Ловушка больших данных и корреляций
#metascience #statistics
"Всё со всем связано".
В статистическом смысле это означает, что в реалистичных сценариях практически невозможно обнаружить две переменные, взаимодействия между которыми будут характеризоваться нулевым коэффициентом корреляции. Ненулевые же статистически значимые корреляции будут сохраняться и с увеличением выборки.
В связи с данным феноменом был введён термин 'crud-фактор' или – более нейтрально – "окружающий шум" (ambient noise). Несмотря на отсутствие чёткой формализации, под crud-фактором подразумевают среднее значение всех коэффициентов корреляции между всеми возможными парами переменных.
Пример численного значения crud-фактора можно обнаружить в анализе ~ 15 000 корреляций из ~ 260 исследований, опубликованных в трёх журналах, связанных с социологией и психологией: Administrative Science Quarterly, Academy of Management Journal и Journal of Applied Psychology. На графике представлены три распределения коэффициентов корреляции, соответствующие трём журналам. Заметна их схожесть, достаточно большое стандартное отклонение и выделяющийся пик около коэффициента корреляции 0.1, что и возможно обозначить как crud-фактор. Таким образом, мы наблюдаем, что, вопреки нулевой гипотезе, вовсе не нулевая корреляция является "дефолтным" значением для такого числа сопоставляемых переменных.
Каковы следствия такого наблюдения?
1. Психологические и социальные науки во многом базируются на нулевых гипотезах. Существование crud-фактора указывает на то, что едва ли не любая нулевая гипотеза, фиксирующая коэффициент корреляции в нуле, неизбежно будет опровергнута с увеличением выборки. Получается, что более оптимальным вариантом было бы рассматривать только те корреляции, которые не попадают в диапазон, скажем, одного стандартного отклонения от значения ненулевого crud-фактора.
2. Имеет смысл уделять внимание каузальному сетевому анализу, потому что эмпирически наблюдаемые ненулевые корреляции между концептуально отличными переменными могут указывать на наличие дополнительных латентных факторов, опосредованно влияющих на взаимодействие этих переменных (достаточно вспомнить влияние генотипа на некоторые психологические характеристики).
3. С учётом наблюдаемого crud-фактора обнаружение переменных, которые, напротив, не коррелируют с большинством других переменных, может указывать на их "бессмысленность", проблемы со сбором данных или дополнительные искажения, в частности:
- парадокс Симпсона, в котором значимые тренды, присутствующие в нескольких группах, уничтожаются при их объединении;
- или влияние так называемой константы ящера (lizardman constant), обозначающей процент респондентов, нарочно заполняющих опросники неверно.
Как исследователи могут себя полностью обезопасить от crud-фактора, пока не вполне очевидно. Путь к решению должен включать в себя и более точное понимание механизмов, порождающих ненулевые корреляции, и реструктуризацию статистических основ для тестирования гипотез.
P. S. В качестве снижения градуса серьёзности оставляю ссылку на сайт c примерами абсурдных корреляций. Так вы сможете узнать, что число разводов в некоторых штатах США коррелирует с потреблением маргарина, а годовое число людей, утонувших в бассейне, коррелирует с числом фильмов, в которых снимался Николас Кейдж.
#metascience #statistics
"Всё со всем связано".
В статистическом смысле это означает, что в реалистичных сценариях практически невозможно обнаружить две переменные, взаимодействия между которыми будут характеризоваться нулевым коэффициентом корреляции. Ненулевые же статистически значимые корреляции будут сохраняться и с увеличением выборки.
В связи с данным феноменом был введён термин 'crud-фактор' или – более нейтрально – "окружающий шум" (ambient noise). Несмотря на отсутствие чёткой формализации, под crud-фактором подразумевают среднее значение всех коэффициентов корреляции между всеми возможными парами переменных.
Пример численного значения crud-фактора можно обнаружить в анализе ~ 15 000 корреляций из ~ 260 исследований, опубликованных в трёх журналах, связанных с социологией и психологией: Administrative Science Quarterly, Academy of Management Journal и Journal of Applied Psychology. На графике представлены три распределения коэффициентов корреляции, соответствующие трём журналам. Заметна их схожесть, достаточно большое стандартное отклонение и выделяющийся пик около коэффициента корреляции 0.1, что и возможно обозначить как crud-фактор. Таким образом, мы наблюдаем, что, вопреки нулевой гипотезе, вовсе не нулевая корреляция является "дефолтным" значением для такого числа сопоставляемых переменных.
Каковы следствия такого наблюдения?
1. Психологические и социальные науки во многом базируются на нулевых гипотезах. Существование crud-фактора указывает на то, что едва ли не любая нулевая гипотеза, фиксирующая коэффициент корреляции в нуле, неизбежно будет опровергнута с увеличением выборки. Получается, что более оптимальным вариантом было бы рассматривать только те корреляции, которые не попадают в диапазон, скажем, одного стандартного отклонения от значения ненулевого crud-фактора.
2. Имеет смысл уделять внимание каузальному сетевому анализу, потому что эмпирически наблюдаемые ненулевые корреляции между концептуально отличными переменными могут указывать на наличие дополнительных латентных факторов, опосредованно влияющих на взаимодействие этих переменных (достаточно вспомнить влияние генотипа на некоторые психологические характеристики).
3. С учётом наблюдаемого crud-фактора обнаружение переменных, которые, напротив, не коррелируют с большинством других переменных, может указывать на их "бессмысленность", проблемы со сбором данных или дополнительные искажения, в частности:
- парадокс Симпсона, в котором значимые тренды, присутствующие в нескольких группах, уничтожаются при их объединении;
- или влияние так называемой константы ящера (lizardman constant), обозначающей процент респондентов, нарочно заполняющих опросники неверно.
Как исследователи могут себя полностью обезопасить от crud-фактора, пока не вполне очевидно. Путь к решению должен включать в себя и более точное понимание механизмов, порождающих ненулевые корреляции, и реструктуризацию статистических основ для тестирования гипотез.
P. S. В качестве снижения градуса серьёзности оставляю ссылку на сайт c примерами абсурдных корреляций. Так вы сможете узнать, что число разводов в некоторых штатах США коррелирует с потреблением маргарина, а годовое число людей, утонувших в бассейне, коррелирует с числом фильмов, в которых снимался Николас Кейдж.
Трудности перевода: восприятие боли билингвами
#neuro #psychology
Публикация: Gianola M, Llabre MM, Losin EA. Does pain hurt more in Spanish? The neurobiology of pain among Spanish–English bilingual adults. Social cognitive and affective neuroscience. 2024 Jan 1;19(1):nsad074.
В недавнем исследовании участников-билингвов, одинаково хорошо говорящих на испанском и английском, подвергали болевому воздействию теплом и просили оценить интенсивность воспринимаемой боли. При этом за счёт предъявления культурно релевантных изображений или выполнения задач на чтение участников погружали в контекст, связанный с испанским или английским языком. Обнаружилось, что в испаноязычном контексте участники испытывали более выраженную боль, чем в англоязычном.
Исследование затрагивает несколько интересных нюансов:
- Полученные результаты находятся в соответствии с теорией лингвистической относительности. В рамках этой теории характеристики языка и культуры могут влиять на различные когнитивные домены: например, зрительное различение цветов может зависеть от категорий цвета в конкретном языке. Здесь следует отметить, что всё-таки поздние исследования показывают, что эта теория в своей радикальной форме не валидна, но результаты, подобные описываемым, частично её поддерживают.
Интересно разобраться, как именно в данном случае язык может влиять на интенсивность переживаемой боли. Авторы предлагают три варианта:
1. Язык может влиять на процессы внимания и по-разному "подсвечивать" лишь ощущение боли без явных различий в низкоуровневой сенсорной обработке.
2. Напротив, язык может воздействовать на первичные процессы, например, на уровень возбуждения, что в свою очередь может влиять на интенсивность ощущений за счёт разной вовлеченности элементов спинно-таламического пути, в т. ч. и соматосенсорной коры.
3. Наконец, различные языки могут вмешиваться в нелингвистическую обработку, по-разному занимая часть когнитивных ресурсов.
Данные фМРТ, полученные в описываемом исследовании, показали, что в различия по интенсивности боли были вовлечены как области мозга, связанные с процессами внимания, так и соматосенсорные регионы, что любопытно. Т. е. влияние языка затронуло сразу несколько уровней обработки болевого стимула.
- Дополнительно авторы оценивали культурную ориентацию участников, т. е. то, какой язык участники предпочитали больше. Оказалось, что не столько испаноязычный контекст как таковой влиял на восприимчивость к боли: ответ мозга на боль был выше в том языковом контексте, который соответствовал культурной ориентации участника. То, что в данном исследовании интенсивность боли в целом оказалась выше для испаноязычного контекста, может объясняться тем, что большинство участников изучали испанский язык раньше английского и в большей степени ассоциировали себя с испанской культурой.
- Авторы встраивают результаты своего исследования в контекст "испанского парадокса", суть которого заключается в том, что показатели здоровья представителей стран Латинской Америки, живущих в США, не хуже, а иногда и лучше, чем показатели, наблюдаемые у других жителей, несмотря на низкий социоэкономический статус и иные риски для здоровья. Подобного рода феномены могут формировать холистический взгляд на здравоохранение, хотя остается открытым вопрос о масштабируемости этих наблюдений.
#neuro #psychology
Публикация: Gianola M, Llabre MM, Losin EA. Does pain hurt more in Spanish? The neurobiology of pain among Spanish–English bilingual adults. Social cognitive and affective neuroscience. 2024 Jan 1;19(1):nsad074.
В недавнем исследовании участников-билингвов, одинаково хорошо говорящих на испанском и английском, подвергали болевому воздействию теплом и просили оценить интенсивность воспринимаемой боли. При этом за счёт предъявления культурно релевантных изображений или выполнения задач на чтение участников погружали в контекст, связанный с испанским или английским языком. Обнаружилось, что в испаноязычном контексте участники испытывали более выраженную боль, чем в англоязычном.
Исследование затрагивает несколько интересных нюансов:
- Полученные результаты находятся в соответствии с теорией лингвистической относительности. В рамках этой теории характеристики языка и культуры могут влиять на различные когнитивные домены: например, зрительное различение цветов может зависеть от категорий цвета в конкретном языке. Здесь следует отметить, что всё-таки поздние исследования показывают, что эта теория в своей радикальной форме не валидна, но результаты, подобные описываемым, частично её поддерживают.
Интересно разобраться, как именно в данном случае язык может влиять на интенсивность переживаемой боли. Авторы предлагают три варианта:
1. Язык может влиять на процессы внимания и по-разному "подсвечивать" лишь ощущение боли без явных различий в низкоуровневой сенсорной обработке.
2. Напротив, язык может воздействовать на первичные процессы, например, на уровень возбуждения, что в свою очередь может влиять на интенсивность ощущений за счёт разной вовлеченности элементов спинно-таламического пути, в т. ч. и соматосенсорной коры.
3. Наконец, различные языки могут вмешиваться в нелингвистическую обработку, по-разному занимая часть когнитивных ресурсов.
Данные фМРТ, полученные в описываемом исследовании, показали, что в различия по интенсивности боли были вовлечены как области мозга, связанные с процессами внимания, так и соматосенсорные регионы, что любопытно. Т. е. влияние языка затронуло сразу несколько уровней обработки болевого стимула.
- Дополнительно авторы оценивали культурную ориентацию участников, т. е. то, какой язык участники предпочитали больше. Оказалось, что не столько испаноязычный контекст как таковой влиял на восприимчивость к боли: ответ мозга на боль был выше в том языковом контексте, который соответствовал культурной ориентации участника. То, что в данном исследовании интенсивность боли в целом оказалась выше для испаноязычного контекста, может объясняться тем, что большинство участников изучали испанский язык раньше английского и в большей степени ассоциировали себя с испанской культурой.
- Авторы встраивают результаты своего исследования в контекст "испанского парадокса", суть которого заключается в том, что показатели здоровья представителей стран Латинской Америки, живущих в США, не хуже, а иногда и лучше, чем показатели, наблюдаемые у других жителей, несмотря на низкий социоэкономический статус и иные риски для здоровья. Подобного рода феномены могут формировать холистический взгляд на здравоохранение, хотя остается открытым вопрос о масштабируемости этих наблюдений.
Шесть оттенков биотипов депрессии и тревоги
#neuro #psychiatry #mental_health
Публикация: Tozzi, L., Zhang, X., Pines, A., Olmsted, A. M., Zhai, E. S., Anene, E. T., ... & Williams, L. M. (2024). Personalized brain circuit scores identify clinically distinct biotypes in depression and anxiety. Nature Medicine, 1-12.
Симптоматика и механизмы депрессии и тревоги настолько разнообразны, что более трети пациентов с большим депрессивным расстройством и примерно половина пациентов с генерализованным тревожным расстройством не достигают ремиссии в результате терапии первой линии. Свежее исследование стало удачным примером распутывания этого разнообразия за счёт выделения биотипов депрессии и тревоги на основе фМРТ.
Данные фМРТ регистрировались как в состоянии покоя, так и в условиях выполнения задач на когнитивный контроль и на распознание эмоций в изображениях лиц. Эти условия обеспечивали задействование стандартных сетей мозга, связанных с разными когнитивными процессами. Затем на основе оценки мер активации и связности для каждого элемента сетей каждого пациента вычислялся стандартизированный показатель, отражающий то, насколько данные соотносятся с характеристиками выборки здоровых людей.
Набор именно этих показателей затем использовался для иерархической кластеризации и последующего выделения шести биотипов депрессии и тревоги. Ниже представлены характеристики полученных биотипов (аббревиатуры обозначают релевантные сети мозга):
1. DC+SC+AC+:
- гиперсвязность в дефолт-системе мозга, а также в сети определения значимости (salience network) и сети внимания;
- хорошая восприимчивость к поведенческой терапии;
2. AC-:
- гипосвязность в сети внимания;
- провалы в концентрации, выраженная импульсивность;
- низкая восприимчивость к поведенческой терапии;
3. NSA+PA+:
- повышенная активация в сетях положительного и отрицательного аффекта;
- связь с ангедонией (отсутствием способности получать удовольствие) и повышенными эмоциональными реакциями;
4. CA+:
- повышенная активность в сети когнитивного контроля;
- выражены симптомы, связанные с восприятием угрозы;
- низкий когнитивный контроль;
- хорошая восприимчивость к антидепрессантам из группы селективных ингибиторов обратного захвата серотонина и норадреналина;
5. NTCC-CA-:
- пониженная активация и связность в сетях, связанных с вниманием и восприятием угрозы;
- нарушенный когнитивный контроль;
6. DXSXAXNXPXCX:
- не наблюдаются дисфункции в сравнении с другими биотипами или нормой;
- медленное время реакции на имплицитное предъявление угрожающих стимулов.
Дополнительный анализ также продемонстрировал, что каждый биотип характеризуется разными пропорциями пациентов, соответствующих общепринятым диагностическим критериям депрессии, тревоги, панического расстройства, социальной тревожности, обсессивно-компульсивного расстройства и посттравматического стрессового расстройства. А важным следствием проведения подобного рода исследований может стать то, что выделенные биотипы позволят не только модифицировать диагностику в рамках прецизионной психиатрии, но и осуществлять оценку ответа на различные фармакологические и поведенческие вмешательства.
#neuro #psychiatry #mental_health
Публикация: Tozzi, L., Zhang, X., Pines, A., Olmsted, A. M., Zhai, E. S., Anene, E. T., ... & Williams, L. M. (2024). Personalized brain circuit scores identify clinically distinct biotypes in depression and anxiety. Nature Medicine, 1-12.
Симптоматика и механизмы депрессии и тревоги настолько разнообразны, что более трети пациентов с большим депрессивным расстройством и примерно половина пациентов с генерализованным тревожным расстройством не достигают ремиссии в результате терапии первой линии. Свежее исследование стало удачным примером распутывания этого разнообразия за счёт выделения биотипов депрессии и тревоги на основе фМРТ.
Данные фМРТ регистрировались как в состоянии покоя, так и в условиях выполнения задач на когнитивный контроль и на распознание эмоций в изображениях лиц. Эти условия обеспечивали задействование стандартных сетей мозга, связанных с разными когнитивными процессами. Затем на основе оценки мер активации и связности для каждого элемента сетей каждого пациента вычислялся стандартизированный показатель, отражающий то, насколько данные соотносятся с характеристиками выборки здоровых людей.
Набор именно этих показателей затем использовался для иерархической кластеризации и последующего выделения шести биотипов депрессии и тревоги. Ниже представлены характеристики полученных биотипов (аббревиатуры обозначают релевантные сети мозга):
1. DC+SC+AC+:
- гиперсвязность в дефолт-системе мозга, а также в сети определения значимости (salience network) и сети внимания;
- хорошая восприимчивость к поведенческой терапии;
2. AC-:
- гипосвязность в сети внимания;
- провалы в концентрации, выраженная импульсивность;
- низкая восприимчивость к поведенческой терапии;
3. NSA+PA+:
- повышенная активация в сетях положительного и отрицательного аффекта;
- связь с ангедонией (отсутствием способности получать удовольствие) и повышенными эмоциональными реакциями;
4. CA+:
- повышенная активность в сети когнитивного контроля;
- выражены симптомы, связанные с восприятием угрозы;
- низкий когнитивный контроль;
- хорошая восприимчивость к антидепрессантам из группы селективных ингибиторов обратного захвата серотонина и норадреналина;
5. NTCC-CA-:
- пониженная активация и связность в сетях, связанных с вниманием и восприятием угрозы;
- нарушенный когнитивный контроль;
6. DXSXAXNXPXCX:
- не наблюдаются дисфункции в сравнении с другими биотипами или нормой;
- медленное время реакции на имплицитное предъявление угрожающих стимулов.
Дополнительный анализ также продемонстрировал, что каждый биотип характеризуется разными пропорциями пациентов, соответствующих общепринятым диагностическим критериям депрессии, тревоги, панического расстройства, социальной тревожности, обсессивно-компульсивного расстройства и посттравматического стрессового расстройства. А важным следствием проведения подобного рода исследований может стать то, что выделенные биотипы позволят не только модифицировать диагностику в рамках прецизионной психиатрии, но и осуществлять оценку ответа на различные фармакологические и поведенческие вмешательства.
Атлас когнитивных расстройств
#neuro #psychiatry #mental_health
В сопровождение к предыдущему посту — довольно интересен свежий атлас, который иллюстрирует вовлеченность структур мозга в нарушения различных когнитивных доменов, начиная от восприятия и заканчивая процессами осознания.
Изображение в высоком разрешении представлено по этой ссылке.
#neuro #psychiatry #mental_health
В сопровождение к предыдущему посту — довольно интересен свежий атлас, который иллюстрирует вовлеченность структур мозга в нарушения различных когнитивных доменов, начиная от восприятия и заканчивая процессами осознания.
Изображение в высоком разрешении представлено по этой ссылке.
О (психо-)неврологии
#mental_health
На своем канале профессор Дмитрий Кулиш, директор Центра Предпринимательства и Инноваций Сколтеха, любезно поделился мыслями по мотивам моих недавних постов о депрессии. Посыл Дмитрия таков: выявление “соматической природы” ментальных нарушений может обосновывать их признание как заболеваний, для лечения которых требуется фармакотерапия, в отличие от “дури”, которая лишь маскируется под депрессию и может корректироваться “обливаниями холодной водой”.
Воздержавшись от комментариев относительно дерзновенных тезисов про холодную воду (ибо моё мнение по этому поводу более чем предсказуемо), позволю себе развить мысль о биомаркерах ментальных заболеваний. С одной стороны, идея о редукции психиатрии к неврологии или о создании новой иерархии диагнозов, выводимых из неврологического профайлинга, всегда казалась мне симпатичной (физикализм и материализм мне из себя не изжить).
С другой стороны, неврология и психиатрия неслучайным образом предлагают разные направления взглядов на заболевания. Если неврология двигается “снизу вверх”, и отклонения, наблюдаемые в когнитивных доменах (напр., смена настроения), являются вторичными относительно объективно регистрируемого нарушения на уровне нервной системы, то психиатрия двигается “сверху вниз” — в фокус попадает субъективный опыт пациента, и именно он определяет свойства нарушения. Сопровождающие его изменения в нервной системе не лежат на поверхности.
Возникает вопрос: для того, чтобы считать нарушение субъективного опыта человека “подлинным”, должны ли ему сопутствовать явно обнаруживаемые структурные поражения мозга, набивший оскомину “дисбаланс нерйомедиаторов”, патологические паттерны в ЭЭГ и т. д.?
Ниже приведены примеры, которые указывают на оптимистичность таких ожиданий (по крайней мере, на текущем этапе развития нейровизуализации и нашего понимания принципов работы мозга):
1. Болевые синдромы. Боль — субъективный феномен, переживаемый настолько непосредственно, что вряд ли мы стали бы задаваться вопросом: “Мне действительно больно, или я сейчас драматизирую и преувеличиваю?” Тем не менее, некоторые болевые синдромы не сопровождаются выраженными нарушениями. В частности, мучительные мигрени возникают в отсутствие каких-либо травм, а механизмы их появления не столь очевидны. Иные примеры — фантомные боли, возникающие на месте ампутированной конечности, или фибромиалгия, характеризующаяся болью в скелетных мышцах опять же без свидетельств о воспалении или повреждении органов. Наконец, многочисленные попытки декодировать интенсивность боли по ЭЭГ пока не привели к выявлению маркеров, которые могли бы быть использованы универсально.
2. Конверсионное расстройство. Пациенты с этим расстройством испытывают ряд неврологических симптомов (слепота, паралич, онемение) без явного органического поражения нервной системы и предположительно в ответ на психологический стресс. К схожей картине относят психогенные неэпилептические приступы, не сопровождающиеся электрофизиологическими изменениями, но клиническая картина которых напоминает эпилептические.
Таким образом, выделение физиологического субстрата, лежащего за симптоматикой, не всегда обеспечивает возможность диагностики, не зависящей от субъективного отчёта пациента. Также оно пока не может выступать критерием “серьёзности” заболевания. Наконец, оно может и не носить объяснительный характер, а служить скорее еще одним источником описательных характеристик нарушения.
Поэтому, как бы ни был прекрасен атлас когнитивных расстройств с их локализацией из поста выше, следует не забывать о том, что, помимо вопросов “где?” и “что?”, существует вопрос “как?” И — независимо от того, оперируем ли мы терминами психологических синдромов, неврологических нарушений или их синтеза — пока мы не пытаемся дать хотя бы фрагментарные ответы на этот вопрос, всё многообразие био-, нейро- и прочих маркеров так и будет красивым мультимодальным грузом лежать на существующей системе диагностики и лечения.
#mental_health
На своем канале профессор Дмитрий Кулиш, директор Центра Предпринимательства и Инноваций Сколтеха, любезно поделился мыслями по мотивам моих недавних постов о депрессии. Посыл Дмитрия таков: выявление “соматической природы” ментальных нарушений может обосновывать их признание как заболеваний, для лечения которых требуется фармакотерапия, в отличие от “дури”, которая лишь маскируется под депрессию и может корректироваться “обливаниями холодной водой”.
Воздержавшись от комментариев относительно дерзновенных тезисов про холодную воду (ибо моё мнение по этому поводу более чем предсказуемо), позволю себе развить мысль о биомаркерах ментальных заболеваний. С одной стороны, идея о редукции психиатрии к неврологии или о создании новой иерархии диагнозов, выводимых из неврологического профайлинга, всегда казалась мне симпатичной (физикализм и материализм мне из себя не изжить).
С другой стороны, неврология и психиатрия неслучайным образом предлагают разные направления взглядов на заболевания. Если неврология двигается “снизу вверх”, и отклонения, наблюдаемые в когнитивных доменах (напр., смена настроения), являются вторичными относительно объективно регистрируемого нарушения на уровне нервной системы, то психиатрия двигается “сверху вниз” — в фокус попадает субъективный опыт пациента, и именно он определяет свойства нарушения. Сопровождающие его изменения в нервной системе не лежат на поверхности.
Возникает вопрос: для того, чтобы считать нарушение субъективного опыта человека “подлинным”, должны ли ему сопутствовать явно обнаруживаемые структурные поражения мозга, набивший оскомину “дисбаланс нерйомедиаторов”, патологические паттерны в ЭЭГ и т. д.?
Ниже приведены примеры, которые указывают на оптимистичность таких ожиданий (по крайней мере, на текущем этапе развития нейровизуализации и нашего понимания принципов работы мозга):
1. Болевые синдромы. Боль — субъективный феномен, переживаемый настолько непосредственно, что вряд ли мы стали бы задаваться вопросом: “Мне действительно больно, или я сейчас драматизирую и преувеличиваю?” Тем не менее, некоторые болевые синдромы не сопровождаются выраженными нарушениями. В частности, мучительные мигрени возникают в отсутствие каких-либо травм, а механизмы их появления не столь очевидны. Иные примеры — фантомные боли, возникающие на месте ампутированной конечности, или фибромиалгия, характеризующаяся болью в скелетных мышцах опять же без свидетельств о воспалении или повреждении органов. Наконец, многочисленные попытки декодировать интенсивность боли по ЭЭГ пока не привели к выявлению маркеров, которые могли бы быть использованы универсально.
2. Конверсионное расстройство. Пациенты с этим расстройством испытывают ряд неврологических симптомов (слепота, паралич, онемение) без явного органического поражения нервной системы и предположительно в ответ на психологический стресс. К схожей картине относят психогенные неэпилептические приступы, не сопровождающиеся электрофизиологическими изменениями, но клиническая картина которых напоминает эпилептические.
Таким образом, выделение физиологического субстрата, лежащего за симптоматикой, не всегда обеспечивает возможность диагностики, не зависящей от субъективного отчёта пациента. Также оно пока не может выступать критерием “серьёзности” заболевания. Наконец, оно может и не носить объяснительный характер, а служить скорее еще одним источником описательных характеристик нарушения.
Поэтому, как бы ни был прекрасен атлас когнитивных расстройств с их локализацией из поста выше, следует не забывать о том, что, помимо вопросов “где?” и “что?”, существует вопрос “как?” И — независимо от того, оперируем ли мы терминами психологических синдромов, неврологических нарушений или их синтеза — пока мы не пытаемся дать хотя бы фрагментарные ответы на этот вопрос, всё многообразие био-, нейро- и прочих маркеров так и будет красивым мультимодальным грузом лежать на существующей системе диагностики и лечения.
Telegram
Старик и Лошадь 塞翁失馬
Есть у меня грехи, которые я признаю достаточно греховными, чтобы их стесняться, но недостаточно страшными, чтобы их прятать. Поэтому вот вам каминг-аут:
💥💥💥 Невзирая на научно-клинический консенсус, в глубине души я продолжаю считать депрессии, аддикции…
💥💥💥 Невзирая на научно-клинический консенсус, в глубине души я продолжаю считать депрессии, аддикции…
Голуби умнее математиков?
#decision_making
Публикация: Herbranson, W. T., & Schroeder, J. (2010). Are birds smarter than mathematicians? Pigeons (Columba livia) perform optimally on a version of the Monty Hall Dilemma. Journal of Comparative Psychology, 124(1), 1
Представьте, что вам предложили сыграть в игру и выбрать одну из трёх дверей. За одной находится приз в виде автомобиля, за оставшимися двумя — всего лишь козы. Вы выбираете одну дверь, но не знаете, что за ней. Затем ведущий игры, знающий, где находится автомобиль, открывает одну из двух оставшихся дверей. Во всех случаях за этой дверью оказывается коза. Вам предлагается изменить свой выбор и открыть оставшуюся дверь вместо выбранной вами исходно. Как вы думаете, увеличатся ли шансы вашего выигрыша, если вы примете предложение ведущего?
Решение:
Интуитивно кажется, что смена выбора не влияет на шансы, потому что автомобиль может оказаться за любой дверью с равной вероятностью (1/3). Но всё же для повышения шансов выигрыша вы всегда должны менять исходный выбор после того, как ведущий открывает дверь.
Предположим, исходно вы выбрали дверь с козой. Ведущий неизбежно откроет дверь со второй козой. При смене выбора вы откроете дверь с автомобилем и выиграете. Напротив, если исходно вы выбрали дверь с автомобилем, смена выбора приведет к проигрышу. Однако с учётом того, что вероятность исходно неверного выбора равна 2/3 (т. к. мы имеем две двери с козами), шансы выигрыша будут увеличиваться именно при использовании стратегии смены выбора. Дерево решений, представленное на рисунке, наилучшим образом поясняет эти сценарии.
Выше был описан так называемый парадокс Монти Холла. Статистика указывает на то, что большинство людей избирает неоптимальную стратегию и не меняют исходный выбор. Некоторые источники гласят, что даже математик Пал Эрдёш, известный своей экспертизой в теории вероятности, не сразу принял решение этого парадокса, пока не удостоверился в его оптимальности на результатах 100 000 компьютерных симуляций.
А теперь основной fun fact: в одном исследовании задачу Монти Холла предложили решать... голубям. Этих модельных животных нередко выбирают для исследований принятия решений. Естественно, задачу адаптировали под их голубиные нужды, и вместо автомобиля голуби стремились получить еду.
Результаты показали, что в первый день выполнения задачи голуби выбирали стратегию изменения выбора в 36.33 % случаев (что не эквивалентно случайным догадкам). К тридцатому дню выполнения задачи голуби выбирали оптимальную стратегию почти всегда — в 96.33% случаев.
Получение еды в результате реализации верной стратегии служит прямым подкреплением. Поэтому то, что голуби стали следовать этой стратегии, может показаться достаточно тривиальным результатом. С другой стороны, когда в схожий сценарий были помещены люди, к концу исследования они выбирали оптимальную стратегию лишь в 2/3 случаев. Это оказалось лишь слабым улучшением по сравнению с началом исследования, что не сопоставимо с перфомансом голубей.
Почему так происходит? Парадокс Монти Холла можно решать, используя классический вероятностный подход или эмпирический. Классический подход не требует накопления данных, в его рамках достаточно рассмотрения каждого возможного сценария и аналитической оценки их вероятности. В рамках эмпирического подхода, который базируется на наблюдении, требуется накопление некоторого числа проб и оценка вероятности, исходя из их наблюдаемых результатов.
Полученные результаты могут объясняться тем, что человек предпочитает опираться на классический подход, но впадает в "горе от ума" и использует его некорректно, ошибочно считая смену выбора и его сохранение равновероятно приводящими к выигрышу. Голуби же, не располагая аналитическим аппаратом для классического подхода, опираются на эмпирический. В рамках него парадокс Монти Холла сводится к задаче аккумуляции данных и изменения поведения на основе предыдущего опыта. Парадоксальность утрачивается...
#decision_making
Публикация: Herbranson, W. T., & Schroeder, J. (2010). Are birds smarter than mathematicians? Pigeons (Columba livia) perform optimally on a version of the Monty Hall Dilemma. Journal of Comparative Psychology, 124(1), 1
Представьте, что вам предложили сыграть в игру и выбрать одну из трёх дверей. За одной находится приз в виде автомобиля, за оставшимися двумя — всего лишь козы. Вы выбираете одну дверь, но не знаете, что за ней. Затем ведущий игры, знающий, где находится автомобиль, открывает одну из двух оставшихся дверей. Во всех случаях за этой дверью оказывается коза. Вам предлагается изменить свой выбор и открыть оставшуюся дверь вместо выбранной вами исходно. Как вы думаете, увеличатся ли шансы вашего выигрыша, если вы примете предложение ведущего?
Решение:
Выше был описан так называемый парадокс Монти Холла. Статистика указывает на то, что большинство людей избирает неоптимальную стратегию и не меняют исходный выбор. Некоторые источники гласят, что даже математик Пал Эрдёш, известный своей экспертизой в теории вероятности, не сразу принял решение этого парадокса, пока не удостоверился в его оптимальности на результатах 100 000 компьютерных симуляций.
А теперь основной fun fact: в одном исследовании задачу Монти Холла предложили решать... голубям. Этих модельных животных нередко выбирают для исследований принятия решений. Естественно, задачу адаптировали под их голубиные нужды, и вместо автомобиля голуби стремились получить еду.
Результаты показали, что в первый день выполнения задачи голуби выбирали стратегию изменения выбора в 36.33 % случаев (что не эквивалентно случайным догадкам). К тридцатому дню выполнения задачи голуби выбирали оптимальную стратегию почти всегда — в 96.33% случаев.
Получение еды в результате реализации верной стратегии служит прямым подкреплением. Поэтому то, что голуби стали следовать этой стратегии, может показаться достаточно тривиальным результатом. С другой стороны, когда в схожий сценарий были помещены люди, к концу исследования они выбирали оптимальную стратегию лишь в 2/3 случаев. Это оказалось лишь слабым улучшением по сравнению с началом исследования, что не сопоставимо с перфомансом голубей.
Почему так происходит? Парадокс Монти Холла можно решать, используя классический вероятностный подход или эмпирический. Классический подход не требует накопления данных, в его рамках достаточно рассмотрения каждого возможного сценария и аналитической оценки их вероятности. В рамках эмпирического подхода, который базируется на наблюдении, требуется накопление некоторого числа проб и оценка вероятности, исходя из их наблюдаемых результатов.
Полученные результаты могут объясняться тем, что человек предпочитает опираться на классический подход, но впадает в "горе от ума" и использует его некорректно, ошибочно считая смену выбора и его сохранение равновероятно приводящими к выигрышу. Голуби же, не располагая аналитическим аппаратом для классического подхода, опираются на эмпирический. В рамках него парадокс Монти Холла сводится к задаче аккумуляции данных и изменения поведения на основе предыдущего опыта. Парадоксальность утрачивается...
This media is not supported in your browser
VIEW IN TELEGRAM
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.
#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.
Please open Telegram to view this post
VIEW IN TELEGRAM
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.
#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.)
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.
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.
Софт для автоматической сегментации и локализации инвазивных электродов стерео-ЭЭГ. Также возможно автоматически соотносить расположение электродов с анатомическими атласами.
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.
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.
Тулбокс для биофизического моделирования МЭГ/ЭЭГ. О нём я подробно писала ранее.
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
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.
#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.
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
Мозг и его скорости
#neuroscience
Публикация: Senkowski, D., & Engel, A. K. (2024). Multi-timescale neural dynamics for multisensory integration. Nature Reviews Neuroscience, 1-18.
Наш мозг обрабатывает информацию, поступающую от разных органов чувств. Эта обработка не осуществляется изолированно: например, мы лучше понимаем речь (слуховая модальность), если наблюдаем за движением губ собеседника (зрительная модальность), и т. д. Объединение процессов такой обработки называется мультисенсорной интеграцией. Недавно в “Nature Reviews Neuroscience” появилась статья про её нейрональные механизмы.
Важной особенностью этого процесса является то, что он осуществляется на разных временных масштабах. Упрощённо: базовая сенсорная обработка происходит на небольших временных масштабах, а высокоуровневые процессы — на более длительных.
Что определяет эти временные масштабы? Синхронная активность нейронов в разных частотных диапазонах — ритмы мозга или осцилляции. Они задействуются в следующих сценариях.
✨ Модуляция амплитуды. Мультисенсорная интеграция сопровождается изменениями в мощности ритмов. Например, была установлена связь быстрой обработки мультисенсорных стимулов с мощностью гамма-ритма, а более сложных процессов (например, аудиовизуальной обработки речи) — с низкими частотами. Впрочем, это не означает, что иерархия мультисенсорной обработки линейно опирается на частоту таким образом, что высокие частоты связаны исключительно с простейшей сенсорной обработкой. Важно обращать внимание на то, какие области мозга генерируют эти ритмы: например, мультисенсорная интеграция может модулировать высокочастотные ритмы не только в сенсорных областях, но и в ассоциативных.
✨ Фазовый сброс (Phase resetting). Предъявление стимула в одной модальности может “обнулить” фазу осцилляций, отвечающих за процессы уже в другой модальности. Например, предъявление тактильного стимула обезьяне может приводить к сбросу фазы осцилляций в широком диапазоне частот (от 1 до 100 Гц) в слуховой коре, причем меньше чем через 100 мс после предъявления стимула. Этот механизм упреждающе может облегчать дальнейшую интеграцию предъявленного стимула в обработку уже другими системами.
✨ Ритмическая привязка (Entrainment). Стимуляция одной сенсорной системы на заданной частоте может индуцировать соответствующие осцилляции в другой системе. В частности, если предъявлять звуковые стимулы с частотой 3 Гц, можно наблюдать осцилляторную активность на этой же частоте в зрительной коре. А при предъявлении двух конкурирующих звуковых потоков целевые звуковые стимулы распознаются легче, если предъявлять зрительные стимулы, не относящиеся к задаче, но по временной динамике соотносимые с целевыми звуками.
✨ Функциональная связность. (Functional coupling). Осцилляции из функционально различных областей могут синхронизоваться на уровне фаз или огибающих. Например, синхронизация бета-ритма между височными и лобно-теменными областями наблюдается при эффекте Мак-Гурка (если вы не знакомы с этим эффектом, можете пройти по ссылке и мультисенсорно забыться). Важно также, что связность может устанавливаться и между разными ритмами: например, медленные осцилляции могут модулировать высокие.
Указанные выше механизмы касаются обработки уже предъявленного стимула. Но важно не забывать и про спонтанную активность незадолго до предъявления стимула. В частности, повышенная мощность спонтанного бета-ритма может предсказывать степень выраженности иллюзии Мак-Гурка, т. е. и предрасположенность к мультисенсорной интеграции в целом.
Также следует отметить, что в мозге имеют место процессы, не привязанные к временному масштабу (scale-free dynamics). Они не задействуют фиксированные частоты и не регулярны. Эту динамику связывают с состоянием критичности, в котором физическая система (мозг) наиболее подвержена изменениям во внешней среде. Соответственно, эти процессы могут влиять на то, с какой лёгкостью происходят ранее описанные фазовые сбросы или ритмические привязки, а также гибкость мультисенсорной интеграции в целом. Но это требует отдельных исследований.
#neuroscience
Публикация: Senkowski, D., & Engel, A. K. (2024). Multi-timescale neural dynamics for multisensory integration. Nature Reviews Neuroscience, 1-18.
Наш мозг обрабатывает информацию, поступающую от разных органов чувств. Эта обработка не осуществляется изолированно: например, мы лучше понимаем речь (слуховая модальность), если наблюдаем за движением губ собеседника (зрительная модальность), и т. д. Объединение процессов такой обработки называется мультисенсорной интеграцией. Недавно в “Nature Reviews Neuroscience” появилась статья про её нейрональные механизмы.
Важной особенностью этого процесса является то, что он осуществляется на разных временных масштабах. Упрощённо: базовая сенсорная обработка происходит на небольших временных масштабах, а высокоуровневые процессы — на более длительных.
Что определяет эти временные масштабы? Синхронная активность нейронов в разных частотных диапазонах — ритмы мозга или осцилляции. Они задействуются в следующих сценариях.
Указанные выше механизмы касаются обработки уже предъявленного стимула. Но важно не забывать и про спонтанную активность незадолго до предъявления стимула. В частности, повышенная мощность спонтанного бета-ритма может предсказывать степень выраженности иллюзии Мак-Гурка, т. е. и предрасположенность к мультисенсорной интеграции в целом.
Также следует отметить, что в мозге имеют место процессы, не привязанные к временному масштабу (scale-free dynamics). Они не задействуют фиксированные частоты и не регулярны. Эту динамику связывают с состоянием критичности, в котором физическая система (мозг) наиболее подвержена изменениям во внешней среде. Соответственно, эти процессы могут влиять на то, с какой лёгкостью происходят ранее описанные фазовые сбросы или ритмические привязки, а также гибкость мультисенсорной интеграции в целом. Но это требует отдельных исследований.
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
MEG/EEG Bloopers. Part 1
#neuroimaging
Уже несколько лет подряд я почти ежедневно работаю с сигналами МЭГ и ЭЭГ. За это время у меня сформировалась коллекция “пасхалок” или “багов”, связанных со спецификой порождения этих сигналов или с нюансами их обработки. Решила поделиться ими в серии постов, чтобы в очередной раз показать, что “совы МЭГ/ЭЭГ не то, чем кажутся”. По крайней мере, в некоторых случаях.
Сегодняшний “баг” — это несогласованность пространственных распределений (топографий) активации слуховой коры на сенсорах МЭГ и ЭЭГ. Источники этой активности в мозге располагаются билатерально в височных областях. Эта билатеральность как раз наблюдается в МЭГ в виде двух симметричных пиков. Однако на ЭЭГ пик активации для большинства вариантов ориентаций источников приходится на вертекс, т. е. центральную область (см. анимацию, источник: ссылка). Если не иметь доступа к МЭГ-данным, достаточно легко проинтерпретировать такую ЭЭГ-топографию в терминах процессов, не относящихся к слуховой коре.
Чем объясняется такой феномен? МЭГ чувствительна к сигналам, порождаемым источниками, ориентированными тангенциально коре, т. е. по касательной. ЭЭГ, напротив, детектирует потенциалы, ориентированные как тангенциально, так и радиально, т. е. перпендикулярно поверхности. Геометрия распространения сигнала по слуховой коре порождает именно такие радиальные компоненты, проецируемые на вертекс. Обратите внимание, как изменение ориентации этих компонент влияет на изменение ЭЭГ-топографий: в случае, если источники ориентированы радиально относительно виска, мы можем наблюдать симметричные височные пики на ЭЭГ-сенсорах.
В качестве бонуса оставляю ссылку на интерактивный симулятор диполей для МЭГ и ЭЭГ. В этом симуляторе вы можете расположить источник в пространстве головы, задать его ориентацию и посмотреть, как его активность проецируется на сенсоры МЭГ и ЭЭГ.
#neuroimaging
Уже несколько лет подряд я почти ежедневно работаю с сигналами МЭГ и ЭЭГ. За это время у меня сформировалась коллекция “пасхалок” или “багов”, связанных со спецификой порождения этих сигналов или с нюансами их обработки. Решила поделиться ими в серии постов, чтобы в очередной раз показать, что “
Сегодняшний “баг” — это несогласованность пространственных распределений (топографий) активации слуховой коры на сенсорах МЭГ и ЭЭГ. Источники этой активности в мозге располагаются билатерально в височных областях. Эта билатеральность как раз наблюдается в МЭГ в виде двух симметричных пиков. Однако на ЭЭГ пик активации для большинства вариантов ориентаций источников приходится на вертекс, т. е. центральную область (см. анимацию, источник: ссылка). Если не иметь доступа к МЭГ-данным, достаточно легко проинтерпретировать такую ЭЭГ-топографию в терминах процессов, не относящихся к слуховой коре.
Чем объясняется такой феномен? МЭГ чувствительна к сигналам, порождаемым источниками, ориентированными тангенциально коре, т. е. по касательной. ЭЭГ, напротив, детектирует потенциалы, ориентированные как тангенциально, так и радиально, т. е. перпендикулярно поверхности. Геометрия распространения сигнала по слуховой коре порождает именно такие радиальные компоненты, проецируемые на вертекс. Обратите внимание, как изменение ориентации этих компонент влияет на изменение ЭЭГ-топографий: в случае, если источники ориентированы радиально относительно виска, мы можем наблюдать симметричные височные пики на ЭЭГ-сенсорах.
В качестве бонуса оставляю ссылку на интерактивный симулятор диполей для МЭГ и ЭЭГ. В этом симуляторе вы можете расположить источник в пространстве головы, задать его ориентацию и посмотреть, как его активность проецируется на сенсоры МЭГ и ЭЭГ.
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.
#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?
Please open Telegram to view this post
VIEW IN TELEGRAM
MEG/EEG Bloopers. Part 3
#neuroimaging
Сегодняшний пост про не всегда приятные сюрпризы в анализе МЭГ/ЭЭГ посвящён тому, как неаккуратное использование фильтров может исказить вызванные потенциалы. Начнём с азов.
Вызванные потенциалы (ВП) — это сигналы, которые возникают в мозге в ответ на внешние стимулы, например, изображения или звуки. Чтобы увидеть ВП, необходимо осуществить многократные измерения реакции мозга на один и тот же стимул, а затем усреднить их. На выходе получается характерная кривая с пиками (A). Амплитуда, время и локализация возникновения этих пиков позволяет судить о происходящих в мозге процессах. Например, первичная обработка информации характеризуется пиками в районе 100 мс после предъявления стимула. Процессы, связанные с принятием решений, — пиками около 300 мс.
Анализ МЭГ/ЭЭГ на том или ином этапе требует использование различных фильтров для избавления от низкочастотных колебаний, например, связанных с кожно-гальванической реакцией, и высокочастотных артефактов, нередко связанных с мышечной активностью или наводкой. Золотым стандартом фильтрации считается диапазон от 0.1 до 40 Гц. В некоторых случаях — от 1 до 40 Гц. Все фильтры искажают временные ряды в той или иной степени, и важно учитывать, насколько велики могут оказаться эти искажения в случае с ВП.
В одном из ключевых исследований на симуляционном компоненте с положительным пиком около 600 мс продемонстрировали, что фильтрация выше 0.3 Гц приводит к появлению ложных отрицательных пиков до и после 600 мс, которые можно спутать с компонентами ВП, возникающими на более ранних и поздних латентностях (B) — а это уже совсем другие когнитивные процессы! Схожая тенденция наблюдается и на реальных данных (С).
В другом исследовании установили, что чрезмерная фильтрация может подавлять поздние медленные компоненты и делать более выраженными — ранние (D). В этом случае важно учитывать каузальность фильтров. Каузальные фильтры используют только текущие и прошлые значения сигнала. Некаузальные фильтры, напротив, для заданного момента времени используют как прошлые, так и будущие значения сигнала. Соответственно, применение некаузального фильтра может приводить к “заражению” ранних компонент ВП более поздними.
На ресурсе ERP INFO, посвящённому ВП, приводятся следующие рекомендации для применения фильтров:
✨️ При фильтрации в режиме реального времени (если она неизбежна), используйте фильтр нижних частот, равный 1/3 или 1/4 от частоты дискретизации;
✨️ Фильтрация до 0.1 Гц обычно приводит к минимальным искажениям (более опасные диапазоны представлены на рисунке (E));
✨️ После усреднения ВП допустимо применить фильтр нижних частот до 20-40 Гц, чтобы снизить шум или выделить пики; однако лучше этого не делать для измерения средней амплитуды;
✨️ При возникновении сомнений применяйте ваш фильтр к симуляции волны с нужными характеристиками.
#neuroimaging
Сегодняшний пост про не всегда приятные сюрпризы в анализе МЭГ/ЭЭГ посвящён тому, как неаккуратное использование фильтров может исказить вызванные потенциалы. Начнём с азов.
Вызванные потенциалы (ВП) — это сигналы, которые возникают в мозге в ответ на внешние стимулы, например, изображения или звуки. Чтобы увидеть ВП, необходимо осуществить многократные измерения реакции мозга на один и тот же стимул, а затем усреднить их. На выходе получается характерная кривая с пиками (A). Амплитуда, время и локализация возникновения этих пиков позволяет судить о происходящих в мозге процессах. Например, первичная обработка информации характеризуется пиками в районе 100 мс после предъявления стимула. Процессы, связанные с принятием решений, — пиками около 300 мс.
Анализ МЭГ/ЭЭГ на том или ином этапе требует использование различных фильтров для избавления от низкочастотных колебаний, например, связанных с кожно-гальванической реакцией, и высокочастотных артефактов, нередко связанных с мышечной активностью или наводкой. Золотым стандартом фильтрации считается диапазон от 0.1 до 40 Гц. В некоторых случаях — от 1 до 40 Гц. Все фильтры искажают временные ряды в той или иной степени, и важно учитывать, насколько велики могут оказаться эти искажения в случае с ВП.
В одном из ключевых исследований на симуляционном компоненте с положительным пиком около 600 мс продемонстрировали, что фильтрация выше 0.3 Гц приводит к появлению ложных отрицательных пиков до и после 600 мс, которые можно спутать с компонентами ВП, возникающими на более ранних и поздних латентностях (B) — а это уже совсем другие когнитивные процессы! Схожая тенденция наблюдается и на реальных данных (С).
В другом исследовании установили, что чрезмерная фильтрация может подавлять поздние медленные компоненты и делать более выраженными — ранние (D). В этом случае важно учитывать каузальность фильтров. Каузальные фильтры используют только текущие и прошлые значения сигнала. Некаузальные фильтры, напротив, для заданного момента времени используют как прошлые, так и будущие значения сигнала. Соответственно, применение некаузального фильтра может приводить к “заражению” ранних компонент ВП более поздними.
На ресурсе ERP INFO, посвящённому ВП, приводятся следующие рекомендации для применения фильтров:
Please open Telegram to view this post
VIEW IN TELEGRAM