Содержание к диссертации
Введение
Литературный обзор 5
Ритмы мозга и их функциональная роль 5
Основные гипотезы о функциональной роли ритмов мозга 5
Роль ритмов мозга в сенсорных процессах 5
Роль ритмов мозга в процессах внимания и памяти 8
Связь ритмов мозга с эмоциями 11
Связь ритмов мозга с процессами в лимбической системе 12
Роль ритмов мозга в осуществлении моторных актов 12
Ритмические паттерны при когнитивной деятельности 13
Искусственные нейросети в нейрофизиологических исследованиях 14
История возникновения методологии искусственных нейронных сетей 14
Наиболее известные типы искусственных нейросетей 15
Применение ИНС для анализа ЭЭГ и ПСС 17
Методика 21
Испытуемые, характер предъявляемых задач и ход эксперимента 21
Регистрация данных 24
Отбор данных и отстройка от артефактов 25
Формирование обучающей и контрольной выборок данных для целей классификации .25
Предобработка 26
Распознавание типа данных с помощью обучаемого классификатора 29
Искусственная нейросеть 29
Использование системы линейных уравнений для классификации данных 34
Усредненные спектры 34
Результаты 35
Первая серия экспериментов 35
Результаты, полученные при применении ИНС в качестве обучаемого классификатора 35
Результаты, полученные при использовании линейной системы уравнений в качестве обучаемого классификатора. 47
Применение обучаемого классификатора для очистки выборки 47
Вторая серия экспериментов 51
Обсуждение результатов 62
Основные выводы из результатов работы 62
Природа характерных ритмических паттернов 63
Предположения о возможной физиологической роли характерных ритмов (замечания
общего характера) 63
Вклад локальной гамма-активности в формирование характерных ритмических паттернов и классификацию 64
Вклад бета-активности в формирование характерных ритмических паттернов и классификацию 64
Вклад мю-ритма в формирование характерных ритмических паттернов и классификацию 65
Вклад ритмов тета- и альфа-диапазонов, коррелированных с эмоциями, памятью, вниманием и мотивацией 66
Тонический характер процессов, отраженных в характерных ритмах. Преднастройка на определенный тип задания. «Рельсы и поезд» 69
Дополнительные аргументы в пользу неспецифичности характерных ритмов 71
Воспроизводимость ритмических паттернов при когнитивной нагрузке и в покое 73
Индивидуальная вариабельность 74
«Специфические неспецифические» процессы 74
Особенности методики и перспективы ее применения на практике 75
Помехоустойчивость и хорошее временное разрешение метода 75
«Электронцефалографический портрет» личности и его изменчивость 76
Обучаемый классификатор как исследовательский инструмент 77
Выводы 78
Программное обеспечение, использованное в работе 79
Приложение 80
Процедура отстройки от глазодвигательного артефакта 80
Список сокращений 84
Список литературы 85
Публикации автора по теме диссертации в реферируемых журналах 93
- Роль ритмов мозга в сенсорных процессах
- Искусственная нейросеть
- Применение обучаемого классификатора для очистки выборки
- Вклад ритмов тета- и альфа-диапазонов, коррелированных с эмоциями, памятью, вниманием и мотивацией
Введение к работе
Ритмы электроэнцефалограммы (ЭЭГ) были открыты создателем метода Гансом Бергером в первых же поставленных им опытах (Berger, 1929). Тогда Бергер обнаружил, что амплитуда ритмов ЭЭГ зависит, среди прочих условий, и от интеллектуальной нагрузки испытуемого. Сохранилась одна из первых в истории энцефалографии записей, сделанная во время решения 14-летней Илзе Бергер арифметической задачи (196:7). На записи хорошо видна депрессия альфа-ритма (рис. 1). В последующие десятилетия проводилось множество исследований, направленных на выявление физиологических коррелятов ритмов мозга, в частности, выяснения их роли в когнитивной деятельности.
Настоящая работа посвящена изучению взаимосвязи выполняемых человеком мысли
тельных операций и ритмов мозга тета, альфа и бета диапазонов. Особенность работы состо
ит в том, что в качестве инструмента анализа полученных данных использована обучающая
ся искусственная нейросеть. В соответствии с этим, литературный обзор поделен на две час
ти - касающуюся функциональной роли ритмов мозга и касающуюся применения нейросете-
вых алгоритмов в нейрофизиологических исследованиях. ,
N. Niedermtyer / International Journal of Psychophysioloxy 2611997) Л- -Л* .15
Fig. 2. Hans Bcrger's 14-year-old daughter Use calculating (1% + 7), Note excellent alpha Mocking and alpha return at termination of the task. The bottom trace indicates lime in 0.1 s. With permission of Dr. P. Gloor and Elsevier Publishers.
Рис. 1. Блокирование альфа-ритма и альфа-отдача при решении арифметической задачи 196:7 14-летней Илзе Бергер. Окончание решение и ответ испытуемой отмечены стрелкой. Рисунок взят из статьи (Niedermeyer, 1997).
Роль ритмов мозга в сенсорных процессах
Существует огромное количество научных данных, указывающих на связь параметров регистрируемых ритмов с теми или иными физиологическими, поведенческими, психологическими особенностями исследуемого объекта - подопытного животного или человека. Перечисление всех описанных в мировой литературе результатов невозможно из-за огромного объема. Значительная часть работ носит описательный характер. В этом «феноменологическом море» нам видятся «три острова» - три гипотезы о функциональной роли ритмов мозга, представляющиеся нам в наибольшей степени логически законченными. В соответствии с этими гипотезами, ритмы могут выполнять три взаимосвязанные функции:
1) Стробирование информационных потоков, т.е. их перевод в дискретное представление во временной области. В физиологии сенсорных систем эту функцию часто называют сканирующей.
2) Удержание частей информации в локальных структурах мозга в течение времени, необходимого для их сравнения и ассоциирования. По существу, это функция кратковременной оперативной памяти. Удержание осуществляется ритмической реверберацией сигнала в замкнутых нейронных цепях с возбуждающими и тормозными связями.
3) Объединение частной информации в единое целое, т.е. информационный синтез. Данная функция осуществляется синхронизацией ритмов между локусами, хранящими (в соответствии с гипотезой 2) подлежащую объединению частную информацию.
Разумеется, указанные гипотезы не являются ни единственными, ни всеобъемлющими. Наиболее полно в их рамки укладываются результаты работ в области сенсорной физиологии - прежде всего данные, полученные при изучении корковых механизмов зрения (Shev-elev et al., 2000; Dinse et al, 1997; Schanze & Eckhorn, 1997; Eckhorn et al, 2004; Engel & Singer, 2001; Tallon-Baudry, 2003). Однако нам кажется возможным распространить приведенные гипотезы на большинство информационных процессов в мозге. Мозг представляет собой дискретный параллельный процессор, и ритмы - это, возможно, адекватный для такого процессинга, найденный эволюцией механизм.
Согласно данным многих авторов, осцилляции появляются в первичной сенсорной коре (слуховой, зрительной, соматосенсорной) в ответ на адекватный стимул. Этот эффект обна ружен как при записи поверхностной ЭЭГ человека, так и при регистрации активности одиночных нейронов или групп нейронов непосредственно в коре головного мозга животных (Baar etal, 1975,1977; Schumann ef а/., 1997).
Динзе с соавторами (Dinse et al, 1997) записывали реакцию нейронов зрительной коры кошки (поля 17,18,19), первичной слуховой коры кошки и первичной соматосенсорной коры крысы на стимулы соответствующей модальности. Строились постстимульные гистограммы (ПСтГ) ответов. Обнаружено, что во всех случаях отклик нейрона состоит из двух компонент: главного, или прямого, ответа и осцилляторного ответа. Частота последнего бывает в пределах от 5 до 20 Гц, в зависимости от экспериментальных условий (модальности и параметров стимула и места регистрации). Главный ответ имеет постоянную (для данного нейрона) задержку относительно начала стимула, а его амплитуда зависит от параметров стимула и максимальна для адекватного стимула. Задержка первого пика осцилляторного ответа не постоянна. В случае предъявления последовательности стимулов осцилляторный ответ на новый стимул всегда попадает «в фазу» с осцилляторным ответом на предыдущий стимул. Иначе говоря, все вызванные осцилляции как бы представляют собой всплески одного процесса с постоянной фазой. Это может говорить о том, что осцилляции, вызванные стимулом в данном участке коры, синхронизованы с работой некоего гипотетического локального водителя ритма, постоянно активного. Прочие параметры колебательного ответа (частота следования импульсов возбуждения, их количество в ответе) зависят от параметров стимула сложным, но закономерным образом; при этом зависимости амплитуды первого осцилляторного пика и амплитуды пика прямого ответа от параметров стимула часто оказываются ортогональными.
Возникает вопрос: зачем нужен осцилляторный ответ? Динзе с соавторами выдвигают предположение, что прямой ответ отражает приход информации в сенсорную кору и ее первичную активацию. Пространственное распределение первичных ответов отражает пространственное распределение стимула (например, на сетчатке) и образует первичный сенсорный паттерн в коре. Дальше перед нервной системой встает задача удержать пришедший паттерн в течение некоторого времени, интегрировать его части в целое, а также сравнить с предыдущими и последующими сенсорными паттернами, т.е. отследить динамику сенсорного входа. Динзе и его соавторы считают, что с помощью осцилляции, возникающих за счет локальных реверберации (под управлением постоянно действующего пейсмейкера), пришедший паттерн удерживается в первичной сенсорной коре в течение нескольких сотен миллисекунд. Все детали сенсорного паттерна удерживаются отдельно друг от друга, поскольку осцилляции в корковых колонках, отстоящих друг от друга более чем на 0,5 мм, не коррели рованны. Удержание нужно для того, чтобы сенсорный паттерн мог быть обработан дальше, что требует определенного времени.
Работы других авторов говорят о том, что функция локальных осцилляции не исчерпывается только удержанием информации. В реальных условиях информация о внешних воздействиях приходит в первичную сенсорную кору непрерывно. Это могло бы привести к смазыванию информации - так что ее нельзя было бы обрабатывать дальше - если бы природой не был изобретен механизм дискретизации сенсорного входа во времени. Гипотеза о сканирующей, или стробирующей, роли ритмов мозга выдвигалась многими авторами (Pitts & McCulloch, 1947; Шевелев и др., 1991,1997). Согласно этой гипотезе, входная информация разбивается на «кадры», которые затем удерживаются в сенсорной коре для последующей обработки - в соответствии с принципами дискретного процессинга, которым, очевидно, следует мозг.
Экхорн и Шанце (Eckhorn, 1993; Schanze & Eckhorn, 1997) записывали изменения локального потенциала внеклеточным микроэлектродом от полей 17 и 18 зрительной коры кошек и обезьян. В ответ на адекватную стимуляцию наблюдалось кратковременное (длительностью около 500 мс) увеличение мощности отдельных спектральных компонент записываемого сигнала. В большинстве случаев на спектрах присутствовало два выраженных пика: в районе 10 Гц и в районе 40 Гц. Авторы исследовали фазовую зависимость двух частотных компонент и нашли, что высокочастотная и низкочастотная компоненты сенсорного отклика фазово-зависимы (это означает, что быстрые колебания всегда попадают в одну и ту же фазу медленных). Опираясь на концепцию кадрирования входного зрительного потока, авторы предлагают три гипотезы о возможном функциональном значении двух фазово-связных частотных компонент сенсорного отклика. По мнению авторов высокочастотная (40-герцовая) компонента соответствует первичному разбиению входной зрительной информации на кадры (первичному кадрированию), в то время как 10-герцовая компонента служит агрегатированию первичных кадров в более сложные информационные образования. Предлагаемые авторами статьи гипотезы отличаются предположениями о характере, назначении и способе объединения первичных кадров. Объединение первичных кадров происходит либо во времени, либо в пространстве, либо с иными информационными ресурсами мозга.
В первом случае каждые 4-5 первичных кадров объединяются в пакет, который дает обобщенное представление о зрительной картине за время около 100 мс. Последовательность пакетов соответствует 10-герцовому ритму. В дальнейшем мозг хранит и обрабатывает преимущественно обобщенные 100-миллисекундные кадры, а более подробные 25-милисекундные кадры используются лишь при совершении быстрых автоматических поведенческих актов.
Искусственная нейросеть
Искусственная нейросеть упомянутого типа состоит из двух слоев элементов - нижнего входного и верхнего выходного - и взвешенных связей между ними (рис. 4). На каждом шаге работы сети каждый ее элемент имеет некоторый уровень активации. Элементам нижнего («рецепторного») слоя величины активации назначаются извне при подаче на вход сети паттерна - эти величины просто полагаются равными значениям координат входного вектора. Размерность последнего должна быть, следовательно, равна числу элементов «рецепторного» слоя. Элементы верхнего («эффекторного») слоя, число которых должно быть равно числу классов анализируемых объектов, приходят в активное состояние за счет поступления на них воздействий от элементов нижнего слоя. Каждый элемент нижнего слоя связан с каждым элементом верхнего слоя посредством связи, сила которой может изменяться. Таким образом, элементы верхнего слоя получают в качестве своих входов взвешенные суммы уровней активации элементов нижнего слоя: і где Inpj - входное воздействие нау-ый элемент верхнего слоя, fltj - уровень активации і-го элемента нижнего слоя, Wy - сила, или вес, связи между /-ым элементом нижнего слоя И/-ЫМ элементом верхнего слоя. Вес может принимать любое положительное или отрицательное значение; в первом случае воздействие будет «возбуждающим», во втором - «тормозным». Уровень активации элемента верхнего слоя связан с величиной входа на него нелинейным «сигмоидным» преобразованием: где Oj - уровень активации/-го элемента верхнего слоя. Это преобразование обеспечивает при значении активирующего входа равном минус бесконечности уровень активации выходного элемента равный нулю; при значении входа равном нулю - уровень активации равный 0,5; а при значении входа равном плюс бесконечности - уровень активации равный 1. Элементы верхнего слоя могут принимать, таким образом, значения от 0 до 1. Каждому из них ставится в соответствие определенный класс, и считается, что выход сети должен показывать класс объекта, поданного на ее вход. Так, например, для сети, имеющей три элемента в верхнем слое (и осуществляющей, соответственно, разделение входных объектов на три класса), ее выход при подаче на вход объекта класса №1 в идеальном случае должен быть (1,0,0), при подаче на вход объекта класса №2 - (0,1,0), а объекта класса №3 - (0,0,1). Задача распознавания входных объектов сводится, таким образом, к тому, чтобы научить сеть определять их класс, активируя нужный элемент «эффекторного» слоя. Это достигается путем правильного подбора весов внутренних связей в процессе обучения. Выходной (эффекторный) слой элементов
Схема двухслойной искусственной нейронной сети "Pattern Associator". Активность элементов нижнего слоя передается элементам верхнего слоя через связи переменной силы. Взвешенная сумма активирующих воздействий от нижних элементов связана с уровнем активации верхних элементов нелинейным образом, в результате чего последние могут принимать значения активации только в пределах от 0 до 1.
Сеть может работать в двух принципиально разных режимах - в режиме обучения правильному распознаванию на учебной выборке, т.е. некотором массиве данных, класс которых заранее известен, и в режиме тестирования контрольной выборки, т.е. новых данных, класс которых неизвестен. Для правильного обучения объекты разных классов должны быть представлены в учебной выборке примерно в равном количестве. На каждом шаге обучения на вход сети подается очередной паттерн из учебной выборки, и элементы верхнего слоя естественным образом активируются в соответствий с текущими значениями весов связей. Реальный выход сети затем сравнивается с идеальным выходом для данного входного вектора. В результате этого сравнения веса немного изменяются в направлении того, чтобы при повторной подаче на вход сети того же паттерна выход сети был ближе к идеальному. Изменение весов происходит в соответствии с дельта-правилом: Aw/y= e aiitf-oj)
где Aw,y - изменение веса связи между /-ым входным иу -ым выходным элементами сети на данном шаге обучения, at - уровень активации /-го элемента входного слоя, oj - реальный уровень активацииу-го элемента выходного слоя, tj - идеальный уровень активацииу -го элемента выходного слоя, є - малая величина, определяющая скорость обучения. Очевидно, что если на вход сети подавать все время один и тот же паттерн, то сеть скоро найдет нужные веса, обеспечивающие идеальный выход. В реальной ситуации, однако, на вход сети при обучении подаются разные паттерны, принадлежащие разным классам, которые «дергают» веса в разные стороны. В результате, сеть должна найти такие веса, которые обеспечат правильное определение класса для всех паттернов из учебной выборки. Это возможно лишь тогда, когда обучающие паттерны в действительности образуют несколько классов и содержат их выраженные признаки.
Применение обучаемого классификатора для очистки выборки
Классификатор состояний был применен для очистки исходной выборки записей ЭЭГ и извлечения из нее ядра, состоящего из наиболее типичных записей. В ходе процедуры очистки классификатор вначале обучается, как обычно, по учебной выборке. После тестирования контрольной выборки неправильно распознанные записи выбрасываются из нее, и она становится обучающей выборкой, а бывшая обучающая - контрольной. После того как из последней будут выброшены неправильно распознанные записи, она вновь становится обучающей и т.д. Этот итеративный процесс продолжается до сходимости, т.е. до того момента, когда при переходе к очередной итерации обучения-тестирования новых плохих записей не обнаруживается. Сумма оставшихся учебной и контрольной выборок и считается ядром исходной выборки. На рис. 12 приведен пример применения очистки выборки. Веса, найденные классификатором при обучении по двум независимым половинам выборки, различаются меньше, если эта выборка очищенная (и, следовательно, более однородная).
Таблица 4. Сравнение результатов классификации при использовании в качестве обучаемого классификатора искусственной нейросети и системы линейных уравнений в первой серии опытов.
Усредненные нормированные карты мощности для трех стандартных диапазонов частот (8, а, Д) и трех ментальных модальностей (слева). Классифицирующие веса, найденные нейросетью, для метода предобработки №4 (справа). Цвета на весовых диаграммах обозначают ментальную модальность: зеленый - ожидание, красный - арифметическую задачу, синий - пространственную задачу. Для каждой модальности три столбика обозначают веса в трех частотных диапазонах. Слева внизу дано пояснение к весовым диаграммам. Данные для испытуемых №3 и №5. A.
Веса классификации до (А) и после (Б) процедуры очистки выборки. Первая серия экспериментов, испытуемый №4, отведение С4, метод предобработки №6, арифметическая задача. По оси ординат - значения весовой функции в относительных единицах. По оси абсцисс - частота. Сине-зеленая кривая: обучение по учебной выборке, тестирование по контрольной. Фиолетовая кривая -обратная процедура (обучение по контрольной, тестирование по обучающей). В результате очистки исходная выборка данных становится однородной, в ней остаются только типичные представители класса. Две половины однородной выборки мало отличаются, соответственно кривые весов становятся близки друг к другу. Обращают на себя внимание результаты, полученные на испытуемом №1. Очевидно, что у него признаки изменились за время между первым и вторым исследованием, а затем еще изменились за время между вторым и третьим исследованием. Различие в признаках между соседними по времени исследованиями оказалось недостаточно большим, чтобы вызвать неудовлетворительное распознавание (табл. 7 и вторая строчка в графе "1" в табл. 8). Изменение признаков за время между первым и третьим исследованием превысило, однако, ту критическую черту, за которой успешное распознавание оказывается невозможным. Поэтому исследования, дало неудовлетворительные результаты (первая строчка в графе "1" в табл. 8).
Результаты, полученные на испытуемом №11, отличает та особенность, что решение простых вербальных задач в отсроченном исследовании было распознано неудовлетворительно, а сложных задач того же типа - удовлетворительно.
Визуальное сравнение усредненных спектров в первой группе показало их почти полное воспроизведение в отложенном опыте по сравнению с исходным. Типичным представителем первой группы явился испытуемый №2. В его усредненных спектрах (рис. 13) в качестве наиболее ярких признаков состояний обращают на себя внимание ритм, наиболее выраженный в центральных отведениях при решении пространственных задач (стрелка si), и ритм, наиболее выраженный в заднеправых отведениях при решении логических задач (стрелка s2). Частота каждого из этих ритмов в первом и третьем исследованиях отличалась приблизительно на 0,5 Гц. Это, очевидно, явилось причиной того, что отложенное распознавание у данного испытуемого было несколько хуже, чем распознавание в тот же день. Действительно, простая ИНС "Pattern Associator" не способна к отслеживанию параллельных сдвигов входных паттернов вдоль линейки рецепторов - в отличие от более сложных сетей с несколькими слоями и перекрестными связями внутри рецепторного слоя. Поскольку в данном случае сдвиг частоты был сравним с шириной спектральных пиков, отложенное распознавание все же состоялось на уровне выше достоверного. Анализ весовых функций (рис. 14) показывает, что упомянутые два признака состояний действительно дают большой вклад в классификацию (стрелки wl и w2). Из хода функций также видно, что другим заметным дифференциальным признаком двух состояний является различие спектральной мощности в диапазоне 5-8 Гц, особенно в затылочных отведениях (стрелка w3).
Вклад ритмов тета- и альфа-диапазонов, коррелированных с эмоциями, памятью, вниманием и мотивацией
Эмоциональные процессы играют, по-видимому, одну из ключевых ролей в формировании характерных ритмических паттернов.
Результаты нескольких авторов свидетельствуют о том, что изменение эмоционального состояния приводит к перераспределению мощности частотных составляющих верхнего тета- и нижнего альфа-диапазонов. Так, И.Р. Ильюченок определила, что при положительных эмоциях происходит увеличение мощности ЭЭГ в полосе 7-7,5 Гц, а при отрицательных - в полосе 7,5-8 Гц (Ильченок, 1996). Наиболее выражены эти изменения оказались в центральных отведениях, но также были заметны в лобных и теменных отведениях. М.Б. Костюнина нашла, что эмоция радости приводит к повышению частоты главного пика альфа-ритма, в то время как эмоция горя - к ее понижению (Костюнина, 1998). Автор указывает, что «эмоция радости является стенической эмоцией, повышающей уровень активации мозга, а эмоция горя - астенической эмоцией, снижающей тонус коры. Соответственно, первая повышает частоту альфа-ритма, а вторая - понижает». Вообще, создается впечатление, что «яркие» эмоции приводят к общему повышению частоты ритмов ЭЭГ в тета- и альфа диапазонах, а «тяжелые» - к ее понижению.
Здесь нужно сказать, что, согласно самоотчету многих испытуемых, разные типы заданий получали у них разную эмоциональную окраску. Весьма типично, например, такое высказывание испытуемого после опыта: «Пространственные задачи решать интересно, а логические - трудно и скучно. В перерывах (между предъявлениями стимула) я ждал задачу с фигурами и испытывал досаду, когда на экране появлялись слова». При этом время решения и процент правильных решений были у этого человека примерно одинаковыми для двух типов заданий. Другим лицам, напротив, больше нравилось решать логические (или арифметические) задачи. Наконец, третьи говорили, что им было безразлично, какую задачу решать. Таким образом, изменения эмоционального фона в зависимости от типа задания были индивидуальны, но для некоторых людей весьма выражены. Усредненные спектры по крайне мере одного испытуемого (№5 в первой серии, рис. 10) демонстрируют последовательное изменение частоты и амплитуды главного альфа-пика в зависимости от типа задания. На основании «поведения» альфа-пика можно предположить, что в данном случае ожидание нового стимула было наименее интересным занятием. Решение арифметических задач вызывало больше энтузиазма и требовало большей мобилизации, а решение пространственных задач вызывало наибольший эмоциональный подъем и наибольшую общую активацию. Соответственно, амплитуда главного альфа-пика уменьшалась, а его частота - увеличивалась. Отметим, что наиболее выраженными эти процессы оказались в центральных и лобных отведениях, что согласуется с наблюдениями И.Р. Ильюченок.
Ритмы тета- и альфа-диапазонов, отражающие процессы памяти и внимания, как нам представляется, тоже играют большую роль в формировании характерных ритмических паттернов и в их классификации.
В соответствии с данными В. Климента, процессы внимания (а также активация процедурной памяти) находят свое отражения в изменении ритмов верхнего тета- и нижнего альфа-диапазонов, а активация семантической памяти - в изменении параметров ритмов верхнего альфа- и нижнего бета-диапазонов (Klimesch, 1997). На спектрах и весовых функциях некоторых испытуемых мы можем видеть эти процессы. Рассмотрим усредненные спектры испытуемого №3 из второй серии опытов (рис. 15). При решении пространственных задач можно наблюдать пик тета-ритма частотой 6,1 Гц во фронтальных, центральных и теменных отведениях, больше справа, чем слева (стрелка si). Также можно видеть появление двух пиков, имеющих частоты 7,9 Гц и 8,6 Гц и принадлежащих нижнему альфа-диапазону (стрелка s2). При решении вербально-логических задач наблюдается выраженный пик на частоте 9,8-9,9 Гц (стрелка s3). Этот пик наиболее заметен в центральных и теменных отведениях, также больше справа, чем слева. В правом задне-височном отведении (Т6) этот пик раздвоен на два пика: 9,1 Гц и 9,8 Гц. Эти результаты заставляют нас предположить, что у данного испытуемого решение пространственной задачи было (в большей степени) связано с процессами внимания и процедурной памяти, а решение вербальной задачи - с семантической обработкой. Тета ритм также связывают с влиянием лимбической системы на кору больших полушарий мозга (Симонов, 1981; Miller, 1991), поэтому тета-ритм 6,1 Гц на рис. 15 можно ассоциировать и с мотивационными процессами, которые у данного испытуемого оказались более выражены при решении пространственных задач.
В то же время у испытуемого, например, №2 из второй серии опытов (рис. 13) также можно видеть выраженные пики в альфа-диапазоне, совершенно различные по топографии и амплитуде при двух типах заданий, но напрямую связать эти пики с процессами памяти и внимания, как это сделано выше для испытуемого №3, затруднительно. F - band В - smooth fll 5.00 W0-3T.PSA Smooth 3 W0-3W.PSA Smooth Рис. IS (копия экрана, программа построения и анализа спектров). Усредненные спектры испытуемого №3 для двух ментальных состояний (вторая серия экспериментов). Красные кривые - вербально-логические задачи; зеленые - пространственные. Стрелки показывают основные спектральные признаки состояний, упомянутые в тексте. По оси ординат - спектральная плотность в мкВ2/Гц (от 0 до 200), по оси абсцисс - частота от 5 до 15 Гц.
Подробно рассматривая спектры и весовые функции испытуемых, можно для многих из них найти ритмические признаки процессов внимания, памяти, эмоций и мотивации. Спектральные характеристики разных индивидов сильно различаются между собой. На некоторых спектрах мы видим, скорее, отражение эмоциональных и общеактивационных процессов (например, исп. №№ 4 и 5 в первой серии), на других - в большей степени процессов внимания и памяти (например, исп. №3 во второй серии). Для каждого испытуемого характерен свой индивидуальный набор таких процессов (и, соответственно, спектральных признаков ЭЭГ в тега- и альфа-диапазонах). Этот набор также можно назвать «спектром» - спектром характерных неспецифических процессов, которые протекают в мозге испытуемого при выполнении им определенного типа когнитивных заданий. Эти «спектры неспецифических процессов», очевидно, отражают особенности индивидуальных схем вовлечения мотиваци-онньгх, эмоциональных ресурсов и ресурсов памяти и внимания, которые вырабатываются у каждого человека в ходе его развития. Конкретные схемы вовлечения означенных ресурсов окончательно формируются и приобретают устойчивый характер в ходе эксперимента, в процессе решения испытуемым многих сходных задач немногих типов.
Тонический характер процессов, отраженных в характерных ритмах. Преднастройка на определенный тип задания. «Рельсы и поезд»
Как было отмечено в конце раздела «Результаты», характерные ритмы носят тонический характер. Они устанавливаются на все время решения задачи и исчезают сразу по его завершении. Мы предполагаем, что тонический характер наблюдаемых нами ритмов отражает пролонгированный характер неспецифических процессов внимания, памяти, эмоций, мотивации. Психика испытуемого, как бы, настраивается на определенный лад, привычный при выполнении данного рода деятельности и обеспечивающий наибольшую эффективность этой деятельности. То, что мы здесь назвали «лад», и есть упомянутый в конце предыдущего параграфа «спектр характерных неспецифических процессов».
