BIOMAG-2024. Начало
#neuroimaging

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

MEG/EEG Bloopers. Part 2
#neuroimaging

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

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

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

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

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