример скрипта, который решает обратную задачу для соматосенсорной вызванной активности, наблюдаемой в МЭГ-данных, а затем моделирует сеть нейронов, репродуцирующую активность соответствующих источников.

​​Мозг — это… 
#neuro #poetry_of_science

Препринт: Bolt, T. S., & Uddin, L. (2023). " The Brain is...": A Survey of The Brain's Many Definitions. bioRxiv, 2023-10.

Авторы свежего препринта проанализировали несколько миллионов статей и извлекли из них несколько тысяч фраз с определением того, что есть мозг. С помощью NLP удалось выделить 24 семантические группы этих определений (см. график). Наиболее биохимические и молекулярные определения (напр., “Мозг — это богатый липидами орган”) соответствуют левому верхнему углу графика, наиболее абстрактные и метафоричные (напр., ”Мозг — это сложная динамическая система” ) — правому нижнему. Если “молекулярные” определения хоть как-то целесообразны для обсуждения конкретных аспектов функционирования мозга, то общие абстракции отягощают своей очевидностью (если не подразумевают конкретную терминологию из области теории информации или нелинейных систем). 

Интересно было бы провести схожую кластеризацию семантических групп для определений различных когнитивных доменов — памяти, внимания, сознания и т. д. — и оценить пересечения между ними. Подозреваю, что их будет немало.

Если совершить небольшой экскурс в прошлое, прельщает своей простотой цитата, приписываемая древнеримскому врачу Галену: “Мозг — начало всех нервов, сердце — начало всех артерий”. С учетом того, что до Галена и его первых описаний нервной системы мозг нередко считался всего лишь регулятором исходящего от сердца тепла (в прямом смысле, а не в современном романтизированном), это определение по-своему революционно для той эпохи. 

Впрочем, Гален тоже грешил любовью к абстракциям, утверждая, что “мозг — самое сложное, что есть в теле человека”. Правда, потом он дополнял эту мысль спасительной конкретикой: “Но мозг был бы несовершенен, если бы у человека отсутствовала хоть одна часть тела — например, стопа. Как и стопа была бы несовершенна без мозга.”

А в целом, если вспомнить некоторые искажения и баги, к которым так склонен наш мозг, и если вторить более позднему высказыванию Курта Воннегута, возможно, мозг — не “венец эволюции, а очень плохая схема для выживания”. 

Оставляйте в комментариях определения мозга, которые кажутся интересными вам (non-serious replies приветствуются).