WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 |
-- [ Страница 1 ] --

ПРОСТРАНСТВЕННО-ВРЕМЕННАЯ ОРГАНИЗАЦИЯ СЕГМЕНТНОЙ СТРУКТУРЫ ЭЭГ ЧЕЛОВЕКА © Фингелькурц Андрей Александрович Диссертация на соискание ученой степени кандидата биологических наук

. МГУ, Москва, 1998. с. 273. Ниже

приводятся выдержки (введение, литературный обзор, общее обсуждение, выводы, благодарности и список использованной литературы) из диссертационной работы. С полным текстом диссертации можно ознакомиться в библиотеке биологического факультета МГУ и библиотеке им. В.И. Ленина. При использовании информации ссылка на автора и название диссертации обязательна.

Другие публикации автора можно найти по адресу: www.bm-science.com/team/fgk-publ.html 2

Работа выполнена на кафедре физиологии человека и животных биологического факультета МГУ им. М.В. Ломоносова.

Научный консультант: кандидат биологических наук А.Я. Каплан

Официальные оппоненты: доктор биологических наук А.Ф. Хижун кандидат медицинских наук Э.С. Ополинский Ведущее учреждение: Институт Высшей Нервной Деятельности и Нейрофизиологии РАН Научная новизна исследования. В ходе диссертационного исследования была разработана принципиально новая методология анализа пространственно-временной организации электрической активности мозга и конкретные методы детекции моментов резких перестроек (МРП) в ЭЭГ с последующим оцениванием синхронизации этих МРП в мультиканальной ЭЭГ. Выполненное исследование позволило обнаружить и охарактеризовать ранее не известный тип кооперативного взаимодействия корковых областей. Полученные данные свидетельствуют о существовании статистически значимого уровня неслучайных совпадений МРП. Детальный анализ этих данных позволил обнаружить операционально согласованные пространственные объединения корковых регионов – так называемые, операциональные модули (ОМ). Кроме того, впервые получены экспериментальные данные о неслучайной консолидации моментов резкого изменения динамики разных частотных компонент ЭЭГ. Таким образом, была обнаружена особого рода дискретная синхронизация основных ритмов ЭЭГ-сигнала, отражающая по своей сути синхронизацию моментов смены режимов стационарного функционирования соответствующих механизмов мозга. Этот особый тип межчастотной синхронизации коренным образом отличается от классической пространственной синхронизации ЭЭГ. Вычисление индексов межчастотной согласованности ритмов (МСР) позволяет на основе ЭЭГ-данных делать предположения о синхронизации моментов начала или завершения макроопераций нервной деятельности, отличающихся своим спектральным представительством в суммарной ЭЭГ. Для четкого концептуального разграничения классической фазовочастотной синхронизации и показанного в нашем исследовании особого типа дискретной синхронизации ЭЭГ мы ввели понятие «операциональной синхронизации» (ОС).

3 Теоретическое и практическое значение работы. Результаты исследования топологического картирования квазистационарных сегментов ЭЭГ по признаку совпадения МРП в ЭЭГ разных отведений по выявлению смены режимов активности мозга при различных когнитивных нагрузках и в разных патологических состояниях мозга, вероятно, позволят вплотную приблизиться к пониманию закономерностей отображения внутримозговых информационных процессов в объективных показателях операциональной активности мозга, что имеет особое значение для решения как теоретических, так и практических проблем психиатрии, органических поражений мозга, а также оценки эффективности фармакологических агентов и профотбора. Данные о закономерностях временной согласованности МРП между разными ритмами ЭЭГ, позволят составить принципиально новую карту межкоркового взаимодействия в терминах индексов операциональной синхронизации для разных пар основных частотных диапазонов ЭЭГ. Обнаруженные корреляции между индексами пространственной операциональной синхронии альфа-тета-ритмик определенных корковых структур и параметрами когнитивной деятельности, позволят сделать совершенно новое теоретическое обобщение о кооперативной динамике альфа-тета генераторных систем мозга, не связанной с частотной синхронизацией. Апробация работы. Результаты работы были доложены и обсуждались на заседании кафедры физиологии человека и животных биологического факультета МГУ (28 сентября, 1998);

на первой научно-практической конференции «практическая психология на пороге XXI века»: секция: современное состояние и пути развития нейропсихофизиологии и клинической психологии, МГСУ (24 февраля, 1998, г. Москва.);

на семинаре Института Высшей Нервной Деятельности и Нейрофизиологии РАН (19 октября, 1998). Тезисы по результатам исследования были представлены на 18 международных конференциях: МГУ (Москва-Россия, 1996;

1998);

в Париже (Франция, 1995);

в Киото (Япония, 1995);

в Бостоне (США, 1996);

в Цюрихе (Швейцария, 1997);

в Санкт-Питербурге (Россия, 1997);

в Монтреале (Канада, 1998);

в Таормина (Сицилия-Италия, 1998);

в Берлине (Германия, 1998). Публикации. Результаты диссертационного исследования изложены в 10 публикациях.

4 МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ им. М.В. ЛОМОНОСОВА Биологический факультет

На правах рукописи

УДК: 612.821+612.822.3. ФИНГЕЛЬКУРЦ АНДРЕЙ АЛЕКСАНДРОВИЧ ПРОСТРАНСТВЕННО-ВРЕМЕННАЯ ОРГАНИЗАЦИЯ СЕГМЕНТНОЙ СТРУКТУРЫ ЭЭГ ЧЕЛОВЕКА Специальность 03.00.13 – физиология человека и животных Диссертация на соискание ученой степени кандидата биологических наук Научный руководитель: кандидат биологических наук, в.н.с. А.Я. Каплан Москва 1998г.

5 Оглавление Список сокращений........….......................................................................………………5 ВВЕДЕНИЕ...........................................................................................................…...….7 ОБЗОР ЛИТАРАТУРЫ.…............................................................................…....…...10 1. Феноменология ЭЭГ-активности и представления о ее генерации…..……..10 2. Концепция кусочно-стационарной организации ЭЭГ……….….…………….12 3. Сравнительный обзор подходов к анализу нестационарности ЭЭГ методами сегментирования…………………………………………..…………...15 3.1. Скользящие оценки в измерениях ЭЭГ…………...………………………...…....17 3.2. Методы построения спектра для кусочно-стационарного анализа ЭЭГ-сигнала…………………………………….……………………………….....18 3.3. Кальман-фильтрация: авторегрессионое моделирование с коэффициентами зависимыми от времени…………………………………..…..22 3.4. Сегментация и кластеризация паттернов ЭЭГ…………………………………..23 3.5. Проблемы и перспективы анализа нестационарности ЭЭГ…………………….28 3.6. Нестатистические методы сегментации ЭЭГ…………………………….……...29 3.7. Непараметрический анализ переходных процессов в ЭЭГ…….……………….30 4. Идеология сегментного описания ЭЭГ…………………..…………………..…..32 5. Пространственный аспект кусочно-стационарной организации ЭЭГ……...33 МЕТОДЫ.................................................................................................................……37 РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ.......................................................….…….50 1. Результаты тестирования оперативной памяти испытуемых……………….50 2. Исследование процессов пространственной синхронизации квазистационарных сегментов ЭЭГ в условиях спокойного бодрствования…….50 2.1. Постановка задачи………..………………………………………………………..50 2.2. Методический аспект…….………………………………………………………..53 2.3. Полученные результаты….………………………………………………………..56 2.3.1. Топографическая организация межсегментного сопряжения в парах ЭЭГ-отведений……..…………………………………………………………….56 2.3.2. Операциональная синхронизация в мультиканальной ЭЭГ…………………..60 2.4. Обсуждение полученных результатов……………………………………………66 3. Пространственный структуры квази-стационарных сегментов мультиканальной ЭЭГ человека при мнестической деятельности……….... 6 3.1. Постановка задачи…..……………………………………………………………..75 3.2. Методический аспект…………………………………………………….………..76 3.3. Полученные результаты………..……………………………………………….…77 3.3.1. Анализ первого и второго дней эксперимента………………………………...77 3.3.2. Частота встречаемости операциональных модулей в пределах одноминутной реализации ЭЭГ......………………………………………….…78 3.3.3. Основные закономерности пространственно-временной организации операциональных модулей ЭЭГ-активности………………….…………….…80 3.3.4. Топологический и временной анализ карт операциональных модулей ЭЭГ-активности при различных функциональных нагрузках….………….…82 3.3.5. Распределение операциональных модулей в зависимости от базового уровня альфа-активности испытуемых…..………………………..…92 3.3.6. Распределение операциональных модулей в зависимости от продуктивности работы испытуемых…….………………………………….…94 3.4. Обсуждение полученных результатов………………………………..………..…98 4. Операциональная синхронизация сегментов патологической ЭЭГ……….114 4.1. Постановка задачи………………………………………………………………..114 4.2. Организация аналитических групп ЭЭГ………………………………….…….115 4.3. Полученные результаты…………………………………………….………...….117 4.3.1. Организация операциональных модулей в зависимости от типа ЭЭГ (по Жирмунской)…………………………………………………………….....117 4.4. Обсуждение полученных результатов……………….……………………….…127 5. Согласованность фазических перестроек основных частотных компонентов ЭЭГ…………….....……………………………………..……….…134 5.1. Постановка задачи……………………………………………………….…….....134 5.2. Расчет индекса ОС для основных частотных диапазонов ЭЭГ…..…………...136 5.3. Полученные результаты……………………………………………...………..…138 5.3.1. Суммарные оценки межчастотной согласованности ритмов ЭЭГ…….……138 5.3.2. Анализ усредненных индексов межчастотной согласованности ритмов ЭЭГ в зависимости от разной степени “соседства” частотных диапазонов…..…………..…………………………………………………..…..149 5.3.3. Динамика средних оценок межчастотной согласованности ритмов ЭЭГ в зависимости от степени “соседстве” частотных диапазонов на фоне разных этапов мнестической деятельности….…...…………………154 5.3.4. Особенности конкретных пар межчастотной согласованности ритмов ЭЭГ………..……………………….…………………………………………….158 5.4. Обсуждение полученных результатов………………………………………..…176 6. Пространственная межчастотная согласованность фазических перестроек альфа-тета компонентов ЭЭГ-сигнала….………..….……...……190 6.1. Постановка задачи………………………………………………………………..190 6.2. Расчет оценки пространственной межчастотной согласованности ритмов ЭЭГ……...……………………….……………………………………..…191 6.3. Полученные результаты……………………………………………………….… 7 6.3.1. Суммарные оценки пространственной межчастотной согласованности альфа-тета частотных диапазонов……………..………………………………192 6.3.2. Усредненные оценки индекса пространственной межчастотной согласованности данного отведения (по альфа полосе) со всеми отведениями левого и правого полушария отдельно (по тета полосе)…..….199 6.3.3. Особенности пространственной согласованности альфа-тета частотных диапазонов в конкретных парах ЭЭГ-отведений……..………....203 6.4. Обсуждение полученных результатов……..……………………………….…208 ОБЩЕЕ ОБСУЖДЕНИЕ.......................................................................…............…220 ВЫВОДЫ...................................................................................................…..........….229 Список цитированной литературы.................................................................….....….230 Благодарности.....................................................................................................…...…257 Приложение............................................................................................................…… 8 СПИСОК СОКРАЩЕНИЙ АР АРСС АЦП БФП ВЖ ВПСП ДЗ ЗГ КК КОГ КППМСР КПМСР МЗ МРП МСР МЭГ ОГ ОМ ОС ОСР ПМРР ПМСР ПОСР САН СВЖ ТПСП ФМСР ФПМСР ФС ЦНС ЭКГ ЭОГ ЭЭГ авторегрессия авторегрессионое скользящее среднее аналого-цифровой преобразователь быстрое Фурье преобразование время жизни возбуждающий постсинаптический потенциал дизиготные близнецы закрытые глаза коэффициент корреляции когерентный анализ кортикальный профиль ПМСР кортикальный профиль МСР монозиготные близнецы моменты резких перестроек межчастотная согласованность ритмов магнитоэнцефалография открытые глаза операциональный модуль операциональная синхронизация операциональная синхронизация ритмов пространственная межчастотная рассогласованность ритмов пространственная межчастотная согласованность ритмов пространственная операциональная синхронизация ритмов тест В.А. Доскина среднее время жизни тормозный постсинаптический потенциал фокус межчастотной согласованности ритмов фокус пространственной межчастотной согласованности ритмов функциональное состояние центральная нервная система электрокардиогра(фия/мма) электроокулогра(фия/мма) электроэнцефалогра(фия/мма) ВВЕДЕНИЕ Прошло почти полтора столетия с момента выхода знаменитых «Рефлексов головного мозга» М. Сеченова, открывших эру научного познания «элементов мысли» в терминах конкретных актов нервной деятельности. Однако до сих пор, к концу ХХ-века, остается не познанной та тончайшая грань, которая лежит между «телесным» нервным импульсом и «эфирным» мыслительным или когнитивным актом. Поэтому так устойчив, а в последнее время даже резко усилился, интерес нейрофизиологов в поисках надежных методов неинвазивного и высоко информативного нейрофизиологического мониторинга когнитивных процессов (Wiksvo, 1993;

Gevins et al., 1994). В силу быстротечности элементарных когнитивных актов среди самых современных методов регистрации активности мозга человека только электро- и магнитоэнцефалография (ЭЭГ и МЭГ), обладающие предельно низкой инерционностью, могут быть адекватными методами для анализа когнитивных процессов (Lopes da Silva, 1987). ЭЭГ, базируясь на регистрации генерируемых нервными элементами токов, без малейших временных задержек отражает деятельность мозговых образований. В первых же работах с регистрацией ЭЭГ у человека (Adrian, Mattews, 1934;

Adrian et al., 1935), весьма подвижная динамика альфа-веретен (Lehmann, 1980;

Gath et al., 1983;

Хижун, 1985;

Изнак, 1989;

Jung et al., 1997;

Шишкин, 1997), подсказала исследователям «симфоническую метафору» (Nunez, 1995) электрической активности мозга, где «включение» или «выключение» каждого ритма являлся «отзвуком» операциональной работы определенных морфо-функциональных систем (Каплан и др., 1997;

Фингелькурц Ан.А. и др., 1998а;

1998б). Таким образом, ЭЭГ является информативным показателем местных и общих физиологических перестроек функционального состояния (ФС) мозга и, в известных рамках, его патологического процесса. Именно в ЭЭГ отражается работа множества нейрональных ансамблей, вовлеченных в ту или иную деятельность организма. Мозг человека на уровне физиологического знания рассматривается нами как «дифференциальное целое», где функция целого никогда не связана с деятельностью одного какого-нибудь центра, но всегда организована и построена как интегративная деятельность, в основе которой лежат сложнодифференцированные и иерархически объединенные динамические межцентральные отношения, работающие по принципу доминанты с ее неизменным двойственным проявлением – подвижным сменяющимся фокусом возбуждения и сопряженной областью торможения (Ухтомский, 1978). В настоящее время подавляющее большинство исследователей для оценки кооперативной работы корковых областей используют когерентный или корреляционный анализ (см. главу “обзор литературы”, раздел 5.). Оценка когерентности стала чуть ли не единственным критерием наличия или отсутствия активного информационного обмена между соответствующими зонами коры, хотя в строгом смысле она свидетельствует только о выраженности линейной статистической связи между ЭЭГ-кривыми в частотной области (Kaplan et al., 1997). Между тем, очевидно, отсутствие подобного весьма уникального типа статистической взаимосвязи двух процессов никак не может свидетельствовать об 10 отсутствии вообще какого-либо взаимодействия между ними (Каплан и др., 1997;

подробно см. главу «обзор литературы», раздел 5.). Существуют ли, в таком случае, какие-либо признаки в ЭЭГ, которые могли бы более надежно указывать на функциональное объединение или взаимодействие тех или иных корковых структур? Подход, которого придерживаемся мы, базируется на представлениях о кусочно-стационарной природе фоновой ЭЭГ (подробнее см. главу «обзор литературы», раздел 2 и 4.), в которой моменты резких перестроек (МРП) могут детектироваться как границы квази-стационарных сегментов (Bodenstein, Praetorius, 1977;

Jansen, 1991), тогда совпадение этих МРП в мультиканальной ЭЭГ и может служить одним из ЭЭГ-признаков функциональной синхронизации корковых областей. Цель работы: исследование пространственно-временной организации квази-стационарных сегментов мультиканальной ЭЭГ человека при выполнении задач на оперативное запоминание и воспроизведение невербализуемых зрительных объектов. 1. 2. 3. 4. Основные задачи

исследования: Разработать метод исследования функциональной взаимосвязи корковых структур головного мозга человека по признаку детекции и оценки синхронизации моментов резких перестроек в многоканальной ЭЭГ. Изучить топографические особенности синхронизации квази-стационарных сегментов «нативного» биопотенциального поля коры головного мозга человека. Изучить закономерности пространственной кооперации квази-стационарных сегментов ЭЭГ человека на фоне регламентированной мнестической деятельности. Изучить закономерности временной и пространственной межчастотной согласованности фазических переходных процессов в динамике кусочностационарной ЭЭГ.

ОБЗОР ЛИТЕРАТУРЫ 1. Феноменология ЭЭГ-активности и представления о ее генерации Только в начале прошлого века начали проводиться первые попытки по объяснению устройства мозга и выяснению его функций. Представления отца френологии Галля были очень наивны – с точки зрения сегодняшнего дня. Однако именно тогда Галль заронил мысль о локализации функции в мозгу. О его системе френологии в последствии будет сказано, что она была примером теории, которая, будучи в основном ошибочной, была верной ровно настолько, чтобы способствовать прогрессу научной мысли.

11 В 1875 году англичанин Ричард Кейтон впервые показал, что у животного можно зарегистрировать электрическую активность мозга. Это был следующий шаг на пути к познанию мозговой деятельности. Лишь более полувека спустя, в 1929 году, австрийский психиатр Ханс Бергер обнаружил, что с поверхности черепа человека можно зарегистрировать «мозговые волны» (Berger, 1929). Так было сделано два важнейших открытия: во-первых, оказалось, что наличие электрических потенциалов действительно принадлежит мозгу, а не обусловлено активностью мышц. И, во-вторых, было обнаружено, что электрические характеристики этих сигналов зависят от состояния человека (Gloor, 1994;

Posner, Raichle, 1994). Нейрональная основа происхождения ЭЭГ теперь подтверждена многими исследованиями, в работах которых показана связь между электрической активностью отдельных нейронов и суммарными потенциалами, или ЭЭГ, отводимыми электродами с поверхности кожи головы человека. Такая взаимосвязь выражается либо в виде изменения частоты спайковой активности при изменении рисунка ЭЭГ в фоновой записи или под влиянием фармакологических веществ (Klee et al., 1965;

Ацев и др., 1968), либо в виде соотношения спайкового разряда с определенной фазой медленной волны (Frost, Gol, 1968;

Morrell, 1967). Обнаружено также сходство усредненной формы количественного потенциала с поверхностной ЭЭГ в период, приуроченный к развитию спайка (Frost, 1968), и показана зависимость распределения амплитуд ЭЭГ от наличия спайкового разряда (Lass, 1968;

Карнуп, 1976). Эти и некоторые другие факты легли в основу предположений о том, что ЭЭГ есть результат флуктуации электротонических потенциалов апикальных дендритов (Grandfest, 1957;

Ройтбак, 1962;

Purpura, Shofer, 1963). В работах Гутмана А.М. с сотрудниками (Гроудис и др., 1972;

Гутман, 1980) было показано, что спайки многих нейронов, приходя к многочисленным окончаниям их аксонального ветвления, вызывают в суммарной ЭЭГ элементарные изменения потенциала, форма которых близка к форме постсинаптических потенциалов. Данные изменения были названы «квантами ЭЭГ» и рассматривались как основные составляющие, из которых складывается ЭЭГ. Следует думать, таким образом, что в регистрируемых на поверхности коры мозга потенциалах должны отражаться как ВПСП верхушечных дендритов, так и ВПСП и ТПСП глубоких частей пирамидных нейронов (Подвигин, 1979;

Глезер, 1985). Эти потенциалы являются суммарным результатом действия обширных участков обоих активных слоев коры, а в нижних ее слоях в них вносят заметный вклад и подкорковые поля. Но в разных экспериментальных условиях относительный вклад активности генераторных слоев и подкорковых полей на различной глубине коры, очевидно, будет неодинаковым (Жадин, 1984). Следует признать, что в количественной ЭЭГ отражаются наряду со структурными особенностями характер афферентной импульсации и ФС данного образования (Хижун, 1988). Русинов В.С. (1960), например, прямо указывает на то, что периодика электрических колебаний непосредственно отражает текущую переменную лабильность нейронных ансамблей. Наиболее веским аргументом, подтверждающим связь ЭЭГ с ФС ЦНС, служит явление формирования определенной ритмики потенциалов коры головного мозга условно-рефлекторным 12 путем (Ливанов, Поляков, 1945;

Morrell, 1961;

Yoshii, Yamaguchi, 1962;

Джон, 1966). Более того, ЭЭГ позволяет изучать мозговые состояния на относительно кратких эпохах анализа соразмерных протеканию психических процессов (Бехтерева и др., 1988). В связи с выше сказанным хотелось бы далее рассмотреть вопрос о существенной нестационарности биоэлектрической активности головного мозга, ее изменчивости, как с течением времени, так и в результате изменения внешних условий. 2. Концепция кусочно-стационарной организации ЭЭГ Оцифрованный ЭЭГ-сигнал со статистической точки зрения представляет собой временной ряд, т.е. совокупность последовательных измерений значений переменной (процесса), произведенных через определенные равные интервалы значений параметра (обычно времени). Решая многие проблемы психофизиологии, исследователи обычно исследуют феномены, зависимые от времени. Для таких феноменов нельзя предложить детерминированную модель, допускающую точное вычисление будущего поведения системы. Тем не менее, можно предложить модель, позволяющую вычислить вероятность того, что некоторое будущее значение будет лежать в определенном интервале. Такая модель называется вероятностной или стохастической. Модели временных рядов являются в действительности стохастическими. Важный класс стохастических моделей для описания временных рядов, – так называемые стационарные модели. Они основаны на предположении, что параметры процесса с течением времени остаются в равновесии относительно среднего уровня. Однако такой временной ряд, как ЭЭГ-сигнал, в свете изложенного выше, лучше описывается как нестационарный. В общем случае любой временной ряд можно охарактеризовать в терминах однородности (неоднородности), постепенности (контрастности). Как же обстоят дела с однородностью в таком временном ряду как ЭЭГсигнал? Рассматривая даже фоновую ЭЭГ, мы видим, что ее ритмика не является строго периодическим, но лишь приближающимся к периодическому – квазипериодическим процессом (Ferber, 1987;

Lopes da Silva, 1987;

Jansen et al., 1988;

см. обзор Каплан, 1998). В ЭЭГ можно отметить три рода процессов: непериодический или случайный – типичным примером которого может служить ЭЭГ без доминирования какого-либо ритма;

квази-периодический (ритмическая активность, обладающая свойствами стационарного процесса), каким является фоновая ритмика, – например, альфа-активность;

периодический, наблюдаемый в случае навязанного ритма, например, при перестройке с применением пробы фотостимуляции. Ритмическая активность ЭЭГ варьирует по частоте даже в пределах каждого физиологического диапазона. Сейчас уже имеется ряд указаний на неоднородность альфа-ритма также в пределах одной области коры (Кожевников и др., 1963;

Hori et al., 1969;

Lehmann, 1971;

Lopes da Silva et al., 1980;

Suzuki, 1974;

Walter et al., 1967;

Klimecsh, 1997). Сам альфа-ритм у одного человека в каждой из областей коры 13 меняется в пределах относительно небольших интервалов времени (Русинов и др., 1987;

Хижун, 1992). Саундерз (Saunders, 1963), рассматривая возможность проявления модуляций ритмов в фоне, обращает внимание на то, что «веретена» ритмов ЭЭГ проявляются не периодически, что также может указывать на наличие случайного процесса. Модуляции ритмической активности в ЭЭГ есть одно из проявлений нестационарности и нестабильности электрических процессов мозга человека (Русинов и др., 1987). Спонтанные флуктуации демонстрируют не только отдельные ритмические компоненты ЭЭГ, но и большинство (если не все) ее характеристики. Так, для когерентности между внутрикорковыми электродами у человека показано наличие апериодических флуктуаций с преобладанием длительностью более 2 сек. Причем характеристики флуктуаций когерентности внутрикорковых потенциалов не зависели от локализации электродов и не различались в состояниях сна и бодрствования (Bullock et al., 1995a). Так же о нестационарности ЭЭГ говорят и дробные связи электрических процессов коры большого мозга, которые отличаются малой стабильностью, во времени и смещаются в пространстве на протяжении даже небольших интервалов времени: доля нестационарных фрагментов ЭЭГ возрастает от 10 до 90 процентов при расширении участка анализа ЭЭГ от 1 с до 10 с (McEwen, Anderson, 1975). Следует отметить, что стохастический характер биопотенциалов основан не только на суммации большого числа переменных, он имеет более глубокие корни и связан с вероятностным, стохастическим характером функционирования как отдельных нейрональных элементов, так и ЦНС в целом. Деятельность нервной системы протекает в условиях значительных колебаний параметров внешней среды, изменчивости многочисленных рецепторных воздействий, нестабильности метаболизма в нервной системе. Все это с необходимостью должно обусловливать и нестабильность различных параметров (например, возбудимости) нейронов и, следовательно, вероятностный характер преобразования потока афферентной импульсации на отдельных, столь изменчивых, элементах и структурах. Итак, в ЭЭГ содержатся нестационарные составляющие, переходные процессы, обусловленные следовыми процессами афферентных стимулов, в частности в форме следовых послеразрядов вызванных ответов (Barlow, 1969;

Brasier, 1960) и не только ими. Ряд авторов приходят к заключению, что ЭЭГ стационарна лишь на коротких 1-2-секундных отрезках времени, постоянно, фрагментарно меняющихся во времени, и каждый из таких отрезков (сегментов) ЭЭГ соответствует протеканию определенного коркового процесса, ограниченного во времени (Lehmann, 1980;

Lopes da Silva et al., 1975;

Mulcholland, Goodman, 1980). Подведем итог обсуждению нестационарности ЭЭГ. Многочисленные исследования статистической структуры электрической активности головного мозга показывают, что ее нельзя рассматривать как стационарный случайный процесс вообще ни в широком, ни в строгом смысле (Lopes da Silva, 1978;

Ferber, 1987;

Jansen et al., 1988). При этом биоэлектрическую активность представляют иногда как суперпозицию периодической (детерминированной), квазипериодической и стационарной случайных компонент (Brasier, Casby, 1956), либо как сумму квази-периодической и случайной (Розенблит, 1961) составляющих.

14 Вейс (Weiss, 1960) обнаружил соответствие статистических свойств стационарной гауссовской модели и отдельных реализаций ЭЭГ. К такому же выводу пришли и Гринявичус с Гутманом (1966), которые рассматривали ЭЭГ, как колебательный процесс, состоящий из подпроцессов, каждый из которых (но не ЭЭГ в целом) имеет нормальное распределение. Генкин (1964) тоже предлагает рассматривать ЭЭГ как последовательность локально стационарных процессов. Приведенный перечень моделей биоэлектрической активности указывает на то, что если ЭЭГ и может быть представлена как стационарный процесс, то лишь при определенных условиях, в частности на определенных интервалах времени (сегментах), длительность которых может варьировать в зависимости от изучаемого феномена, его ФС, экспериментальных условий и т.п. Очевидно, что при каждом конкретном исследовании интервал стационарности должен определяться экспериментально. Часто в электрофизиологических исследованиях, проводимых с использованием математической обработки экспериментальных результатов, даже не ставится вопрос о статистической структуре изучаемых процессов. В то же время, очевидно, что выбор адекватного метода статистического анализа просто невозможен без основных гипотез или априорных данных о математической модели исследуемых объектов. Это приводит чаще всего к формальному применению в физиологии математических методов, заимствованных из арсенала технических наук, без соответствующей модификации этих методов и без рассмотрения вопросов корректности применения их в каждом конкретном случае. Тогда как последовательное применение математических оценок с учетом структуры изучаемого процесса и возможных погрешностей должно приводить и к получению новой информации о закономерностях изучаемых явлений. Эти проблемы побуждают физиологов к постоянным поискам новых методов анализа, характеризующих нестационарность ЭЭГ-сигнала. Вот уже приблизительно два десятилетия разрабатываются различные методы сегментации, т.е. автоматического деления записи ЭЭГ на квази-стационарные сегменты (в данном контексте ЭЭГ рассматривается как кусочно-стационарный процесс). 3. Сравнительный обзор подходов к анализу нестационарности ЭЭГ методами сегментирования В настоящем обзоре дается анализ идей и методов сегментирования ЭЭГсигнала, а также обсуждаются возможности новых подходов к этой проблеме. Применение таких классических методов ЭЭГ-анализа, как частотный- и период-анализы, корреляционный и когерентный анализы, а также авторегрессионое моделирование (Kleiner, 1973;

Matousek, 1973;

Dolce, Kunkel, 1975;

Gevins et al., 1975;

Remond, 1977;

Barlow, 1979;

Gevins, 1980;

Lopes da Silva, 1982;

Ktonas, 1983;

Thatcher et al, 1986;

Thatcher, Walker, 1987;

Petsche, Rappelsberger, 1992), предполагает, что статистические характеристики ЭЭГ (например, средняя частота и средняя амплитуда) не изменяются во времени, т.е. ЭЭГ стационарна (Wiener, 1949;

Jenkins, 1961;

McEwen, Anderson, 1975;

Lopes da 15 Silva, 1978). С другой стороны, существует много примеров нестационарности ЭЭГ (т.е. долго- или кратковременные изменения того или иного паттерна). Такие изменения включают, например, угнетение альфа-ритма при открытых глазах, переход от бодрствования к дремоте, а затем ко сну, пароксизмальные разряды (т.е. медленные волны краткой экспозиции), спайковые пароксизмальные волны и спайки/пик-волны. Анализ последних двух, которые могут рассматриваться как очень кратковременная нестационарность, обсуждаются в работах Фроста (Frost, 1985) и Готмана (Gotman, 1985). Артефакты также могут представлять нестационарность в ЭЭГ (Barlow, 1985). Как отмечает Янсен (Jansen, 1979), несмотря на существование аспекта нестационарности ЭЭГ, большинство количественных методов анализа ЭЭГ используют метод быстрого Фурье преобразование (БФП), который заведомо предполагает стационарность анализируемой базовой эпохи ЭЭГ или любых элементов, из которых вычисляется спектр. Считается, что во избежание проблемы нестационарности необходимо отобрать для анализа те участки записей ЭЭГ, которые лишены артефактов. Но этого условия не достаточно, так как при этом мы не избавляемся от неявной нестационарности ЭЭГ-сигнала. Макивен и Андерсон (McEwen, Anderson, 1975) предложили в связи с этим применять специальный тест на стационарность для отбора ЭЭГ-участков соответствующей длины. Этот подход основан на предположении, что ЭЭГ представляет собой (или, что, более точно, является моделью) случайный процесс (Siebert, 1962;

Dummermuth, 1973). Случайный процесс может быть стационарным если его спектр мощности и его функция распределения амплитуды не изменяются во времени (Яглом, 1995). Последнее должно проверяться сравнением спектров, взятых из двух разных временных участков процесса, при помощи специальных тестов (например, двухвыборочный тест Колмогорова-Смирнова) на предмет отсутствия любых достоверных отличий (McEwen & Anderson, 1975). Методы анализа нестационарности ЭЭГ фактически основаны на детекции изменений в спектре ЭЭГ или в формальном спектре мощности (или автокорреляционной функции), а также на некоторых простых оценках средней амплитуды или средней частоты. Нужно отметить, что такие методы, естественно, предполагают наличие гауссовского случайного процесса как модели, описывающей ЭЭГ. Примером нестационарности, которая не будет детектироваться такими методами, будет “острый” альфа-ритм или мю-ритм. Такое изменение будет выявлено спектром более высокого порядка, или биспектром (Dummermuth, 1973;

Dummermuth et al., 1975;

Lopes da Silva, 1981). Методы, специально предназначенные для анализа нестационарности ЭЭГ, имеют минимальное временное разрешение, приблизительно, около 1 сек. Некоторые методы анализа нестационарности ЭЭГ основаны на предположении о наличии «кусочной» нестационарности;

в данном случае предполагается, что ЭЭГ как бы «склеена» из последовательностей (сегментов) разной длины, каждая из которых стационарна и число различных паттернов, представленных в последовательности – ограниченно. То есть спектральные свойства сигнала в пределах одного сегмента не претерпевают заметных изменений и, таким образом, постулируется, что спектральные характеристики сигнала скачкообразно меняются от одного сегмента к другому. При этом допускается, что 16 внутри сегментов на стационарный сигнал могут накладываться нестационарные колебания, которые, однако, не изменяют существенно спектральные свойства. Однако, возможны такие случаи, когда ЭЭГ меняется почти непрерывно, например, во время гипервентиляции и, следовательно, такой кусочковый подход может быть здесь неудовлетворительным, также как и в случаях, когда изменения следуют друг за другом с маленькими интервалами (диалектика подобной ситуации была подробно рассмотрена в предыдущем разделе). Теперь рассмотрим основные методические подходы. Дополнительные детали, включая математические расчеты, можно найти в оригинальных публикациях (Remond, 1985). Методы будут рассматриваться по следующим группам: (1) скользящие измерения ЭЭГ;

(2) базовые методы детерминации спектра при кусочно-стационарном анализе, т.е. частотный и авторегрессионый анализы;

(3) Кальман-фильтрация и авторегрессионое моделирование с коэффициентами зависимыми от времени и (5) сегментация ЭЭГ, включая интервал-фиксированную (неадаптивная) и интервал-вариативную (адаптивная) сегментации. 3.1. Скользящие оценки в измерениях ЭЭГ. Одним из возможных методов анализа нестационарности ЭЭГ является постоянное измерение, например, амплитуды или частоты ЭЭГ, или комбинации того и другого. Риел (Riehl, 1961;

1963) описал систему для непрерывного вычисления средней частоты (из пересечений нулевой линии) и средней амплитуды, а также графической записи их соотношения в интегрированной форме. Им было показано, что разные соотношения частоты и амплитуды наблюдались при максимальном возбуждении испытуемого и во время сна. Схема для получения непрерывного амплитудного пика и продолжительности волн (полупериод) была предложена Барлоу (Barlow, 1973). Тренды периодов ЭЭГ и их первая производная по времени были проработаны Буршем с коллегами (Burch et al., 1955) для детекции изменений в ЭЭГ. Пронк и Симонс (Pronk, Simons, 1982) предложили для этих целей использовать измерение периодов и амплитуды. Период-амплитудный анализ был предложен (Goldberg, Samson-Dollfus, 1975) для количественной оценки ритмичных свойств ЭЭГ-сигнала. Система непрерывного определения кратковременной средней частоты (в отличие от частот, полученных как пересечения нулевой линии) и средней амплитуды была сравнительно недавно разработана Барлоу (Barlow, 1985). Временные дескрипторы (Hjorth, 1970, 1973;

Saltzberg, Burch, 1971), такие как активность, мобильность и сложность (являющиеся, соответственно, изменениями амплитуды и частоты) и сложность спектра могут использоваться как непрерывные (постоянные) измерения ЭЭГ. Оценку степени нестационарности можно вести и по специально сконструированному индексу. Для этой цели используют, в частности, различные методы, основанные, например, на сравнении четных и нечетных эпох ЭЭГ (Oken, Chiappa, 1988) или методы, основанные на расчете энтропии (Петухова и др., 1994;

и др.). Так, для оценки локальных изменений, происходящих в электрической активности корковых зон при выполнении испытуемым когнитивных задач, 17 предложен «индекс нерегулярности», рассчитываемый из энтропии спектра мощности (Inouye et al., 1991;

1993). 3.2. Методы построения спектра для кусочно-стационарного анализа ЭЭГ-сигнала. В 1967 году Тьюки (Tukey, цит. по Walter, Brazier, 1969, с. 19) предложил в случаях, когда предполагается нестационарность (т.е. спектр изменяется во времени), тестировать спектры (Welch, 1967). В последние годы появились два метода построения спектра нестационарной ЭЭГ: БФП и авторегрессионое (АР) моделирование. В методе БФП спектр вычисляется непосредственно из сигнала, без каких-либо сомнений относительно его стационарности. Тогда как в АР-моделировании математическая модель соотносится с данным сигналом так, что сигнал, основанный на модели, на выходе оказывается статистически таким же, как и ЭЭГ, но не идентичен ей. Затем, исходя из математической модели, получают спектр. Оценка спектра при помощи преобразования Фурье. Рассмотрим сначала некоторые аспекты предшественника БФП, – частотного анализа, имеющего долгую историю в изучении ЭЭГ (Dietsch, 1932;

Grass, Gibbs, 1939). При определении периодограммы предполагается, что частоты являются гармониками. Вводя спектр, мы ослабляем это предположение и позволяем частоте изменяться непрерывно в диапазоне 0-0.5 Гц. Подобно периодограмме, он может быть использован для обнаружения и оценки амплитуд синусоидальной компоненты неизвестной частоты скрытой в шуме. Таким образом, выборочный спектр – это косинус-преобразование Фурье выборочной автокорреляционной функции. Периодограмма и выборочный спектр – удобные виды анализа временных рядов, образованных смесью синусоид и ко-синусоид с постоянными частотами, скрытыми в шуме. Однако временные ряды, представляющие ЭЭГ, характеризуются случайными изменениями частоты, амплитуды и фазы. Для таких рядов выборочный спектр сильно флуктуирует и как следствие содержательная его интерпретация затруднена. Вычисление периодограмм очень трудоемко. Тем не менее, до появления БФП, который оказался очень эффективен для осуществления подобных вычислений, использовался альтернативный метод. Он состоял в предварительном вычислении автокорреляционной функции сигнала (Barlow, 1973) с последующим построением спектра мощности как косинус-преобразование Фурье автокорреляционной функции (Walter, 1963;

Barlow et al., 1959 и Barlow, 1973, Рис. 38 и 39). Знание автокорреляционной функции математически эквивалентно знанию спектра мощности и наоборот. Так же, как периодограмма показывает, каким образом дисперсия ряда, состоящего из смеси синусоид и ко-синусоид, распределена между различными гармоническими компонентами, спектр показывает, как дисперсия стохастического процесса распределена в непрерывном диапазоне частот. Только для преобразования Фурье автокорреляционной функции необходимо умножение на косинус (а не на синус и косинус). Этот метод известен как непрямой или «mean lagged product» метод построения спектра мощности (Bingham et al., 1967).

18 Введение алгоритма БФП (Cooley, Tukey, 1965) революционизировало вычисление спектров мощности (Cochran et al., 1967;

Cooley et al., 1967). В целом, алгоритм заключается в манипуляциях, в результате которых происходит преобразование из временной области в частотную. Причем эффективность настолько велика, что значительно облегчается получение автокорреляционной функции инвертированным БФП (Bingham et al., 1967). Итак, БФП было предложено для вычисления спектров и определения нестационарности ЭЭГ (Dummermuth, 1971;

Bickford et al., 1971;

1972;

Maynard, 1972;

Bickford et al., 1973;

Vos, 1975;

Bostem, 1975). Оценка спектра авторегрессионным моделированием (линейное предсказание). Как было отмечено выше, метод авторегрессионного анализа или моделирования сильно отличается от Фурье преобразования. В последнем сигнал анализируется без учета его особенных характеристик, тогда как именно особенные характеристики сигнала используются для вычислений и формируют интегральную часть авторегрессионного анализа, пока «модель» (в математическом, а не физиологическом смысле) имитации реального сигнала не будет сформирована. Авторегрессионный анализ известен как параметрический метод, так как параметры моделирования сигнала детерминированы. Тогда как преобразование Фурье – это непараметрический метод. Краткое рассмотрение происхождения термина «авторегрессия» или линейное предсказание будет полезно в свете того, как описание самого сигнала формирует интегральную часть анализа. В обычной статистике взаимосвязь между двумя переменными может быть найдена при помощи «регрессии», т.е. проецированием одной переменной на другую, причем можно провести регрессионную прямую (линейность) на графике для двух переменных. Коэффициент корреляции (r) будет, таким образом, измерять сумму разброса точек с каждой стороны от регрессионной прямой. Оценивание (предсказание) величины одной переменной, зная определенную величину другой, может быть сделано из регрессионной прямой, а оценку ошибки предсказания можно получить из коэффициента корреляции. Таким же образом производится процедура и для временных рядов. Например, ЭЭГ (или последовательность точек) сравнивается сама с собой. В этой модели текущее значение процесса выражается как конечная линейная совокупность предыдущих значений процесса. Более специфично временные ряды выражаются как линейные комбинации взвешенных сумм прошлых значений плюс непредсказуемая некоррелируемая случайная компонента (Gersch, 1970). Если временные ряды точно предсказуемы (например, синусоида), то ошибка предсказания (отличие предсказуемого значения данной точки временного ряда от реального значения) равна нулю. Установление авторегрессионных коэффициентов, которые все вместе могут быть обозначены как вектор состояния (Parisot, Walter, 1976), может рассматриваться как составление «модели» сигнала, в том смысле, что из авторегрессионных коэффициентов можно сформировать фильтр, который для входа белого шума (т.е. полностью случайного) будет иметь статистически неотличимый от нормального сигнала выход (так называемый «авторегрессионный фильтр»). Фильтр, который имеет реципрокные характеристики авторегрессионного фильтра называется «инвертированным 19 авторегрессионным фильтром» – фильтр Винера. Форма спектра оригинального сигнала может быть получена из формы авторегрессионного фильтра, аналогично – инвертированная форма из инвертированного авторегрессионного фильтра. В терминах теории предсказания, авторегрессионный анализ может рассматриваться как экстраполяция или предсказание последующих точек сигнала. Выход инвертированного авторегрессионного фильтра – это ошибка предсказания и, как предполагается, она является случайной функцией, спектр которой плоский. В этом случае оригинальный сигнал будет «обелен» (т.е. его спектр станет плоским) инвертированным авторегрессионным фильтром. Таким образом, изменение случайных характеристик на выходе фильтра может использоваться как индекс нестационарности. Эмпирический метод нахождения нестационарностей инвертированной авторегрессионной фильтрацией был описан Барлоу (Barlow, 1975;

Barlow, Dubinsky, 1976;

Barlow, 1980). В этом методе инвертированный фильтр брался как инвертированное преобразование Фурье квадратного корня спектра мощности. Сам же спектр мощности получался непрямым методом, т.е. как преобразование Фурье автокорреляционной функции нативной ЭЭГ. Метод инвертированной авторегрессионной фильтрации используется для детекции кратковременной нестационарности (Frost, 1985;

Gotman, 1985;

Remond, 1985), а также изменений в фоновой ЭЭГ (см. ниже). Важным моментом в авторегрессионном моделировании является выбор порядка модели или фильтра, т.е. число коэффициентов (p). Существуют разные подходы к выбору коэффициентов (Makhoul, 1975;

Zetterberg, 1977;

Isaksson et al., 1981). На практике величина p выбирается от 3 до 15 исходя из целей исследования (для спектрального оценивания обычно 9-15). Однако большие значения требуют длительных компьютерных вычислений. Поскольку при раннем ЭЭГ-анализе (Zetterberg, 1969;

Gersch, 1970;

Fenwick et al., 1971;

Pfurtscheller, Haring, 1972;

Kleiner, 1973;

Gersch, Yonemoto, 1977) для описания стационарности широко применяли авторегрессионный анализ, то Венберг и Исаксон (Isaksson, Weunberg, 1976) предложили использовать его для анализа большого числа нормальных и отличающихся от нормы паттернов ЭЭГ. Для особых целей применяется модифицированный авторегрессионный анализ (АР), а именно авторегрессионный анализ со скользящим средним (АРСС). В этой модификации не только сам сигнал, но и ошибка сигнала (т.е. ошибка предсказания) выражаются как линейные комбинации их непосредственного прошлого. Для ошибки предсказания вычисляются соответствующие коэффициенты (Gersch, Yonemoto, 1977;

Isaksson et al., 1981). Основное различие между АР- и АРСС-моделированием заключается в том, что АР-моделирование (в терминах оценивания спектра) обеспечивает эволюцию только спектральных пиков (т.е. резонансов), тогда как более сложное и требующее больших вычислений АРСС-моделирование обеспечивает оценивание и пиков, и впадин спектра. Детали по АР- и АРСС-моделированию можно найти в оригинальных работах (Bohlin, 1973;

Makhoul, 1975;

Gersh, Yonemoto, 1977;

Zetterberg, 1978;

Sanderson et al., 1980;

Isaksson et al., 1981;

Schroeder, 1984;

Zhirmunskaya et al., 1984). Недостаток перечисленных методов – априорное предположение о характере регрессии и гауссовости шума, без чего нельзя ими воспользоваться.

3.3. Кальман-фильтрация: авторегрессионое моделирование с коэффициентами зависимыми от времени. Нужно отметить, что и БПФ, и авторегрессионное моделирование применяются для поиска нестационарности, в то время как сами могут использоваться на данных, которые считаются стационарными. Возможность того, что классическая теория линейного предсказания для стационарных сигналов (Wiener, 1949) может быть модифицирована для использования нестационарных процессов, была реализована Кальманом (Kalman, 1960;

Kalman, Bucy, 1961). Суть заключается в том, что авторегрессионные коэффициенты АР-модели сами могут варьировать во времени и постоянно изменяться или адаптироваться под сигнал во время анализа. Данный метод известен как Кальман-фильтрация (или фильтрация Кальман-Бюси) (Isaksson et al., 1981) и применяется не только для предсказания последующих значений самого сигнала, но и предсказаний последующих авторегрессионных коэффициентов (коэффициентов предсказания), т.е. вектора состояния. Анализ может рассматриваться как многомерный процесс (число измерений равно порядку модели) в котором каждый коэффициент реадаптируется с каждым новым отсчетом сигнала, используя принцип обратной связи. Кальман-фильтрация была использована Бойлином для нахождения нестационарности ЭЭГ (Bohlin, 1971), который получал серии спектров из непрерывно отслеживаемых коэффициентов (берутся из ЭЭГ) (Bohlin, 1973, 1977). Исаксон и Венберг (Isaksson, Weunberg, 1976) используя Кальман-фильтрацию для изучения нормальной и отличающейся от нормы ЭЭГ, определили, что верхний предел нестационарности оказывается равным примерно 10-20 сек. (McEwen, Anderson, 1975). Тем не менее, проблема Кальман-фильтрации заключается в «старте» анализа;

начальное установочное время аналогичное постоянной времени в данной ЭЭГ должно быть определено до того как значения коэффициентов фильтра станут значимыми. Матью (Mathieu, 1976) считает Кальман-фильтрацию методом с ограниченными возможностями потому, что существуют определенные трудности в алгоритме и сложные компьютерные вычисления. Сандерсон с коллегами (Sanderson et al., 1980) также отмечал громоздкость вычислений, требуемых для Кальман-фильтрации. Более того, было показано (Lopes da Silva, 1978), что медленные изменения в ЭЭГ могут не детектироваться, если нестационарность определяется из диапазона изменений коэффициентов Кальман-фильтра. 3.4. Сегментация и кластеризация паттернов ЭЭГ. Для кластеризации и описания различных типов паттернов, которые встречаются в нестационарной ЭЭГ, используют два базовых подхода. В первом ЭЭГ сначала делится на фиксированные короткие интервалы равной длины или сегменты, характеристики которых (например, спектр мощности) определяются. Характеристики всех сегментов далее группируются (кластеризуются) или друг с другом, или по отношению к стандартной референтной группе. Смежные сегменты затем могут быть объединены в более длинные стационарные сегменты, длина которых будет некоторым умножением базовой длины сегмента.

21 Во втором подходе сначала определяются границы сегмента из специфики самой ЭЭГ и как результат этого появляются сегменты разной длины, которые затем кластеризуются или классифицируются, согласно их особенным характеристикам, которые выявляются как часть процесса сегментации. Первый этап можно назвать инервал-фиксированной или неадаптивной сегментацией, тогда как второй – интервал-вариабельной или адаптивной сегментацией. Неадаптивная сегментация. В этом методе предполагается, что для определения границ между разными типами паттернов ЭЭГ достаточна длина базового интервала в 1 сек. В целом, использование БФП для выявления характеристик сегментов, необходимого при использовании интервалфиксированной сегментации, требует, чтобы эпохи анализа для БФП были такие же, как и основной интервал. При применении авторегрессионного анализа можно использовать как интервал-фиксированную, так и интервал-вариабельную сегментацию. Янсен с коллегами описали несколько методов изучения нестационарности ЭЭГ, основанных на интервал-фиксированной сегментации. Используя метод БФП, были построены спектры мощности 1.28 сек-х сегментов (предполагаются стационарными), имеющих 0.64 сек-ые перекрытия. Группировка сегментов в соответствии с типом активности ЭЭГ далее производилась на базе внутренних результирующих векторов 25-компонентного вектора, представляющего спектр (Jansen, Hasman, 1978). В отличие от метода БФП, Хасман с коллегами (Hasman et al., 1978) усредняли коэффициенты Кальман-фильтра сегментов длиной более 1.28 сек (используя авторегрессионую модель 5-го порядка). Чтобы описать изменения во времени, результирующие вектора 5-ти-мерного пространства были спроецированы на 2-у-мерную плоскость таким образом, чтобы расстояния между векторами сохранялись. В результате такой процедуры, появляющиеся отчетливые кластеры приписывались к разным типам ЭЭГ-активности. В отличие от метода кластеризации характеристик сегментов по коэффициентам Кальман-фильтра 5-го порядка, Янсон (Jansen et al., 1979) использовал метод секвенирования характеристик 6-ти-мерного пространства, – так называемый, модифицированный метод Муциарди и Гоше (Mucciardi, Gose, 1972). Оказалось, что эта процедура лучше оценивает внутрииндивидуальную вариативность (для группы), нежели выявляет характеристики длинных (10.24 сек.) интервалов. Похожий результат был найден для коротких интервалов (1.28сек.) небольшого числа записей во время сна;

короткие интервалы давали немного больший процент согласия с клинической классификацией фаз сна, чем длинные (80 % против 40% ) (Jansen et al., 1980, 1981а,b,c). Впоследствии Янсен (Jansen et al., 1982) использовал эвристический метод кластеризации вместо модифицированного метода Муциарди и Гоше (1972). Методы кластерного анализа позволяют разбить изучаемую совокупность объектов на группы «схожих» объектов, называемых кластерами. Эти методы довольно разнообразны, в них по-разному выбирается способ определения близости между кластерами (и между объектами), а также используются различные алгоритмы вычислений. Заметим, что результаты кластеризации зависят от 22 выбранного метода, и эта зависимость тем сильнее, чем менее явно изучаемая совокупность разделяется на группы объектов. Поэтому результаты вычисленной кластеризации могут быть дискуссионными и часто служат лишь подспорьем для содержательного анализа. Промежуточным между интервал-фиксированной и интервал-вариабельной сегментацией считается метод, разработанный Озаки и Тонг (Оzaki, Тong, 1975). Они изучали падение надежности (следуя критерию информационного содержания Акайке [Akaike или AIC]) авторегрессионной модели при дополнительном перекрывании соответствующих интервалов равной длины данной ЭЭГ. Адаптивная сегментация ЭЭГ. Особенностью адаптивной сегментации является выявление каждого стационарного участка ЭЭГ и постановка границ сегментов исходя из внутренних особенностей самого сигнала. Длина сегментов, таким образом, не фиксирована, т.е. нет базовой длины (длина определяется структурой каждой данной ЭЭГ). Как и в интервал-фиксированной сегментации, предполагается, что ЭЭГ состоит из нескольких стационарных элементов (которые могут сильно варьировать в длине), каждый из которых принадлежит к ограниченному числу базовых паттернов ЭЭГ. Идентификация конца сегмента следует за выявлением его отличительных характеристик (например, определение спектра мощности). Кластеризация характеристик по похожим группам (представление похожих паттернов ЭЭГ) может происходить или одновременно с процессом сегментации, или после него. Следующим шагом может быть клиническая классификация результатов. Принцип, используемый в разных методах адаптивной сегментации, одинаков. Из начального референтного участка ЭЭГ (протяженность, например, 12 сек. ) определяются его характеристики и постоянно сравниваются с последующей ЭЭГ (как будто ЭЭГ «просматривается» через движущееся окошко). Граница сегментов ставится, если пара признаков (например, спектры) отличаются больше, чем на определенное значение, т.е. их разница превышает порог. Отдельные вычисления могут вестись для уточнения места границы сегмента. Как только конец сегмента определен, его характеристики запоминаются для кластеризации, а ЭЭГ «просматривается» дальше для поиска новых границ сегментов. Процесс продолжается до тех пор, пока не закончится запись ЭЭГ. В некоторых методах детектируются только долговременная нестационарность, в других – и кратковременная, и долговременная (т.е. спайки/пик-волны). Дуквейсноу (Duquesnoy, 1976) описал метод автоматического обнаружения границ сегментов ЭЭГ, основанный на Кальман-фильтрации. Постановка границ сегмента контролируется автоматическим интерпретатором кривой сигнала, который чувствителен к изменению коэффициентов Кальман-фильтра. Порог сегментации выбирается автоматически. Боденштейн и Преториус в своем методе попытались реализовать такой аспект клинического анализа ЭЭГ, в котором, например, 1 сек-ым пароксизмам уделяется столько же внимания, сколько и одноминутной нормальной фоновой активности (Bodenstein, 1976;

Bodenstein, Praetorius, 1975;

1977a;

1977b;

Praetorius, 1976;

Praetorius et al., 1977). Эти авторы формализовали свой метод по трем 23 направлениям: (1) ЭЭГ состоит из квази-стационарных (по существу стационарных) сегментов (в которых кратковременные переходы могут накладываться);

(2) сегмент определяется длиной и спектром мощности (чаще используется спектр мощности), тогда как кратковременные переходы (спайки/пик-волны) определяются временем их появления;

и (3) ЭЭГ состоит из ограниченного числа повторяющихся состояний, переключение между которыми может рассматриваться как процесс Маркова с ассоциированной вероятностью перехода. Здесь необходимо дать несколько пояснений по поводу марковской модели. Предполагается, что ЭЭГ-сигнал может быть кластеризован на небольшое число состояний и переход из одного состояния в другое управляется марковской цепью. Разбиение записи ЭЭГ-сигнала на разные сегменты порождается изменением матрицы переходных вероятностей марковской цепи. Очень важным здесь является предварительная кластеризация и сведение исходного процесса к последовательности состояний марковской цепи. Как правило, число классов (число состояний цепи) задается эмпирически (ясно, что от этого параметра существенно зависит качество сегментации). Более того, выделение признаков, по которым проводится кластеризация (т.е. формирование векторного параметра) также достаточно произвольно: это коэффициенты разложения в ряд Фурье (сколько их надо брать?), параметры спектра (почему те или иные?), длина элементарных паттернов и т.д. Сами процедуры кластеризации базируются на предположении, что совокупность векторов извлечена из гауссовских многомерных распределений и эти векторы независимы – все эти предположения также имеют чисто волевой характер. Сложная марковская модель предполагает, что можно преобразовать ЭЭГсигнал в последовательность случайных векторов, вероятностными характеристиками которых управляет марковская цепь с конечным числом состояний;

при переходе этой цепи из одного состояния в другое изменяются характеристики последовательности случайных векторов. Для сложных марковских моделей возникает дополнительная трудность в назначении начального состояния итерационного процесса оценивания;

в силу очень сложных зависимостей здесь, как правило, возникает много локальных экстремумов. Более того, сама гипотеза марковости также выбрана исключительно из соображений математической простоты, а не обусловлена какими-либо феноменологическими доводами. В дальнейшем алгоритм, предложенный Боденштейном и Преториусом, был многократно модифицирован (Michael, Houchin, 1979;

Gath, Bar-On, 1980;

Sanderson et al., 1980;

Segen, Sanderson, 1980;

Segen, 1980;

Barlow et al., 1981;

Michael, 1984;

Скрылев, 1984;

Bodenstein et al., 1985;

Скрылев, 1986;

Gath et al., 1991;

1992;

Tognola et al., 1996). 3.5. Проблемы и перспективы анализа нестационарности ЭЭГ. Выбор между двумя типами сегментации: неадаптивной и адаптивной сегментацией определяется временными требованиями в связи с ожидаемой продолжительностью нестационарных и стационарных интервалов, как 24 описывалось выше. Так, если стационарные интервалы не превышают 1 сек., то любой метод будет удовлетворительным. Но, если нестационарные интервалы, включая артефакты (например, короче 1 сек.) аккуратно охарактеризованы в процессе выявления характеристик и кластеризации, то возможны ошибки при использовании неадекватной сегментации. Такие кратковременные нестационарности (исключая спайки/медленные волны), например, отдельные медленные волны, могут быть важны для клинической диагностики. В то же время, очевидно, что точность установки границ сегментов в методе адаптивной сегментации является основной для описания кратковременной нестационарности. Другим важным аспектом адаптивной сегментации является способ установки порога сегментации. Так в модифицированных алгоритмах Боденштейна-Преториуса и Сандерсона-Сегена (Sandersen et al., 1980) порог для определения нестационарности задается отдельным числом. В алгоритме Боденштейна-Преториуса параметр один и определяется эмпирически. В Сандерсон-Сеген алгоритме порог задается требованиями статистической достоверности выявленной нестационарности (например, нестационарность появилась с уровнем значимости 0.05.) В Mайкл алгоритме (Michael, Houchin, 1979) порог для сегментации задается как процентное изменение амплитуды и частоты. Но, если так, то необходима оптимизация процентных величин (например, найденные величины были 120% для изменения амплитуды и 120% для изменения частоты;

если и амплитуда, и частота изменяются одновременно, то пороги будут пропорционально меньше, т.е. 60%). Необходимо отметить, что представленное в этом обзоре рассмотрение параметров оптимизации адаптивной сегментации и кластеризации, ориентированно на клинику. Тогда как оптимизация параметров адаптивной сегментации для изучения ЭЭГ как случайного процесса может быть иной. Во всех методах, которые были здесь рассмотрены, максимальное число каналов было 4-ре. Это слишком мало в сравнении с минимально используемым (816 отведений) в обычной клинике (некоторые клинические лаборатории используют 18, 20 или больше каналов). Итак, значительное разнообразие используемых моделей свидетельствует о том, что пока не найдено адекватное феноменологическое описание ЭЭГ-сигнала. Это ставит под сомнение возможность использования параметрических моделей (а именно такие модели в большинстве случаев описаны в обозреваемой литературе);

ведь при отсутствии феноменологической модели производится подгонка какойлибо формальной модели. Причем на относительно коротких реализациях можно обоснованно подобрать целый ряд моделей, а априорного критерия для адекватного выбора только одной из них не существует. 3.6. Нестатистические методы сегментации ЭЭГ. Неожиданный метод предложил Д. Леман для сегментации мультиканальной ЭЭГ. Алгоритм основан на сравнении между собой карт мгновенного распределения электрического потенциала по скальпу, которые последовательно анализируется в моменты максимумов потенциального поля ЭЭГ (показатель «global field power»). Граница сегмента ставится в том случае, если очередная карта потенциала отличается от предыдущей больше, чем пороговое 25 значение. Мерой сходства карт является используемое расстояние между глобальными экстремумами или центроидами (Lehmann et al., 1987;

Lehmann, 1987;

Wackermann et al., 1993). Данный метод получил название «топографической» или «пространственно-ориентированной» сегментации. Получаемая с помощью этого метода длина сегментов, оказалась чувствительна к различным заболеваниям (Merrin et al., 1990;

Ihl et al., 1993;

Stevens et al., 1996), к фармакотерапии (Merrin et al., 1990) и даже к приему единичных доз психотропных препаратов (Lehmann et al., 1993;

Kinoshita et al., 1995). Однако, данный метод на наш взгляд имеет ряд ограничений: в рамках этого метода локальные ЭЭГ далеко не в равной степени участвуют в формировании результирующего дипольного вектора. Позиция вектора определяется только на пиках альфа-колебаний (Lehmann, 1971;

1987) и только в периоды максимальной выраженности этих колебаний. Между тем отбор корковых образований на роль структурообразующих при сегментировании топографической карты ЭЭГ только по признаку выраженности альфа-ритмики вряд ли является оправданным с точки зрения несомненной нейробиологической равноценности всех отделов коры головного мозга. Более того, отсутствие исходной «привязки» пространственных сегментных картин ЭЭГ по Леману к спектральным характеристикам ЭЭГ в значительной мере лишает онтологической перспективы полученные таким образом результаты сегментирования, оставляя их на уровне феноменологического описания (Lehmann et al., 1993). 3.7. Непараметрический анализ переходных процессов в ЭЭГ. Во всех использованных в этом обзоре публикациях приводятся экспериментальные данные, подтверждающие эффективность используемых методов. Это наводит на мысль, что, по-видимому, каждый метод в той или степени «ухватывает» какую-то сторону проблемы сегментации, но ни один не является универсальным и не гарантирует выявление всех стационарных фрагментов. Возможно, это обстоятельство обусловлено принципиальным недостатком большинства подходов к проблеме сегментации через составление моделей. Дело в том, что решения относительно «грубой» задачи – определения мест «склейки» стационарных участков в записи ЭЭГ-сигнала – применяются достаточно сложные и тонкие модели. Но для получения адекватной модели требуется стохастически однородная реализация, а для выделения стохастически однородной реализации (т.е. сегментации исходного процесса) используется модель. Полученный порочный круг разные авторы разрывают по-разному, но всегда с большой долей эмпирики. Проведенный критический анализ позволяет сделать следующий вывод: описанные в литературе методы сегментации ЭЭГ-сигнала не гарантируют достаточно эффективного и полного решения проблемы и для дальнейшего продвижения в этой области требуется привлечение новых идей. В 1992 году математиками Бродским Б.Е., Дарховским Б.С. совместно с физиологом Капланом А.Я. (Brodsky et al., 1994) было предложено воспользоваться 26 идеологией задач об обнаружении «разладок» случайного процесса для разработки оригинального метода сегментирования ЭЭГ-сигнала (Шишкин и др., 1997;

Бродский и др., 1998). Работы Бродского Б.Е. и Дарховского Б.С. были в числе первых работ в области непараметрических методов решения задач о «разладке» (Дарховский, 1976;

Brodsky, Darkhovsky, 1993). С самого начала эти авторы стремились синтезировать такие методы, которые можно достаточно легко применять для решения практических задач. В этом отношении именно непараметрические методы, не использующие априорную информацию о распределениях, представляются наиболее подходящими. Методология Бродского Б.Е. и Дарховского Б.С. основана на двух основных идеях. Первая состоит в том, что обнаружение изменения любой функции распределения или какой-либо иной вероятностной характеристики может быть (с любой степенью точности) сведено к обнаружению изменения математического ожидания в некоторой новой случайной последовательности, сформированной из исходной. Следовательно, если существует алгоритм, обнаруживающий изменение математического ожидания, то этот же алгоритм обнаружит и изменение функции распределения. Аналогично можно обнаружить и изменение произвольной характеристики. Указанное обстоятельство позволяет ограничиться разработкой только одного, базового алгоритма, который может обнаруживать изменение математического ожидания, а не создавать (вообще говоря, бесконечное) семейство алгоритмов для обнаружения изменений тех или иных вероятностных характеристик. Вторая идея подхода заключается в использовании для обнаружения моментов «разладок» семейства статистик, представляющих собой обобщенный вариант статистики Колмогорова-Смирнова, которая используется для проверки совпадения или различия функций распределения у двух выборок (при фиксированной точке «склейки»). Можно показать, что эти статистики асимптотически (при сохранении соотношения между объемами «склеенных» реализаций) минимаксны (т.е. минимизируют максимально возможную вероятность ошибки оценивания момента «разладки») по порядку. Имеющийся опыт решения практических задач сегментации ЭЭГ-сигнала в разных приложениях (Шишкин, 1997;

Каплан и др., 1997;

Бродский и др., 1998;

Шишкин, Каплан, - в печати) позволяет надеяться на эффективность предлагаемого подхода. Тем не менее, необходимо отметить некоторые недостатки существующей версии алгоритма. Первый из них такой же, как и в группе Д. Лемана: он касается настроенности алгоритма только на альфа-диапазон, а как уже указывалось, это накладывает существенные ограничения на использование метода. Второй недостаток связан с, так называемым, эффектом «краевого зрения» алгоритма. Данное обстоятельство приводит к тому, что результат сегментирования оказываться всегда разным при выборе различных временных реализаций одной и той же записи ЭЭГ. Поэтому представляет интерес разработка более практичных технологий сегментирования ЭЭГ с последующим поиском синхронизации границ этих 27 сегментов, которые в сравнительных испытаниях зачастую оказываются вполне результативными (см. главу «результаты и их обсуждение»). В этой связи в настоящем исследовании предлагается достаточно простая технология сегментирования и картирования по сегментам ЭЭГ, подробное описание которой дается в главе «методы». Новый методический подход позволил нам показать четкое соответствие между тестировавшимися актами когнитивной деятельности человека и распределением квази-стационарных сегментов в соответствующей ЭЭГ-записи для разных областей коры головного мозга (см. главу «результаты и их обсуждение»). 4. Идеология сегментного описания ЭЭГ Специальное рассмотрение и анализ нестационарности ЭЭГ (см. раздел 2.) привели исследователей к новому представлению ЭЭГ как высоко структурированного процесса, каждый квази-стационарный сегмент которого можно считать отражением вполне определенного дискретного этапа деятельности мозга (Barlow, 1985;

см. обзор Каплан, 1998). Это означает, что регистрируемый сигнал может быть представлен как результат «склейки» стационарных случайных процессов с различными вероятностными характеристиками, т.е. в виде совокупности стационарных сегментов. По-видимому, достоверное изменение вероятностных характеристик регистрируемого процесса, если оно не связано с артефактами, может быть объяснено лишь переходом связанных физиологических систем из одного функционального состояния в другое (Фингелькурц Ал.А., 1996.). Каждое такое дискретное состояние (сегмент) в функциональном смысле является периодом выполнения определенной целостной (системной) операции нервной деятельности. Иерархия подобных системных операций от уровня элементарных нейронных ансамблей до широких объединений мозговых образований и является, в таком случае, содержанием операциональной архитектоники мозговой активности. Таким образом, если отдельные системные операции нервной активности действительно отражаются на уровне ЭЭГ в виде последовательности сегментов кратковременной стабилизации или функциональных фреймов (Каплан, 1998), то исследователям открывается совершенно новый методологический подход для объективной «интроспекции» деятельности мозга. Главной нашей задачей и является теоретическая и экспериментальная разработка этого подхода. Однако, глобальная операциональная архитектоника деятельности мозга предполагает наличие квази-стационарных фрагментов не столько в отдельных отведениях ЭЭГ – это всего лишь маломерные проекции феномена – сколько в картине пространственного распределения информационных блоков, из которых, возможно, складываются основные контуры многообразной архитектоники интегративной деятельности мозга.

5. Пространственный аспект кусочно-стационарной организации ЭЭГ Феномен кратковременных периодов стабилизации пространственных отношений биопотенциалов мозга в период определенных этапов когнитивной деятельности был показан еще в работах М.Н. Ливанова (1988 и др.). В дальнейшем пространственная консолидация ЭЭГ-активности была более четко продемонстрирована в виде когерентных структур ЭЭГ (Свидерская, 1987;

Klimesch, 1996) или комплексов совпадающих по основным пикам спектральных паттернов ЭЭГ разных областей коры (Иваницкий и др., 1990;

Николаев и др. 1996). Как видно, эти пространственные объединения формировались по принципу сходства тех или иных спектральных характеристик ЭЭГ, регистрируемой от разных областей мозга. Базовой идеей здесь является гипотеза о необходимости частотной синхронизации нейронных комплексов для обеспечения функционального взаимодействия мозговых образований, высказанная еще в классических исследованиях M. Бразье (Brazier, Casby, 1952;

Brazier, King, 1959). Тогда была впервые продемонстрирована возможность изучения межкорковых отношений с помощью техники кросскорреляционного анализа парных ЭЭГ-записей. Эта методология позволила ввести количественную меру сходства ЭЭГ-кривых, которая, правда, определяется главным образом энергетически доминирующими колебаниями в ЭЭГ (Ливанов и др., 1988;

Nunez, 1995). Исследования ковариационных характеристик ЭЭГ-сигналов в парах различных отведений получили дальнейшее развитие в связи с применением когерентного анализа (КОГ), позволяющего вычислять степень сходства двух ЭЭГзаписей не только во временной, но и в частотной области, т.е. независимо от энергетической выраженности различных ритмических составляющих. В дальнейшем методы корреляционного и когерентного анализа ЭЭГ широко распространились в практике ЭЭГ-исследований для оценки функциональных состояний мозга в норме (Beaumont, Rugg, 1979;

Ford et al., 1968a;

Gevins, 1989;

Hinrichs, Machleidt, 1992) и при патологии (Гриндель, 1980;

Thatcher, 1986;

Thatcher et al., 1986;

Ford et al., 1986b;

Русинов и др., 1987;

Shigeta, 1990;

Glass et al., 1992;

Besthorn et al., 1994;

Bullock et al., 1995b). Однако, вопросы содержательной интерпретации ковариационных и когерентных оценок ЭЭГ остаются открытыми. В многочисленных работах с вычислением когерентности между парами отведений ЭЭГ, исходная идея корреляционного подхода как попытка количественного описания отношений функциональной синхронности в работе различных корковых образований, незаметно трансформировалась в прямое постулирование наличия «взаимодействия» между отделами мозга в каждом случае обнаружения высоких значений кросскорреляции или когерентности (Каплан и др., 1997). Между тем хорошо известно, что спектральный паттерн ЭЭГ-сигнала в данном отведении со всеми его динамическими вариациями, определяется главным образом, анатомической и морфологической спецификой соответствующих этому отведению кортикальных электрогенераторных систем (Lopes da Silva, 1978;

Nunez, 1995). В таком случае, корковые структуры, функционально объединенные в 29 реализации одного и того же целостного когнитивного акта, могут генерировать ЭЭГ совершенно различной спектральной «окраски». Во всяком случае, если между двумя корковыми образованиями не обнаруживается высокого уровня частотной синхронизации или даже сходства по спектральным паттернам, отводимой от них ЭЭГ, – это вовсе не свидетельствует об отсутствии между ними функционального взаимодействия (Каплан и др., 1997;

Show, Simpson, 1997). Поэтому применение классических методов оценки степени функционального объединения мозговых образований по показателям частотной синхронизации ЭЭГ или по признаку сходства спектральных паттернов ЭЭГ, по-видимому, приемлемы для анализа генерализованных состояний мозга, но является далеко не адекватными для изучения высоко динамичной операциональной архитектоники мозговых процессов (Travis, 1994;

de Sa, 1995;

Kaplan et al., 1997;

Show, Simpson, 1997). Работы Пфуртшелера с сотр. (Pfurtscheller et a., 1994;

Andrew, Colin, 1996) были первыми в ряду исследований, в которых делалась попытка перейти к новым показателям согласованности в работе корковых образований, базировавшимся не на сходстве спектральных оценок ЭЭГ, а на временной согласованности резких перестроек ЭЭГ между каналами ЭЭГ-отведений. Изучая пространственные картины феномена синхронизации/десинхронизации ЭЭГ, эти и ряд других авторов показали, что определенным когнитивным актам соответствуют достаточно стабильные пространственные рельефы выраженности синхронизации и десинхронизации ЭЭГ. При этом важно отметить, что в рамках одного и того же когнитивного акта в одних областях мозга наблюдалась синхронизация, а в других – десинхронизация;

в одних корковых зонах десинхронизация затрагивала одну частотную полосу, а в других – совсем другую. Но все эти области мозга объединяла синхронность наступления и завершения периодов синхронизации/десинхронизации вне зависимости от частотных особенностей этих перестроек (Krause et al., 1996 и др.). Исследовательской группе из Швейцарии под руководством профессора Лемана, в широком комплексе работ, так же удалось показать квази-стабильные структуры пространственных отношений между ЭЭГ-сигналами разных отведений вне зависимости от конкретной спектральной специфики этих ЭЭГ (Lehmann, 1987;

Lehmann et al., 1995). Временными границами периодов стабилизации пространственного биопотенциального поля в этих работах служили моменты резких перестроек направленности вектора максимальной разности потенциалов на скальпе (см. подраздел 3.6.). Базовое обобщение этого направления исследований было сделано авторским коллективом (Каплан и др., 1997;

Шишкин и др. 1997;

Kaplan et al, 1997;

см. так же обзор Каплан, 1998). Таким образом, идея о согласованности динамики квази-стационарных сегментов ЭЭГ между каналами отведений, как облигатного признака функционального объединения соответствующих корковых областей, впервые в «чистом виде» получила теоретическое обоснование. Новационным явилось и то, что мы впервые предложили еще в 1995 году (Фингелькурц Ан.А., Фингелькурц Ал.А., 1995) использовать для анализа не сами квази-стационарные сегменты (как это делает большинство исследователей, занимающихся сегментацией ЭЭГ-сигнала) из которых «склеена» ЭЭГ и не 30 популяционные наборы этих сегментов, а границы между квази-стационарными сегментами – моменты резких перестроек, как имеющие самостоятельное физиологическое значение и тонкую настройку на психические процессы. Предполагается, что в пределах одного сегмента система, генерирующая колебания ЭЭГ, находится в устойчивом состоянии, тогда переход от одного сегмента к другому, по-видимому, отражает смену состояния генераторной системы или смену активности двух систем. В дальнейшем эффективность использования границ сегментов была неоднократно подтверждена (Шишкин, 1997;

Каплан и др., 1997). Мы предположили, что если активность корковых образований построена из операциональных блоков, «включение и выключение» которых сопровождается резкими перестройками в ЭЭГ (Lehmann, 1987;

Basar, Bullock, 1992;

Basar, 1992), то совпадение этих моментов резких перестроек (МРП) или границ сегментов ЭЭГ и может служить одним из ЭЭГ-признаков функциональной связности корковых областей. Назовем этот тип синхронизации корковых процессов операциональной синхронизацией (OС). Между тем это предположение требует экспериментальных подтверждений. Если подобная операциональная синхронизация существует, то в чем ее специфика в отношении разных когнитивных актов? Этому вопросу и посвящено настоящее диссертационное исследование.

ОБЩЕЕ ОБСУЖДЕНИЕ Поскольку каждый блок результатов имел достаточно подробное обсуждение, то здесь мы дадим концептуальное понимание проблемы операциональной архитектоники функциональной активности головного мозга, основываясь на полученных и проанализированных в этом исследовании результатах. Исследование было направлено на решение одной из актуальных проблем нейрофизиологии человека в области функциональной электроэнцефалографии – проблемы содержательной интерпретации основных феноменов корковой электрической активности в терминах деятельности морфо-функциональных систем мозга и реализуемых на этой основе когнитивных актов. В основу наших размышлений мы положили концепцию функционального состояния мозга (Соколов и др., 1975;

Данилова, 1985), понятие функциональной системы П.К. Анохина (Анохин, 1968), звенья разной степени жесткости Н.П. Бехтеревой (Бехтерева, 1971), а также обнаруженные нами в предыдущих исследованиях функциональные структуры (сверхжесткие, жесткие и гибкие) синхронизации (Fingelkurts An.A., Fingelkurts Al.A., 1995). Поскольку понятие функционального состояния мозга является фундаментальным в наших теоретических построениях, то мы должны уточнить сам термин.

31 Ряд исследователей рассматривают ФС мозга как некоторый фон, на котором развертывается реализация целевых реакций мозга. Мы находим это неверным, так как в основе этой точки зрения лежит искусственное разделение целостного ответа мозга на две независимые части. Более того, как это отчетливо показали наши исследования, ответная реакция в ряде случаев может начинаться (а иногда этим и ограничиваться) именно с преобразования, так называемого, фона. Поэтому, по-видимому, любое ФС является результатом включения мозга в конкретную деятельность, в ходе которой оно активно преобразуется, обусловливая успешность реализации этой деятельности. В основе всех видов деятельности лежит последовательность программ. В обсуждении конкретных результатов мы неоднократно отмечали, что в принципе любая деятельность мозга всегда является системной реакцией. А понятие системы отрицает привычный для физиологии классического периода принцип линейной иерархии, главенства одних структур над другими, более низкого порядка. Исполнительные звенья, регулирующие звенья, звенья «хранители» памяти не подчиняются друг другу, а как бы сливаются в единый «сплав», обеспечивающий реализацию программ деятельности. Исходя из сказанного, ФС мозга можно определить как звено в системной реакции организма, проявляющееся в виде интегрального динамического комплекса наличных характеристик тех функций и качеств нервных структур, которые прямо или косвенно обусловливают выполнение деятельности. Вероятно, можно выделить два основных класса программ, достижением которых обеспечивается ФС мозга (Кропотов, 1989). К первому классу относятся все те программы, которые обеспечивают постоянные задачи, например, гомеостаз организма (причем это лишь необходимое условие для реализации других программ), осуществление метаболических процессов, охрану вида, защиту организма от патогенных факторов. Ко второму классу, по-видимому, можно отнести программы, необходимые для реализации более краткосрочных задач, которые возникают на какой-то период и исчезают, когда они достигнуты или их исчезновение обусловлено внешними по отношению к мозгу причинами. В нашем исследовании такой временной задачей, находящейся под экспериментальным контролем, была регламентированная процедура мнестической деятельности, выполнение которой реализовалось определенной последовательностью операций. Под программой мы понимаем развернутую во времени и пространстве последовательность операций, обеспечивающих реализацию задачи и функционально представленную синхронизацией квази-стабильных сегментов (или функциональных блоков) ЭЭГ-активности различных структур мозга. В этом смысле мозгу нужно «построить» во времени и пространстве динамичный набор этих блоков, «склеить» программы в рамках операциональных модулей. Теперь попытаемся воссоздать общую структуру ФС мозга и его динамическую реорганизацию на модели нашего исследования. В качестве исходного нами использовалось состояние спокойного бодрствования при открытых глазах. Согласно предлагаемой нами логике, в данном ФС мозга организмом решаются в основном внутренние постоянные задачи, связанные с осуществлением метаболических, энергетических или 32 пластических процессов. Эти задачи обеспечиваются постоянными программами (Кропотов, 1989), характеризующимися большой избыточностью функциональных блоков или операциональных модулей (т.к. нужно все время учитывать меняющиеся условия внутренней и особенно внешней среды) и достаточно мощной временной операциональной согласованностью разных частотных диапазонов в локальных участках по всей коре (в сравнение со спокойным бодрствованием при закрытых глазах, когда выраженность и временной и пространственной ОС была снижена.). Основная функция коры больших полушарий в данный момент заключается в необходимости быть готовой к обнаружению, оценке и переработке могущей поступить информации (Cummings, 1995;

Dubois et al., 1995). Таким образом, перед мозгом стоит одна задача – быть готовым к приему информации. Понятно, что прием информации связан не только с ощущением, но и обязательным обнаружением, классификацией и идентификацией информации, ее оценкой, то есть с восприятием (Бехтерева и др., 1988). Восприятие, тем более, предполагает интегральную деятельность мозга. Поэтому в этот период нейроны сенсорных систем и в первую очередь коры больших полушарий должны быть соответствующим образом сонастроены (Илюхина, 1989) и, таким образом, активированы определенные корковые зоны (см. главу «результаты и их обсуждение», раздел 3). Но постоянная активация – это по-видимому, невыгодное решение, поскольку она приводит к большому расходу энергетических ресурсов. Поэтому более выгодна форма периодической активации (положение о которой впервые выдвинул Г. Уолтер (Walter, 1966)), которая, вероятно, обеспечивается альфа-ритмом (Гусельников, Изнак, 1983;

Изнак, Гусельников, 1984). Можно предположить, что именно с этим связана повышенная временная ОС быстрого и медленного альфа-диапазонов в условиях спокойного бодрствования при открытых глазах. Такая мощная временная операциональная связность этих частотных диапазонов наблюдалась только в данном ФС (см. главу «результаты и их обсуждение», раздел 5). Таким образом, выраженные пространственная и временная ОС, характерные для спокойного бодрствования с открытыми глазами в основном были связаны с альфа-активностью. Это состояние было близко к следующему – оперативному покою. Но здесь уже была новая задача – формирование готовности к деятельности. В этом плане величайшей заслугой А.А. Ухтомского является открытие состояния оперативного покоя как состояния готовности к деятельности вообще, вне зависимости от будущего конкретного содержания этой деятельности (Ухтомский, 1978). В таком состоянии мозговой субстрат характеризуется двумя чертами: возрастает способность быстрого возвращения к состоянию покоя (спокойное бодрствование), и повышаются пороги возбудимости. Здесь важно подчеркнуть, что оперативный покой предполагает выведение мозговых структур на новый уровень активности адекватный стоящим конкретным задачам (Илюхина, 1989). Это требует дифференциации активности мозговых структур соответственно их роли и степени участия в системном ответе, что выражается в параллельном снижении выраженности и временной, и пространственной ОС. Организованная таким образом готовность коры как бы реализует необходимую степень свободы 33 структур для последующего включения в обеспечение информационного процессинга во время предстоящей деятельности. По-видимому, оптимальность информационного процессинга возможна лишь при функциональной стабилизации межкорковых отношений, которые можно представить как мозаику одновременно сосуществующих, но различающихся по моментам своего начала и завершения динамических объединений разных мозговых образований, включенных в реализацию определенных макроопераций нервной деятельности. Время жизни подобных специфических «операциональных модулей» обусловливается продолжительностью периода совместной стабилизации основных параметров нейронной активности (когда степени свободы лимитируются), включенных в них корковых структур, что и отражается на уровне суммарной ЭЭГ в стабилизации квази-стационарных сегментов по соответствующим каналам отведений. Субстрат возникновения и проведения возбуждений в мозге множественный и разнообразный. Он состоит из мозговых образований с разной последовательностью операций, но вынужденных работать совместно. Если каждый из корковых центров в отдельности характеризуется определенными размерами периода стабилизации основных параметров нейронной активности и соответственно этому способностью осуществлять в единицу времени определенную последовательность операций, то достаточно согласованное единство действия совокупности таких мозговых образований достигается настолько, насколько они способны взаимно влиять друг на друга, сдвигая ФС так, чтобы стабилизироваться друг относительно друга. Причем такая координация или операциональная согласованность есть процесс вынужденный и не предполагает для себя вмешательства какого-либо дополнительного, специально «координирующего» центра. Операциональная согласованность функциональных актов получается по необходимости из невозможности осуществить одновременно требующиеся многие программы в одном и том же ограниченном пространстве и времени. Эта идея находится в тесной связи с теорией Пригожина и Стингерса о, так называемых, диссипативных системах, возникающих из хаоса на основе самоорганизующего принципа (Пригожин, Стингерс, 1986 цит. по Ivanizky, 1997). Следовательно взаимодействие корковых зон может происходить на основе самоорганизации нейронных популяций с разными параметрами в результате определенной деятельности для достижения оптимального функционального состояния (Ivanitsky, 1997). Таким образом, представленный материал, в некотором смысле, позволяет рассматривать разные типы ОМ как сменяющие друг друга «рабочие доминанты мозга» по А.А. Ухтомскому (Ухтомский, 1978). Рассмотрим теперь ФС, когда возникает внешняя цель – регламентированная процедура мнестической деятельности. Первый этап мнестической деятельности, по регламенту эксперимента, в точности соответствовал состоянию оперативного покоя, следовательно, его сопровождают уже описанные процессы. Следующие этапы заключались в запоминании экспонируемого зрительного матричного объекта и сохранении (удержании) его виртуальной копии в оперативном поле сознания, после чего матричную картинку нужно было воспроизвести. Согласно нашей концепции, в этот период происходит актуализация и уточнение программ, адекватных наличной деятельности.

34 Причем процесс ОС развивается параллельно по двум механизмам. Первый из них состоит в постепенном (в соответствии с этапами мнестической деятельности) усложнении формируемого системного ответа путем образования все новых пространственных операциональных модулей разной степени интеграции корковых областей до тех пор, пока не достигается полное соответствие ФС требованиям реализуемых программ (см. главу «результаты и обсуждение», раздел 3). Второй механизм, наоборот заключается в снижении уровня первоначально избыточной временной ОС различных частотных составляющих во всех локальных корковых областях (см. главу «результаты и обсуждение», раздел 5). Таким образом, как бы формируется резерв ФС, необходимый для реализации пространственной ОС и тем самым обеспечивается большая надежность работы системы. Обобщение результатов, полученных на клинической группе с разной патологией головного мозга, показывает, что больной мозг обеспечивает поддержание спокойного бодрствования на основе патологически обусловленных изменений состояния зон мозговых структур и эти изменения проявляются в уровнях пространственной стабилизации квази-стационарных сегментов ЭЭГактивности принижающих или превышающих аналогичный уровень ОС, характерный для здорового мозга. В рамках данного исследования мы не ставили задачи всеобъемлющего раскрытия многообразия проявления болезни. Представлялось важным выделить лишь общие для различных нозологических форм тенденции в патологических изменениях ФС мозга. Совершенно очевидно, что большинство функциональных блоков, включаемых в состав интегрального комплекса ФС, может участвовать и при реализации программ, связанных с другими ФС, обеспечивающими иные задачи (см. «результаты и их обсуждение», разделы 3, 4, 5, 6). Отсюда можно сделать важное предположение о том, что любое ФС включат элементы, адекватные прошлому, настоящему и будущему. В процессе реализации программ деятельности происходит динамическая смена состояний, в результате чего специфические элементы прошлого исчезают, элементы настоящего становятся прошлым, а элементы будущего – настоящим. Здесь закономерно встает вопрос, каким образом одна корковая зона, которая служит рабочим компонентом или, скажем, функции зрения («центр» зрения), или участвует в осуществлении других функций, фактически совершает переключение из одного функционального акта в другой? Все многообразие исторически полученных данных убедительно показывает, что так называемый «центр» зрения (впрочем как и другие центры) это не компактная масса нервных клеток, а целое созвездие кортикальных структур, иногда расположенных достаточно далеко друг от друга и объединенных не столько постоянными связями, сколько единством функционального акта, представляя, таким образом, операциональный модуль (ОМ). Каждый из ОМ характеризуется своим темпом работы. Как мы уже писали, сохранение той или иной кортикальной области в «распоряжении» прежнего ОМ зависит от периода стабилизации, который данная зона коры может поддерживать в себе, отвечающего прежде сложившейся 35 деятельности. Следовательно, «переход» того же коркового образования в состав нового ОМ, в связи с участием в реализации другой программы, должен зависеть от того, насколько быстро он «способен» усвоить темп и ритм нового ОМ. Здесь важно подчеркнуть, что отдельные компоненты коркового «центра» могут приобретать другое функциональное значение находясь в связи с другими ОМ и, следовательно, участвуя в реализации другого функционального акта. Это подтверждает доминантный принцип формирования констелляций нервных центров по Ухтомскому, высказавшего мысль о переменной функциональной роли разных областей коры мозга в зависимости от их участия в различных рабочих констелляциях (Ухтомский, 1978). Развивая свое учение о рабочей констелляции нервных центров, А.А. Ухтомский предостерегал от однобокого понимания процессов интеграции: «Было бы наивно, конечно, думать, что физиологическая интеграция достигается всегда и везде только синхронизацией в нервных путях. Сплошь и рядом она должна опираться на сопряженное торможение, т. е. на вящее расхождение во времени возбуждения отдельных приборов действующей системы» (Ухтомский, 1966;

с. 189). Процесс операционального рассогласования во времени деятельности различных корковых областей, полученный нами (см. главу «результаты и их обсуждение»), является хорошим подтверждением гениальной догадки ученого. Но нами он понимается шире – не как «вытормаживание» конкурирующих структур, а как переключение с одного процесса (согласование) на другой (рассогласование) согласно плану развертывания функционального акта. Таким образом, описанные результаты и их анализ хорошо согласуется с современным представлением о головном мозге как многоконтурной нейродинамической системе с многоуровневым принципом саморегуляции состояний и физиологической активности зон мозговых структур, как звеньев этой системы. Однако, в результате проведенных исследований были получены новые данные. Таким образом, был разработан принципиально новый подход к анализу электрических колебаний мозга человека, основанный на применении адаптивных методов оценки кусочно-стационарной или дискретной динамики ЭЭГ (см. главы «методы» и «результаты и их обсуждение», раздел 2). Дальнейшее развитие этих исследований привело к открытию нового типа согласованности ЭЭГ различных регионов коры, названной операциональной синхронизацией (см. главу «результаты и их обсуждение», раздел 2). Полученные в рамках этих исследований новые экспериментальные данные свидетельствуют о существовании высоко организованной операциональной архитектоники биопотенциального поля коры головного мозга человека сложным образом сопряженной с актами когнитивной деятельности, а также со степенью патологических процессов головного мозга (см. главу «результаты и их обсуждение», разделы 3 и 4). Однако, эти данные о дискретной динамике потенциалов мозга относятся к нативной («суммарной») ЭЭГ, не подвергшейся какому-либо типу спектрального разложения. Между тем именно парциальным частотным компонентам ЭЭГ, согласно «симфонической метафоре» ЭЭГ (Nunez, 1995) отводится роль маркеров «включения» («выключения») отдельных морфо-функциональных систем мозга.

36 Поэтому необходимым логическим продолжением этого направления работ явилось исследование процессов операциональной синхронизации отдельных ритмов ЭЭГ как во временном (см. главу «результаты и их обсуждение», раздел 5), так и в пространственном аспектах (см. главу «результаты и их обсуждение», раздел 6). По-видимому, операциональная синхронизация вместе с известной частотной синхронизацией (когерентность) ритмов ЭЭГ составляют ту необходимую основу межкоркового взаимодействия, которая и определяет целостную пространственно-временную кооперацию региональных ЭЭГфеноменов, отражающих реализацию когнитивных актов. Следует подчеркнуть обнаруженный нами вероятностный характер проявления различных типов ОМ во всех тестировавшихся состояниях человека и их перестройки в процессе изменения макроструктуры деятельности. Таким образом, в научный оборот вводится новая методология анализа кооперативной деятельности корковых образований – в качестве индикатора выраженности межкоркового взаимодействия берется не уже хорошо известные параметры коррелятивной или когерентной связи ЭЭГ, а частота совпадений моментов резких перестроек ЭЭГ в разных корковых регионах.

37 ВЫВОДЫ 1. Разработан и апробирован новый метод исследования функциональной взаимосвязи корковых структур головного мозга человека по признаку детекции и оценки синхронизации моментов резких перестроек в многоканальной ЭЭГ. Показано, что пространственно-временная организация моментов резких перестроек в мультиканальной ЭЭГ зависит от характера и продуктивности мнестической деятельности испытуемых. Определены конкретные кооперации корковых регионов, для которых характерна специфическая синхронизация сегментных описаний региональных ЭЭГ в зависимости от стадии мнестического процесса, или неспецифическая синхронизация, связанная с более общими сдвигами функционального состояния. Обнаружено, что динамика выраженности основных частотных составляющих композитного ЭЭГ-сигнала характеризуется наличием моментов резких перестроек, которые не случайным образом совпадают между собой. Параметры подобной, межчастотной согласованности ЭЭГ сигнала зависят от конкретной пары тестируемых частотных диапазонов, области регистрации и от функционального состояния испытуемых. Получены экспериментальные данные о существовании устойчивых межсегментных объединений ЭЭГ (фильтрованной в альфа-тета частотных диапазонах), регистрируемой от разных корковых областей и показана когнитивная специфика процессов пространственной кооперативной динамики этих диапазонов. Апробация методов анализа пространственно-временных сегментных описаний ЭЭГ при обследовании пациентов с некоторыми мозговыми дисфункциями показала перспективность подобного подхода в целях клинической диагностики. Благодарности Настоящее исследование не состоялось бы без постоянного и плодотворного содействия многих людей, работающих в разных сферах, но одинаково доброжелательно относившихся к нашим проблемам. Автор благодарен Александру Яковлевичу Каплану за руководство дипломным исследованием и к.м.н. Николаю Николаевичу Богданову (Институт ВНД и нейрофизиологии РАН), взявшему на себя труд рецензирования работы. Особенно признателен автор сотрудникам лаборатории: Сергею Шишкину, который разбивал буквально в пух и прах многие из предлагавшихся терминов и понятий;

Арине Кочетовой, охотно помогавшей на всех этапах работы и Виктору Андреевичу Ермолаеву, разработавшему программное обеспечение для базовых этапов энцефалографического исследования;

Лобусову Егору В. и Борисову Сергею В. за помощь в рутинном анализе данных. Им приходилось также быть 2. 3.

4.

5.

6.

38 терпимыми к вспыльчивости автора и мириться с отсрочкой собственных исследований. Автор также признательны сотрудникам Института Системных Исследований РАН доктору физ.-мат. наук Дарховскому Б.С. и кандидату технических наук Бродскому Б.Е. за теоретическое обоснование и программные реализации непараметрических методов анализа и за многочисленные и подробные консультации по математико-статистическим вопросам. Особую благодарность хотелось бы выразить Ивашко Р.М. за неоценимую и безвозмездную помощь в разработке программно-алгоритмического обеспечения исследования, но помощь его простиралась значительно дальше этого: он принимал самое активное участие в создании нового метода картирования мозга и поражал своим беспредельным энтузиазмом. Автор беспредельно признательны американской корпорации INTEL в лице Смирнова К. за безвозмездное представление компьютерной техники во временное пользование для громоздких математических расчетов. Автор выражает благодарность начальнику лаборатории нейрофизиологии Лечебно-диагностического центра ГШ ВС России Стороха А.А. и его коллегам Опекуновой Г.Т., Бондаренко Л.Н. и Пеговой Л.Н. за любезно предоставленную возможность и помощь в регистрации ЭЭГ у пациентов, а также за предоставленные истории болезней. Особенно хотелось поблагодарить рекламное агентство AVRORA в лице Скороходовой Т. и ее сотрудников: Ханину О., Ахмедулова Р. и Дубровина А. за разработку анкетного и другого сопроводительного материала для обследования, а так же за предоставление компьютерного времени и соответствующих программ для написания и художественного оформления данной работы. Хочется сказать спасибо сотруднику фонда SOROS Gregory Johnson за его неоценимые советы и моральную поддержку, а также всему фонду за то, что его финансовая поддержка автора обеспечила необходимую для проведения исследований стабильность жизни. Автор хотел бы поблагодарить всех своих друзей и близких за то, что они были терпимы к его резкости во время работы над экспериментальными данными и за то, что они примирились со множеством потерянных уикендов. Наконец, самой глубокой благодарности заслуживают все педагоги и научные сотрудники кафедры физиологии человека и животных биологического факультета МГУ, руководимой академиком Игорем Петровичем Ашмариным, которые на протяжении нескольких лет обучали автора всем премудростям физиологической науки.

Список литературы 1. 2.

3. 4. 5. 6.

7. 8. 9. 10. 11.

12. 13. 14. 15. 16. 17. 18.

Анохин П.К. Биология и нейрофизиология условного рефлекса. М. 1968. 547 с. Анохина Н.А., Жирмунская Е.А., Рухманов А.А. Неврологическая характеристика больных с ЭЭГ “плоского” типа и ЭЭГ с доминированием бета-активности низкой частоты // Журн. невропат. и психиатрии. 1986. Т. 86. № 12. С. 1761-1767. Ацев Э.С., Арутюнова В.С., Нарикошвили С.П. В кн.: Проблемы динамической локализации функции мозга. М. 1968. C. 164. Батуев А.С. Ассоциативные системы в программирующей деятельности мозга. Л. 1985. C. 5-13. Белая И.И., Торба В.А. Личностные особенности больных эпилепсией в свете функциональной асимметрии больших полушарий головного мозга / Функциональная асимметрия и адаптация человека. М. 1976. С. 133-134. Белый Б.И. Психопатология очагового поражения лобных долей в свете функциональной асимметрии мозга // Функциональная асимметрия и адаптация человека. М.: Тр. Московского НИИ психиатрии МЗ РСФСР. 1976. С. 205. Бехтерева Н.П. Нейрофизиологические аспекты психической деятельности человека. Л. 1971. 118 с. Бехтерева Н.П. Нейрофизиологические аспекты психической деятельности человека. 2-е изд., перераб. и доп. Л. 1974. Бехтерева Н.П. Возможности и пределы искусственного воздействия на психику человека / Научно-техническая революция и человек. М. 1977. 163 с. Бехтерева Н.П. Здоровый и больной мозг человека. Л., 1980. 208 с. Бехтерева Н.П., Камбарова Д.К., Матвеев Ю.К. Функциональная характеристика звеньев мозговых систем контроля психических и двигательных функций у человека // Физиол. журн. СССР. 1970. Т. 56. C. 1081-1097. Бехтерева Н.П. (Ред.) Механизмы деятельности мозга человека. Часть 1. Нейрофизиология человека / Основы совр. физиол. Л. 1988. 677 c. Богданов Н.Н. Дерматоглифика пишущих левой // Вопросы психологии. 1997. № 2. С. 76-87. Богданов Н.Н., Горбачевская Н.Л., Солониченко В.Г., Изнак А.Ф., Якупова Л.П., и др. Особенности ЭЭГ у девочек 6-8 лет с разным дерматоглифическим рисунком кисти // Доклады Академии Наук. 1994. Т. 338. № 3. С. 420-424. Богданов Н.Н., Солониченко В.Г. Синдром Вильямса – модель генетически детерминированного правополушарного доминирования // Физиолог. журнал. 1995. Т. 81. № 8. С. 81-84. Бодров В.А., Малкин В.Б., Покровский Б.Л., Шпаченко Д.И. Психологический отбор летчиков и космонавтов / Проблемы космической биологии. Т. 48. М. 1984. 264 с. Болдырева Г.Н. Электроэнцефалография при опухолях базальной локализации. / Клиническая электроэнцефалография, ред. В.С. Русинов. Москва. Медицина. 1973. С. 147-172. Брагина Н.Н., Доброхотова Т.А. Функциональная асимметрия человека. М. 1988. 240 с.

40 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. Бродский Б.Е., Дарховский Б.С., Каплан А.Я., Шишкин С.Л. Непараметрическая сегментация электрических сигналов мозга // Автоматика и телемеханика. 1998. № 2. С. 23–32. Виноградова О.С. Гиппокамп и память. М. 1975. 333с. Волоцкой М.В. К вопросу о генетике папиллярных узоров пальцев // Тр. медико-генетического института. М., Л. 1936. Т. 4. С. 404-439. Выготский Л.С. Мышление и речь / Собрание сочинений в 6-ти томах. Т. 3. М. 1983. Выготский Л.С. Мышление и речь / Собрание сочинений в 6-ти томах. Т. 6. М. 1984. Генкин А.А. Длительность восходящих и нисходящих фаз электроэнцефалограммы как источник информации о нейрофизиологических процессах. Автореф. канд. дис. Л. 1964. 147 c. Гладкова Т.Д. Явления симметрии и асимметрии у человека в признаках дерматоглифики // Вопросы антропологии. 1962. № 10. С. 44-54. Глезер В.Д. Зрение и мышление. Л. 1985. 246 c. Голиков Н.В. О механизмах формирования и репродукции констелляции нервных центров / Механизмы доминанты. Л. 1967. С. 28-49. Гриндель О.М. Значение корреляционного анализа для оценки ЭЭГ человека / Математический анализ электрических явлений головного мозга. М. 1965. С. 14. Гриндель О.М. Оптимальный уровень когерентности ЭЭГ и его значение в оценке функционального состояния мозга человека // Журн. высш. нервн. деятельности. 1980. Т. 43. № 4. С. 30–62. Гринявичус К.А., Гутман А.М. Структура электрокортикограммы кролика // Журн. высш. нервн. деятельност. 1966. T. 16. № 6. C. 1123-1125. Гроудис Ю., Гутман А., Курас А., Милдажис В. и др. Квант ЭЭГ: (понятие, оценка величины, регистрация) / ДАН СССР. 1972. T. 204. No 5. C. 1246. Гусельников В.И., Супин А.Я. Ритмическая активность головного мозга. М. 1968. 254 с. Гусельников В.И., Изнак А.Ф. Ритмическая активность в сенсорных системах М.: Изд-во Моск. Ун-та. 1983. 214 с. Гутман А.М. Биофизика внеклеточных полей мозга. M. 1980. 184 c. Данилова Н.Н. Функциональное состояние: механизмы и диагностика. М. 1985. 288 с. Дарховский Б.С. Непараметрический метод детекции разладки в случайной последовательности // Теор. Вероятн. и применения. 1976. Т. 21. С. 180-184. Джон Э. Нервные механизмы принятия решения / Концепция информации и биологические системы. Под ред. В.С. Гурфинкеля. M. 1966. C. 255-264. Доброхотова Т.А., Брагина Н.Н. Левши. М.: Книга. 1994. 231 с. Дубикайтис В.В. Возможная роль таламического пейсмекера в пространственно-временной организации ЭЭГ // Физиол. чел. 1975. Т. 1. № 5. С. 827-833. Жадин М.Н. Биофизические механизмы формирования электроэнцефалограммы. M. 1984. 196 с.

41 41. 42. 43. 44. 45. 46. 47. 48. Жирмунская Е.А. Клиническая электроэнцефалография (цифры, гистограммы, иллюстрации). Изд. “СКАН”. М. 1993. 26 с. Жирмунская Е.А. В поисках объяснения феноменов ЭЭГ. М. 1996. 111 с. Жирмунская Е.А., Лосев В.С. Понятие типа и классификации электроэнцефалограмм // Физиология человека. 1984. Т. 6. С. 1039-1048. Зенков Л.Р. Клиническая электроэнцефалография с элементами эпилептологии. НПКФ “Медиком ЛТД”, Таганрог. 1996. 357 с. Иваницкий А.М., Подклетнова И.М., Таратынова Г.М. Исследование динамики внутрикоркового взаимодействия в процессе мыслительной деятельности // Журн. высш. нерв. деят. 1990. T. 40. No 2. C. 230-237. Изнак А.Ф. Модуляция сенсо-моторной деятельности человека на фоне альфа-ритма ЭЭГ // Проблемы развития науч. иссл. в обл. псих. здоровья. МЗ СССР, АМН СССР. 1989. С. 3-24. Изнак А.Ф., Гусельников В.И. Ритмическая активность в зрительном анализаторе // Успехи физиол. наук. 1984. Т. 15. № 1. С. 3-26. Изнак А.Ф., Чаянов Н.В. Субъективные корреляты вспышек альфа-ритма в ЭЭГ человека при зрительно-моторной операторской деятельности // Проблемы развития науч. иссл. в обл. псих. здоровья / МЗ СССР, АМН СССР. 1989. С. 24-30. Илюхина В.А. Медленные биоэлектрические процессы головного мозга человека. Л. 1977. 184 с. Илюхина В.А. Нейрофизиологические основы неоднородности состояния покоя и активного бодрствования здорового и больного человека // Физиология человека. 1989. Т. 15. № 3. С. 28-39. Каменкович В.М., Барк Е.Д., Шевелев И.А., Шараев Г.А. Связь зрительных иллюзий с частотой и фазовым сдвигом ритмической фотостимуляции, синхронизованной с альфа-волной ЭЭГ // Журн. высш. нервн. деят. 1997. Т. 47. № 3. С. 461-468. Канаев И.И. Близнецы. Очерки по вопросам многоплодия. M., Л. 1959. 382 с. Каплан А.Я. Динамические характеристики поэлементного воспроизведения зрительных матричных образов // Феноменология и фармакотестирование. 1991. № 3. М. С. 40–42. Каплан А.Я. Нестационарная ЭЭГ: методологический и экспериментальный анализ // Успехи физиологических наук, 1998. Т. 29, № 3. С. 35-55. Каплан А.Я., Дарховский Б.С., Фингелькурц Ал.А., Фингелькурц Ан.А. Топологическое картирование процесса синхронизации моментов резких перестроек в мультиканальной ЭЭГ у человека // Журн. высш. нерв. деят. 1997. Т. 47. No 1. C. 32-37. Каплан А.Я., Фингелькурц Ал.А., Фингелькурц Ан.А., Ивашко Р.М. Вероятностные паттерны узкополосных разностных спектров ЭЭГ человека в динамике мнестической деятельности // Физиология человека. 1998а. No 1. (в печати). Каплан А.Я., Фингелькурц Ан.А., Фингелькурц Ал.А., и др. Временная согласованность фазических перестроек основных частотных компонентов ЭЭГ-сигнала // Журнал высш. нервн. деят. 1998б. Т. 48. No 5. С. 816-826.

49. 50. 51.

52. 53. 54. 55.

56.

57.

42 58. 59. 60. 61. 62. Каплан А.Я., Фингелькурц Ал.А., Фингелькурц Ан.А., и др. Адаптивная классификация динамических спектральных паттернов ЭЭГ человека // Журнал высш. нервн. деят. 1999а. (в печати). Каплан А.Я., Фингелькурц Ал.А., Фингелькурц Ан.А., Ермолаев В.А. Топографическая вариативность спектральных паттернов ЭЭГ // Физиология человека. 1999б. (в печати). Каплан А.Я., Фингелькурц Ан.А., Фингелькурц Ал.А., и др. Пространственная синхронность квази-стационарных сегментов ЭЭГ // Журнал высш. нервн. деят. 1999в (в печати). Карпун С.В. О стабильности взаимоотношений импульсации корковых нейронов и электроэнцефалограммы // Физиол. журн. СССР. 1976. T. 62. № 9. C. 1390-1392. Кирой В.Н., Войнов В.Б., Мамин Р.А., Хачатурьян Е.В. Пространственная синхронизация биоэлектрической активности мозга в состоянии интеллектуальной деятельности // Физиология человека. 1988. Т. 14. № 2. С. 326. Кирой В.Н., Кошелькова Н.А., Войнов В.Б. Взаимосвязь показателей локальной и дистантной синхронизации потенциалов мозга в состоянии спокойного бодрствования // Физиология человека. 1996. Т. 22. № 3. С. 18-21. Кожевников В.А., Мещерский Р.М. Современные методы анализа электроэнцефалограммы. M. 1963. 327 с. Королькова Т.А., Труш В.Д., Кориневский А.В. и др. Соотношение между характеристиками предстимульной ЭЭГ и экстремальным временем сенсомоторной реакции // Физиология человека. 1984. Т. 10. № 6. С. 951-958. Корсаков И.А. психофизиологические характеристики восприятия при поляризации затылочной и лобной области коры // Физиол. чел. 1986. Т. 9. С. 300-306. Корсакова Н.К., Московичюте Л.И. Подкорковые структуры мозга и психические процессы. М., 1985. 117с. Костандов Э.А. Актуальные проблемы изучения высшей нервной деятельности человека // Журн. высш. нерв. деят. 1986. Т. 36. № 2. C. 276-284. Костандов Э.А., Генкина О.В. Полушарная асимметрия вызванной активности коры головного мозга на буквенные и невербальные стимулы // Журн. высш. нервн. деят. 1976. T. 26, № 1. C. 21-28. Костандов Э.А., Резчикова Т.Н., Шостокович Г.С., Генкина О.А. Асимметрия зрительного восприятия. // Журн. высш. нервн. деят. 1977. Т. 27. № 3. C. 545552. Кропотов Ю.Д. Мозговая организация восприятия и памяти: гипотеза о программировании действий // Физиол. чел. 1989. Т. 15. № 3. С. 19-27. Крыжановский Г.Н. Детерминированные структуры в патологии нервной системы. М. 1970. Кулаичев А.П., Каплан А.Я. Системы компьютерного анализа биоэлектрических сигналов // Мир ПК (персональных компьютеров). 1994. № 8. C. 132-137.

63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73.

43 74. 75. 76. 77. 78. 79. Лазарев В.В. Информативность разных подходов к картированию ЭЭГ при исследовании психической деятельности человека // Физиология человека. 1992. T. 18. No 6. C. 49-57. Латаш Л.П. Гиппокамп // Клиническая нейрофизиология. Л. 1972. С. 116146. Леонтьев А.Н. Проблемы развития психики. М. 1981. Ливанов М.Н. О функциональном значении некоторых подкорковых образований // Успехи физиол. наук. 1981. Т. 12. № 3. С. 3-21. Ливанов М.Н., Поляков К.Л. Изв. АН СССР. Сер. Биол. 1945. T. 3. C. 286. Ливанов М.Н., Королькова Т.А., Свидерская Н.Е. Пространственная синхронизация биоэлектрической активности коры головного мозга как показатель интеллектуальной работоспособности человека / Диагностика и прогнозирование функционального состояния мозга человека. М. 1988. С. 7– 50. Лурия А.Р. Основы нейропсихологии. M. 1973. 374 с. Лурия А.Р. Нейропсихология памяти: Вып. 1-2. Вып. 1. / Нарушения памяти при локальных поражениях мозга. M. 1974. 310 с. Лурия А.Р. Язык и сознание. M. 1979. 320с. Маккавейский П.А., Зимкина А.М. Значимость электрофизиологических показателей для обоснования экспертных решений при травматических и инфекционных заболеваниях центральной нервной системы / Клинические и социальные вопросы врачебно-трудовой экспертизы. Л. 1975. Майорчик В.Е. Изменения ЭЭГ в зависимости от локализации опухоли мозга / Клиническая электроэнцефалография. Под ред. В.С. Русинова. М. 1873. C. 106-146. Меерсон Я.А. Высшие зрительные функции: зрительный гнозис. Л. 1986. 163 с. Мешкова Т.А. Наследственная обусловленность некоторых параметров электроэнцефалограммы покоя человека // Проблемы генетической психофизиологии человека. M. 1978. C. 48-72. Николаев А.Р. Исследование этапов мыслительной ротации сложных фигур методом картирования внутрикоркового взаимодействия // Журн. высш. нервн. деятельности. 1994. Т. 44. С. 441–447. Николаев А.Р., Анохин А.П., Иваницкий Г.А., и др. Спектральные перестройки ЭЭГ и организация корковых связей при пространственном и вербальном мышлении // Журн. высш. нервн. деятельности. 1996. Т. 46. № 5. С. 831–848. Ониани Т.Н. Интегративная функция лимбической системы. Тбилиси. 1980. 302 с. Павлова Л.П., Романенко А.Ф. Системный подход к психофизиологическому исследованию мозга человека. Л., 1988. 209 с. Петухова Е.Г., Свидерская Н.Е., Древс Ю.Г., Коштоянц О.Х. Анализ многоканальной ЭЭГ при изменениях активности катехоламинергических систем мозга с применением метода множественной энтропии // Жкрн. Высш. Нервн. деят. 1994. Т. 44. № 2. С. 363-367. Пигарева М.П. Лимбические механизмы переключения (гиппокамп и миндалина). М. 1978. 150 с.

80. 81. 82. 83.

84. 85. 86. 87. 88. 89. 90. 91.

92.

44 93. 94. 95. 96. 97. Поддъяков И.И. Мышление дошкольника. М. 1977. Подвигин И.Ф. Динамические свойства нейронных структур зрительной системы. Л. 1979. Прибрам К. Языки мозга. M. 1975. 212с. Рожков В.П. Анализ пространственной организации потенциалов мозга при выполнении двигательных заданий // Физиология человека. 1996. Т. 22. № 2. С. 55-63. Розенблит У. О некоторых количественных аспектах электрической активности центральной нервной системы / Современные проблемы биофизики. Сб. научн. тр.: в 2-х т. Т. 2. Под. Ред. Г.М. Франка и А.Г. Пасынского. M. 1961. C. 282-299. Ройтбак А.И. Первичные ответы коры больших полушарий / Основные вопросы центральной нервной системы. Сб. научн. тр.Отв. ред. А.Ф. Марченко. Киев. 1962. C. 75-95. Русинов В.С. Вопросы теории электроэнцефалограммы / Вопросы электрофизиологии и электроэнцефалографии. Труды 1-ой всесоюзн. Конф. Отв. ред. Н.В. Голикова. M. 1960 C. 61-70. Русинов В.С., Гриндель О.М., Болдырева Г.Н., Вакар Е.М. Биопотенциалы мозга человека / Математический анализ. M. 1987. 166 с. Свидерская Н.Е. Синхронная электрическая активность мозга и психические процессы. М. 1987. 156 с. Свидерская Н.Е., Ушакова Т.Н., Шустова Л.А. Электрофизиологическое исследование рече-мыслительного процесса // Физиология человека. 1980 Т. 6. № 3. С. 402-409. Семенов В.В., Кочубей Б.И. Близнецы: проблемы воспитания и развития // Народный университет. Пед. Ф. 1985. Семенович А.В. Межполушарная организация психических процессов у левшей. М.: Изд-во МГУ. 1991. Силин Д.Я., Скрылев К.М. Автоматическая сегментация ЭЭГ // Журнал высш. нервн. деят. 1986. Т. 36. С. 1152-1155. Симонов П.В. Тета-ритм и механизмы квантования извлекаемых из памяти энграм // Память и следовые процессы. Пущено. 1979. Скрылев К.М. Метод анализа скачкообразных изменений ритмики ЭЭГ // Физиология человека. 1984. Т. 10. № 2. С. 333-336. Соколов Е.Н., Данилова Н.Н., Хомская Е.Д. Функциональные состояния мозга. М. 1975. 246 с. Сологуб Е.Б. Электрическая активность мозга человека в процессе двигательной активности. Л. 1973. Талызина Н.Ф., Кривцова С.В., Мухаматулина Е.А. Природа индивидуальных различий: опыт исследования близнецовым методом. M. 1991. Трауготт Н.Н., Кайданова С.И., Меерсон А.Я. Особенности высшей нервной деятельности при поражении теменных областей // Эволюция функций теменных областей. Л. 1973. C. 176-189. Урбах В.Ю. Биометрические методы. М.: Наука. 1964. 465 c. Ухтомский А.А. Очерк физиологии нервной системы // Собр. Соч. Т. 4. Л.: Изд-во Ленингр. Ун-та, 1945. 221 с.

98. 99. 100. 101. 102. 103. 104. 105. 106. 107. 108. 109. 110. 111. 112. 113.

45 114. Ухтомский А.А. Доминанта. М.;

Л. 1966. 115. Ухтомский А.А. Избранные труды. Л. 1978. 358 с. 116. Ушакова Т.Н., Шустова Л.А., Свидерская Н.Е. Связь сложных психических процессов с функциональной организацией работы мозга // Психол. Журн. 1983. Т. 4. № 4. С. 119-133. 117. Фарбер Д.А., Алферова В.В. Электроэнцефалограмма детей и подростков. М. 1972. 215 с. 118. Фарбер Д.А., Кирпичев В.И. Электроэнцефалографические корреляты индивидуальных особенностей умственной работоспособности подростков // Журн. высш. нерв. деят. 1985. Т. 35. C. 649-657. 119. Фингелькурц Ал.А. Микроструктурный анализ ЭЭГ деятельного мозга человека: общая характеристика “разладочного” процесса // Междунар. Конф. Студентов и аспирантов по фундаментальным наукам “Ломоносов-96”. Сб. тез. докл. М. 1996. 120. Фингелькурц Ал.А. Некоторые закономерности динамики спектральных паттернов ЭЭГ человека в процессе мнестической деятельности.

Автореферат канд. дис. М. 1998. 26 с. 121. Фингелькурц Ан.А., Фингелькурц Ал.А. Микроструктурный анализ ЭЭГ деятельного мозга человека. Общая характеристика и особенности синхронизации “разладочного” процесса. Дипломная работа. Место хранения каф. ФЧЖ биологического ф-та МГУ. 1995. 202 с. 122. Фингелькурц Ан.А., Фингелькурц Ал.А., Ивашко Р.М., Каплан А.Я. Электроэнцефалографический анализ операциональной синхронизации корковых образований головного мозга у человека при мнестической деятельности // Вестн. моск. ун-та. Сер. 16. Биология. 1998а. № 1. С. 3–11. 123. Фингелькурц Ан.А., Фингелькурц Ал.А., Борисов С.В., Ивашко Р.М. Пространственные модули электрической активности мозга человека. Доклад. Первая научно-практическая конференция “практическая психология на пороге XXI века”. Секция: современное состояние и пути развития нейропсихофизиологии и клинической психологии. МГСУ. Москва. 24 февраля 1998б. 124. Фингелькурц Ан.А., Фингелькурц Ал.А., Борисов С.В., Ивашко Р.М., Каплан А.Я. Пространственные структуры квази-стационарных сегментов мультиканальной ЭЭГ человека при мнестической деятельности // Вестн. Московс. Универс. Сер. Биология. 1999. (в печати). 125. Фридрих В. Близнецы. М. 1985. 126. Хижун А.Ф. Динамическая устойчивость источника альфа-ритма человека как ЭЭГ-коррелят функционального состояния центральной нервной системы / Медико-технические проблемы индивидуальной защиты человека. Физиологические, гигиенические и психофизиологические вопросы индивидуальной защиты человека. Сб. трудов МЗ СССР. М. 1988. С. 154-160. 127. Хижун А.Ф. Концептуальная модель формирования альфа-ритма электроэнцефалограммы человека. Автореферат докторской дисс. М. 1992. 58 с.

46 128. Хижун А Ф., Белый В.В. Построение модели генерирования альфа-ритма человека в норме по эмпирическим данным // Ж. Биофизика. 1985. Т. XXX. № 4. С. 686-689. 129. Чуприкова Н.И. Психика и сознание, как функции мозга. M. 1985. 213 с. 130. Шевелев И.Ш. О формообразовании в природе и в искусстве / Золотое сечение. Под ред. И. Шевелев, М. Марутаев, И. Шмелев. М. 1990. С. 9-129. 131. Шевелев И.А., Костелянец Н.Б., Каменкович В.М., Шараев Г.А. Опознание движения и альфа-волна ЭЭГ // Сенсорные системы. 1991. Т. 5. № 3. С. 54-59. 132. Шалютин С.М. Язык и мышление // Новое в жизни, науке, технике. Сер. филос. 1980. № 10. С. 192. 133. Шеповальников А.Н., Цицерошин М.Н., Апанасионок В.С. Формирование биопотенциального поля мозга человека. Л.: Наука, 1979. 163 с. 134. Шеповальников А.Н., Цицерошин М.Н., Левинченко Н.В. “Возрастная минимизация” областей мозга, участвующих в системном обеспечении психических функций: аргументы за и против // Физиология человека. 1991. Т. 17. № 5. С. 28. 135. Шестова И.А., Фонсова Н.А. лабильность фонового альфа-ритма человека при некоторых функциональных нагрузках // Биол. науки. 1989. № 3. С. 4250. 136. Шишкин С.Л. Исследование синхронности моментов резких изменений альфа-активности ЭЭГ человека. Автореферат канд. дис. М. 1997. 30 с. 137. Шишкин С.Л., Бродский Б.Е., Дарховский Б.С., Каплан А.Я. ЭЭГ как нестационарный сигнал: подход к анализу на основе непараметрической статистики // Физиология человека. 1997. T. 23. No. 4. C. 124-126. 138. Шишкин С. Л., Каплан А. Я. Некоторые топографические закономерности синхронности сдвигов мощности альфа-активности в ЭЭГ человека // Физиология человека, 1999 ( в печати). 139. Эшби Р.У. Конституция мозга. М. 1964. 411 с. 140. Яглом А.М. Стационарный случайный процесс // Математический энциклопедический словарь. М.: Сов. Энциклопед. 1995. С. 564. 141. Янсон В.П., Краулис А.А. Психофизиология функциональной асимметрии мозга человека // Изв. АН Латв. ССР. 1982. № 1. С. 100-114. 142. Adrian E.D. and Matthews B.H.C. The Berger rhythm: potential changes from occibital lobes in man // Brain. 1934. V. 57 T. 2. P. 355-385. 143. Adrian E.D., Yamagiwa K. The ogigin of the Berger rhythm // Brain. 1935. V. 56. No 3. P. 323-352. 144. Allen J.J.B., Iacono W.G., Depue R.A., Arbisi P. Regional electroencephalographic asymmetries in bipolar seasonal affective disorder before and after exposure to bright light // Biological Psychiatry. 1993. V. 33. P. 642-646. 145. Alan and Gevins Event-related covariances during a bimanual visiomotor task. 1. Methods and analysis of stimulus and response-looked data // EEG and Clin. Neuroph. 1989. V. 74. No 1. P. 58-75. 146. Alexander J.E., O’Boyle M.W., Benbow C.P. Developmentally advanced EEG alpha power in gifted male and female adolescents // Int. J. Psychophysiol. 1996. V. 23. P. 25-31.

47 147. Andersen P., Andersson S.A. Physiological basis of the alpha rhythm. AppletonCentury-Crofts. NY. 1968. 148. Andrew C., Colin, Pfurtscheller G. and Gert. Event-related coherency as a tool for studing dynamic interactional of brain regions // EEG and Clin. Neurophysiol. 1996. V. 98. No 2. P. 144-148. 149. Andrew C., Pfurtscheller G. Event-related coherence as a tool for studying dynamic interaction of brain regions // Clin. Neurophysiol., 1996. V. 98. No 3. P. 144-148. 150. Arnolds D.E.A.T., Lopes da Silva F.H., Aitink J.W., Kamp A., and Boeijinga B. The spectral properties of hippocampal EEG related to behaviour in brain // Electroencephalography and Clinical Neurophysiology. 1980. V. 50. P. 324-328. 151. Ashton G.C. Myopia and cognitive ability // Behavior Genetics. 1983. V. 13. P. 526. 152. Barlow J.S. Some onservation on the electrophysiology of timing in the nervous system // EEG and Clin Neurophysiol. 1969. V. 27. No 5. P. 545. 153. Barlow J.S. Autocorrelation and crosscorrelation analysis / Handbook of electroencephalography and clinical neurophysiology. (Ed.) A. Remond. Amsterdam: Elsevier. 1973. V. 5A. P. 79-99. 154. Barlow J.S. Some programs for the processing of EEG data on a small generalpurpose computer / CEAN-computerized EEG analysis. (Eds.) G. Dolce, H. Kunkel. Stuttgart: Fischer. 1975. P. 172-179. 155. Barlow J.S. Computerized clinical electroencephalography in perspective // IEEE Trans. Biomed. Engng. 1979. V. BME-26. P. 377-391. 156. Barlow J.S. EEG transient detection by matched inverse digital filtering // EEG Clin. Neurophysiol. 1980. V. 48. P. 246-248. 157. Barlow J.S. Methods of analysis of nonstationary EEGs, with empahasis on segmentation techniques: A comparative review // J. Clinical Neurophysiology. 1985. V. 2. No 3. P. 267-304. 158. Barlow J.S., Brazier M.A.B., Rosenblith W.A. The application of autocorrelation analysis to electroencephalography / Proceedings of the first national biophysics coference. New Haven: Yale University Press. 1959. P. 622-626. 159. Barlow J.S., Dubinsky J. Some computer approaches to continuous automatic clinical EEG monitoring / Quantitative analytic studies in epileps. (Eds.) P. Kellaway, I. Petersen. New York: Raven Press. 1976. P. 309-327. 160. Barlow J.S., Creutzfeldt O.D., Michael D., Houchin J., Epelbaum H. Automatic adaptive segmentation of clinical EEGs // Electroencephalogr. Clin. Neurophysiol. 1981. V. 51. P. 512-25. 161. Barnett T.P., Johnson L.C., Naiton P., Hicks N., Nute C. Bispectrum analysis of electroencephalogram signals during waking and sleeping // Science. 1971. V. 172. P. 401-402. 162. Basar E. (ed). Chaos in brain function. Springer. Berlin, Heidelberg, New York. 1990. 163. Basar E. Brain natural frequencies are causal factors for resonances and induced rhythms / Induced rhythms in the brain. (Eds.) E. Basar, T.H. Bullock. Birkauser Boston-Basel-Berlin. 1992. P. 425-467. 164. Basar E. Alpha oscillations in brain functioning: an integrative theory // Int. J. Psychophysiol. 1997. V. 26. P. 5-29.

48 165. Basar E., Bullock T.H. Induced rhythms in the brain. Birkhaeuster, Boston-BaselBerlin. 1992. 166. Beaumont J.D., Rugg M.D. The specificity of intrahemispheric EEG alpha coherence asymmetry related to psychological task // Biol. Psychology. 1979. V. 8. No 4. P. 237-248. 167. Benbow C.P. Physiological correlates of extreme intellectual precocity // Neuropsychologia. 1986. V. 24. P. 719-725. 168. Benbow C.P. Sex differences in mathematical reasoning ability in intellectually talanted preadolscents: their nature, effects and possible causes // Brain and Behavioral Sciences. V. 11. P. 169-232. 169. Benbow C.P., Stanley J.C. Sex differences in mathematical ability: facts or artifacts? // Science. 1980. V. 210. P. 1262-1264. 170. Benbow C.P., Stanley J.C. Sex differences in mathematical ability: more facts // Science. 1983. V. 222. P. 1029-1031. 171. Berger H. Uber das Elektroenkephalogramm des Menschen // Archiv fur Psychiatrie und Nervenkrankheiten. 1929. V. 87. P. 527-570. 172. Besthorn C., Forstl H., Geiger-Kabisch C. et al. EEG coherence in Alzheimer disease // EEG and Clin. Neurophysiol. 1994. V. 90. P. 242-245. 173. Beatty W.W. Gonadal hormones and sex differences in non-reproductive behaviors in rodents: organizational and activational influences // Horm. Behav. 1979. V. 12. P. 112-163. 174. Bell M.A., Fox N.A. The relations between frontal and brain electrical activity and cognitive development during infancy // Child Dev. V. 63. P. 1142-1163. 175. Berkow R. (Editor-in-Chief) Беркоу Р (главный редактор). Руководство по медицине. Диагностика итерапия. В 2-х томах. Т. 1. М.: “Мир”. 1997. С. 742744. 176. Bickford R.G., Fleming N.I., Billinger T.W. Compression of EEG data // Trans. Am. Neurol. Assoc. 1971. V. 36. P. 118-122. 177. Bickford R.G., Billinger T.W., Fleming N.I., Stewart L. The compressed spectral array (CSA) - a pictorial EEG // Proc. San Diego Biomed. Symp. 1972. V. 11. P. 365-370. 178. Bickford R.G., Brim J., Berger L., Aung M. Application of compressed spectral array in clinical EEG / Automation of clinical electroencephalography. (Eds.) P. Kellaway, I. Petersen. New York: Raven Press. 1973. P. 55-64. 179. Bingham C, Godfrey M.D., Tukey J.W. Modern techniques of power spectum estimation // IEEE Trans. Audio Electroacoust. 1967. V. 15. P. 56-66. 180. Bishop D.V.M. Hadedness and developmental disorder. L: Mac Keith Press. 1990. 181. Bodenstein G. Analyse bioelektrischer Hirnaktivitat. Dissertation. University of Gottingen. 1976. 182. Bodenstein G., Praetorius H.M. Pattern recognition of the EEG by adaptive segmentation. Part I: segmentation and feature extraction / Quantitative analysis of the EEG. (Eds.) M. Matejcek, G.K. Schenk. Proc. Of the 2nd Symposium of the Study Group for EEG Methodology. Jongny sur Vevey. Switzeland. May, 1975. Konstanz: AEG-Telefunken. P. 449-459. 183. Bodenstein G., Praetorius H.M. Features extraction from the electroencephalogram by adaptive segmentation // Proc. IEEE. 1977a. V. 65. P. 642-652.

Pages:     || 2 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.