СПОСОБ ИССЛЕДОВАНИЯ МОЗГОВОЙ АКТИВНОСТИ ПО ДАННЫМ ФМРТ Российский патент 2018 года по МПК A61B5/55 G06F19/00 

ОБЛАСТЬ ТЕХНИКИ

Изобретение относится к области медицины и нейронаукам, в частности к способу исследования мозговой активности по данным функциональной магнитно-резонансной томографии (фМРТ). Изобретение может быть использовано в качестве инструмента научных исследований при исследованиях нейрокогнитивного функционирования человека в норме и при различных заболеваниях посредством визуализации систем мозговой активности в ходе решения человеком различных когнитивных задач.

УРОВЕНЬ ТЕХНИКИ

Одной из самых важных проблем картирования мозга и нейровизуализации когнитивного функционирования человека является отсутствие формального метода (и соответствующих компьютерных средств) непосредственной интеграции экспериментальных данных в единой модели. Существующие методы позволяют визуализировать мозговую активность лишь в ходе выполнения человеком отдельных задач, но при этом всегда актуализируется сразу комплекс взаимосвязанных когнитивных процессов. Не существует такой когнитивной задачи, для решения которой, например, потребовалась бы исключительно только память без актуализации процессов восприятия, принятия решения и контроля, осознания и эмоциональной оценки. В результате оказывается, что и визуализируется всегда сразу смесь нескольких различных систем активности мозга, а вычленение отдельных процессов является уже сложной «метазадачей», решаемой путем попарного перебора и сопоставления результатов визуализации для соответствующих задач. Между тем потребность в разделении сигналов фМРТ выражена в предложении различных методов, которые, однако, не решают основную проблему визуализации.

Так из уровня техники - US 2001031917 А1 (МПК А61В 5/05; опубл. 18.10.2001) известен способ анализа фМРТ сигнала для формирования нелинейной функции, позволяющий разделить сигнал на две части, одна из которых может считаться полезным сигналом, а другая - шумом. При этом также предполагается, что мозговая активность, регистрируемая по сигналу фМРТ, может быть составной, содержать реакцию на следующий стимул, которая может накладываться на реакцию предыдущего стимула. Иными словами, метод направлен на визуализацию реакции сразу на несколько стимулов, предъявление которых перекрывается по времени. При этом, однако, предполагается выделять сигналы для отдельных вокселей или заранее выделенных мозговых локусов области интереса. Кроме того, выделение базисных векторов, описывающих мозговую активность при выполнении разных задач в данном способе используется не для визуализации системы мозговой активности, а только для выявления бинарной функции отсечения "активных" и "неактивных" вокселей с локальной целью моделирования сложной функции, описывающей мозговую активность при одновременном действии нескольких стимулов в каждом отдельном вокселе.

Из уровня техники - US 9072496 В2 (МПК А61В 5/00; опубл. 07.07.2015) известны система и способ анализа фМРТ изображений, который включает сбор 4-D данных для испытуемого и вычисления корреляционной матрицы по временному ряду между всеми вокселями мозга с целью последующего анализа значимости корреляций и использования бинарной матрицы для кластеризации и построения классификатора объединенных данных (по испытуемым и функциональным нагрузкам). Однако данный способ решает именно задачу классификации, а не выделение систем и визуализацию их мозговой активности.

Технической проблемой является:

создание способа исследования мозговой активности, который позволяет по данным фМРТ получить данные, отражающие: а) выполнение человеком ряда когнитивных задач, формирующих различные функциональные мозговые системы и б) мозговое распределение (трехмерную визуализационную карту) активности для каждой из выделенных функциональных систем.

РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

Технический результат, достигаемый при использовании изобретения, заключается в обеспечении возможности одновременной характеристики функциональных мозговых систем, соответствующих элементарным когнитивным процессам, и интерпретации этих функциональных мозговых систем с точки зрения участия в когнитивном функционировании. Заявляемый способ позволяет выявить взаимосвязи изменения активности каждого конкретного вокселя (локуса) мозга не только с изменением нагрузки в соответствующих когнитивных тестах, но и с активностью других вокселей (локусов) мозга, что в свою очередь позволяет выделить с помощью факторного анализа базовые составляющие, которые можно рассматривать как элементарные функциональные мозговые системы.

Технический результат достигается за счет способа исследования мозговой активности, включающего

- фМРТ регистрацию мозговой активности в процессе решения объектом исследования по меньшей мере трех задач, предназначенных для исследования определенных факторов с использованием различных стимулов, и получение серии изображений значений MP-сигнала во времени по каждой задаче;

- очистку полученных изображений от артефактов и приведение их к стандартному виду;

- формирование на основе обработанных изображений двумерной пространственно-временной матрицы значений интенсивностей (Z) МР-сигнала с нормализацией ее значений, при этом каждый столбец матрицы характеризует определенный воксель мозга, а каждая строка характеризует данные, полученные при очередном сканировании мозга в ходе решения объектом исследования определенной задачи;

- факторизацию полученной матрицы средствами факторного анализа, в процессе которой вычисляют матрицу коэффициентов корреляции R по всем строкам нормализованной матрицы интенсивностей, после чего определяют ее собственные значения и собственные вектора, на основе которых формируют матрицу факторных нагрузок (А);

- ортогональное вращение матрицы факторных нагрузок (А) различными способами с целью, например, найти простую структуру данных или привести к заранее заданному виду и получить матрицу A(rot), характеризующую динамику каждого фактора во времени по каждой задаче, и содержательную интерпретацию факторов в качестве отдельных независимых элементарных психических процессов, задействованных при решении предъявленных задач;

- получение матрицы факторных значений Р на основе матрицы значений интенсивности (Z) и матрицы факторных нагрузок после вращения A(rot), которая характеризует локализацию каждого фактора в пространстве мозга и по которой судят о мозговом составе данной функциональной системы (задействованных локусов мозга), обеспечивающих элементарные психические (нейрокогнитивные) процессы, включенные в решение исходных задач;

- получение линейной математической модели, представляющей собой нейровизуализационную модель, отражающую сформированные функциональные мозговые системы, обеспечивающие выполнение человеком соответствующего ряда когнитивных задач.

Задачи, решаемые объектом исследования, обеспечивают возможность задействования нескольких различных психических процессов объекта исследования.

Нормализацию возможно осуществить по всем задачам одновременно или по каждой задаче отдельно, при этом в процессе нормализации определяют среднее арифметическое значение соответственно по каждому столбцу матрицы интенсивности или каждому столбцу каждой задачи, после чего полученное значение вычитают из соответствующих значений интенсивностей этого же столбца.

Двумерную пространственно-временную матрицу возможно оптимизировать посредством удаления неинформативных вокселей, характеризуемых критической величиной дисперсии и их анатомическим расположением.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

На фиг. 1 и 2 изображены схемы, иллюстрирующие заявляемый способ.

Обозначения на фиг. 1 и 2 означают следующее:

n - количество столбцов в матрице, равное числу анализируемых вокселей мозга;

k - число выделяемых факторов;

m - количество строк в матрице, равное произведению числа сканов фМРТ в одной задаче, на число задач;

Z - исходная матрица;

Z' - транспонированная исходная матрица;

А - матрица факторных нагрузок;

А' - транспонированная матрица факторных нагрузок;

N - количество экспериментальных задач;

A(rot) - матрица, полученная после ортогонального вращения матрицы факторных нагрузок (А);

Р - матрица значений факторов;

R - матрица коэффициентов корреляции.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

Под термином «задача» в данной заявке понимается: 1) отраженная в сознании или объективированная в знаковой модели проблемная ситуация, содержащая данные и условия, которые необходимы и достаточны для ее разрешения наличными средствами знания и опыта; 2) форма структурирования и представления экспериментального материала в исследованиях процессов познания и практической деятельности.

Под термином «фактор» в данной заявке понимается понятие математической статистики, означающее общую причину многих случайных изменений совокупности величин переменных, событий и пр. Фактор интерпретируют как отдельный независимый элементарный психический (нейрокогнитивный) процесс, задействованный при решении предъявленных задач, например восприятие определенного типа изображения, извлечение из памяти зрительного образа и т.п.

Под термином «факторный анализ» в данной заявке понимается многомерный метод, применяемый для изучения взаимосвязей между значениями переменных. Предполагается, что известные переменные зависят от меньшего количества неизвестных переменных и случайной ошибки. Факторный анализ позволяет решить две важные проблемы исследования: описать объект измерения всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых переменных - факторов, отвечающих за наличие линейных статистических корреляций между наблюдаемыми переменными (URL: https://ru.wikipedia.org/wiki/%D0%A4%D0%B0%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7). Факторный анализ - математико-статистический метод, который позволяет найти искомую систему психических (нейрокогнитивных) процессов, скрытых от непосредственного наблюдения, которые задействованы при решении человеком соответствующих задач.

Под термином «содержательная интерпретация» в данной заявке понимается научная интерпретация, в которой модель является теоретической и объяснение представляет собой характеристику действительности.

Под термином «стимул» в данной заявке понимается: 1) воздействие, обусловливающее динамику психических состояний индивида и находящееся с ней в причинно-следственных отношениях; 2) это побуждение, эффект которого опосредствован психикой человека, его взглядами, чувствами, настроением, интересами, стремлениями и т.д. В эксперименте задается в виде зрительных, слуховых, тактильных и др. воздействий. В качестве стимулов могут выступать отдельные предметы, действия других людей, обещания, носители обязательств и возможностей, предоставляемые возможности и многое другое, что может быть предложено человеку в компенсацию за его действия или что он желал бы получить в результате определенных действий.

Модальность (по отношению к стимулам) - воспринимаемых определенными органами чувств (зрением, слухом, осязанием, на вкус, по запаху).

Под термином «стандартный вид» в данной заявке понимается такая ориентация и масштаб получаемых в эксперименте изображений (срезов) мозга, которая наилучшим образом совпадает с соответствующим изображением (срезом) определенного атласа мозга (обычно используют атлас MNI или атлас Талейраха (https://en.wikipedia.org/wiki/Talairach_coordinates)).

Основная идея предлагаемого подхода заключается в том, чтобы специальным образом объединить показатели мозговой активности (по фМРТ данным) при выполнении человеком системы когнитивных задач и построить векторную многомерную модель. В результате выявляются взаимосвязи изменения активности каждого конкретного вокселя (локуса) мозга не только с изменением нагрузки в соответствующих когнитивных тестах (например, при блочной экспериментальной парадигме), но и с активностью других вокселей (локусов) мозга. Предлагается для объединенной матрицы данных использовать Q-технику факторного анализа, когда выделяются факторы, описывающие корреляцию BOLD-сигнала (Blood-oxygen-level dependent contrast imaging, https://en.wikipedia.org/wiki/Blood-oxygen-level_dependent) не по времени (сканам), а по пространственному распределению (в отличие от обычной R-техники входная матрица при этом транспонируется). Тогда размерность получаемой корреляционной матрицы достаточно мала, равна числу временных срезов (по всем тестам совместно), но пространственную характеристику выделяемых факторов можно восстановить, вычислив значения факторов. Это позволит (при включении в экспериментальные данные некоторых особых тестов) в одном алгоритме решить сразу несколько взаимосвязанных задач - выделить факторы, описывающие физиологический шум и факторы, описывающие выполнение человеком определенных задач. Но для этого необходимо особым образом подготовить исходные данные. Невозможно прямо вычислять коэффициенты корреляции изменения сигнала по пространству мозга (трехмерный массив МРТ-данных всегда можно представить в виде линейной последовательности) между разными сканами (срезами по времени), поскольку все они будут очень большими, поскольку различия интенсивности сигнала для разных областей мозга существенно больше, чем различия в изменении BOLD-сигнала для одной и той же области мозга. Однако это можно скорректировать посредством вычитания из исходного сигнала по каждому отдельному вокселю среднего арифметического по всему исследуемому диапазону временных срезов, как это было бы сделано автоматически при вычислении корреляций между вокселями при использовании стандартного факторного анализа (R-техники). Кроме того, обычно алгоритмы выделения составляющих (в частности, ICA) применяются в пределах одной экспериментальной сессии, сопоставление полученных результатов для разных когнитивных задач происходит уже после выделения нужных компонент другими методами - с использованием атласов и статистики в выделенных областях интересов. В заявляемом же методе предлагается объединить в единый массив все первичные фМРТ данные, полученные в ходе выполнения человеком специально подготовленного набора различных когнитивных задач. Это становится возможным как раз благодаря предлагаемой технологии, поскольку все задачи решаются одним и тем же человеком, то и все анатомические характеристики его мозга остаются относительно постоянными для различных экспериментальных серий (пространственная размерность данных одинакова). Поэтому временные срезы (сканы) при выполнении человеком разных задач в разных сериях (включая и периоды «покоя») с использованием простого блочного дизайна могут быть прямо объединены в один массив данных. Тогда матрица корреляций будет содержать не только информацию о взаимосвязанных изменениях BOLD-сигнала внутри одной задачи, но и между всем набором задач. При этом, конечно, размерность данных может существенно возрасти, но все равно предлагаемый алгоритм сможет осуществить его анализ достаточно быстро.

В этом отношении получаемое решение можно прямо сопоставить с компонентами, выделяемыми методов ICA (Independent Component Analysis -анализ независимых компонент), который широко используется в том числе и для анализа отдельных фМРТ данных (для описания связей между разными вокселями мозга) с целью удаления артефактов и выявления «resting state» систем (https://en.wikipedia.org/wiki/Resting_state_fMRI). В заявляемом методе в отличие от метода независимых компонент (ICA), получается ортогональная модель, размерность которой может быть оценена статистически и применена сразу ко всем задачам. Другим важным преимуществом такого метода по сравнению с ICA является возможность вращения системы координат для достижения более предпочтительного решения. В этом отношении могут быть использованы эффективные алгоритмы, применяемые в некоторых методах очистки фМРТ сигнала от физиологического шума: вращение на основании заранее известного пространственного паттерна (Perlbarg et al., 2007) и/или анализа пространственно-временных качеств (Tohka et al., 2008; De Martino et al., 2007).

Основы предлагаемого способа:

1) на получении данных фМРТ для нескольких (не менее трех) различных экспериментальных серий при выполнении испытуемым соответствующих когнитивных задач в стандартной блоковой парадигме исследования (при которой чередуются периоды тестирования и покоя);

2) на использовании для получения фМРТ данных специального набора когнитивных задач, включая некоторые особые тесты, например задачу гипервентиляции легких, для целей автоматического определения факторов, связанных с физиологическими процессами, которые в контексте данного метода являются шумом;

3) на объединении первичных фМРТ данных разных экспериментальных серий в общую двумерную пространственно-временную матрицу первичных данных;

4) на специальной нормализации исходных данных, в частности, путем вычитания из исходного сигнала по каждому отдельному вокселю среднего арифметического либо по всему исследуемому диапазону временных срезов, либо по каждой отдельной серии;

5) на применении Q-техники факторного анализа с оценкой необходимой размерности полученного нормализованного массива данных;

6) на применении как стандартных приемов, нацеленных на поиск простой структуры данных, например метод варимакс (varimax), так и специальных способов вращения полученного факторного решения: вращение на основании заранее известного пространственного паттерна и/или анализа пространственно-временных качеств;

7) на возможности содержательной интерпретации получаемой векторной модели, которая формально характеризует одновременно два аспекта:

а) функциональные мозговые системы, формирующиеся при решении человеком данного набора когнитивных задач по пространственной локализации, отражаемой в вычисляемых значениях выделенных факторов, и

б) составляющие когнитивных процессов на основе величин факторных нагрузок по соответствующим экспериментальным сериям, поскольку будет возможно формально оценить вклад каждой из выделенных составляющих (факторов) в выполнение той или иной задачи.

Функциональные мозговые органы субъекта деятельности образуются прижизненно, они являются носителями умения выполнять некую деятельность и отвечают за ее возникновение и протекание. Данное понятие под варьирующими названиями («физиологические органы нервной системы», «функциональные органы мозга», «мозговые органы», «функциональные мозговые системы» и др.) использовалось и развивалось в отечественной физиологии активности и психологической теории деятельности - в работах А.А. Ухтомского, Н.А. Бернштейна, А.В. Запорожца, А.Р. Лурия, А.Н. Леонтьева, П.Я. Гальперина; Л.С. Выготский пользовался аналогичным понятием - «психологическая функциональная система».

Пример реализации способа.

Способ исследования мозговой активности включает регистрацию BOLD-сигнала фМРТ (например, в стандартной блочной парадигме) мозговой активности в процессе решения объектом исследования по меньшей мере трех задач с использованием стимулов (внешних раздражителей, воспринимаемых органами чувств объекта исследования) и получении серии изображений по времени по каждой задаче. Предпочтительно, чтобы при получении первичных данных использовались, по-возможности, большее число различных тестовых нагрузок, как можно более полно задействующих комплекс исследуемых когнитивных процессов. Задачи и стимулы формируются, учитывая возможность задействовать несколько различных психических процессов.

В фМРТ эксперименте (в томографе от 1.5 Т и выше) был использован набор задач, связанных с вероятностным прогнозированием - осуществлением процесса выбора оптимума среди множества альтернатив. Для этого испытуемому (объекту исследования) была предъявлена квазислучайная последовательность из трех цифр (1-3) в трех задачах.

В задаче 1 (собственно, прогнозирование) испытуемому требуется нажать клавишу с той цифрой, которая, по его мнению, должна была бы следовать за предъявляемым стимулом. В качестве контрольных используются задачи на память и восприятие.

Задача 2 на память представляет классический тест 1-back, когда испытуемый должен запоминать предъявляемые цифры и нажимать клавишу, если предъявляемая в данный момент цифра совпала с той, что была через одну до нее.

В задаче 3 на восприятие требуется просто нажимать на клавишу с той цифрой, которая предъявлялась в данный момент.

В итоге для каждой из задач в соответствии с блочной парадигмой фМРТ исследования получен массив из 50 наборов (сканов, k=50), каждый из которых содержит по 33 Т2* изображения (среза) мозга, в которых отражается интенсивность BOLD-сигнала. Каждый срез представляет собой плоскостное изображение мозга размерностью 64×64 (размерность определяется параметрами фМРТ и представляет собой разрешение устройства в этом режиме). При этом сканы чередуются: в течение пяти сканов происходит выполнение соответствующей задачи, а в течение следующих пяти сканов - отдых, затем опять такая последовательность повторяется. Далее используют очистку изображений от различных артефактов и приведение к стандартному виду в соответствии с выбранным атласом мозга обычными средствами (чаще всего используются пакеты программ FSL или SPM). Убираются типичные артефакты, связанные как с техническими погрешностями, так и с нежелательными движениями объекта исследования. Предварительная стандартизация ориентации получаемых изображений мозга путем поиска поворота изображения к эталонному (по атласу мозга) позволяет в дальнейшем сопоставлять результаты анализа с другими данными. В итоге остается тот же по размеру набор данных, но в нем каждое изображение уже приведено к стандартному виду (см. фиг. 1).

Затем на основе полученных изображений формируют двумерную пространственно-временную матрицу значений интенсивности MP сигнала, в которой каждый столбец характеризует определенный воксель мозга и содержит значения интенсивности BOLD-сигнала во всех временных срезах (сканах) и задачах, а каждая строка характеризует данные, полученные при очередном сканировании мозга в ходе решения испытуемым определенной задачи. При этом осуществляют оптимизацию и нормализацию (см. фиг. 1) значений по каждому столбцу этой матрицы, которая может осуществляться несколькими способами: 1) путем вычитания из каждого значения среднего арифметического по всему столбцу (т.е. общего среднего по всем задачам), либо 2) путем вычитания из каждого значения среднего арифметического по каждому временному блоку, соответствующему отдельной задаче (что позволяет выровнять условие активности данного вокселя в различных задачах). В ходе оптимизации вычисляют также дисперсии (стандартные отклонения) значений для каждого вокселя (по каждой задаче отдельно либо в целом) и в соответствии с заданным порогом значимости из дальнейшего анализа исключают воксели с незначительной дисперсией (например, в 5% от общей дисперсии всех данных). Также для целей оптимизации могут исключаться воксели, располагающиеся вне мозговых структур, представляющих интерес для исследования (вне головы испытуемого либо в тканях тела, не относящихся к мозгу). Для целей нормализации возможно также нормирование (деление всех значений) на соответствующее стандартное отклонение каждого вокселя в отдельности. В целом нормализацию осуществляют либо по каждой задаче отдельно, либо по всем одновременно.

В данном примере к исследованию была подготовлена матрица обработанных изображений, содержащая n=64*64*33=135168 столбцов и m=50*3=150 строк. Полученную матрицу нормализовали с применением первого типа нормализации. Для этого в полученной матрице определили среднее арифметическое значений каждого столбца по каждой из трех задач отдельно. После этого из значений в соответствующих столбцах матрицы вычли полученное среднее арифметическое. Полученные в результате нормализации и редукции - откидывания вокселей с небольшой дисперсией (менее 5% от общей дисперсии) - данные были сформированы в двумерный массив - матрицу относительных интенсивностей.

Далее эту матрицу факторизуют путем вычисления собственных значений и собственных векторов (для этой цели может применятся алгоритм разложения по сингулярным числам) (http://ru.wikipedia.org/wiki/%D0%90%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC_%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%81%D0%BE%D0%B1%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B%D1%85_%D0%B7%D0%BD%D0%B0%D1%87%D0%B5%D0%BD%D0%B8%D0%B9 и https://ru.wikipedia.org/wiki/%D0%A1%D0%B8%D0%BD%D0%B3%D1%83%D0%BB%D1%8F%D1%80%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D0%B7%D0%BB%D0%BE%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5).

В процессе факторизации вычисляют матрицу коэффициентов корреляции R (размерность которой определяется суммарным числом всех временных срезов (m=150 на фиг. 2)) по всем строкам нормализованной матрицы интенсивностей. На основе собственных значений осуществляют количественную оценку факторной размерности (k, на фиг. 2), которая характеризует число задействованных в процессе исследования элементарных психических (нейрокогнитивных) процессов. В данном примере было выделено 3 фактора.

На основе матрицы собственных векторов и собственных значений получают матрицу факторных нагрузок (А, на фиг. 2), которую подвергают процедуре ортогонального вращения с получением A(rot) - матрицы факторных нагрузок после вращения, которая содержит искомые составляющие когнитивных процессов (фиг. 2). Для этого возможно применение как стандартных (для поиска простой структуры данных, например, метод varimax/варимакс), так и специальных способов вращения на основании заранее известного пространственного паттерна. В данном примере использовался алгоритм varimax.

При этом каждый фактор интерпретируют как отдельный независимый элементарный психический (нейрокогнитивный) процесс, задействованный при решении предъявленных задач. Поскольку матрица A(rot) характеризует динамику каждого фактора во времени по каждой задаче, то на этой основе возможно осуществить содержательную интерпретацию данных факторов. Например, в задаче исследования вероятностного прогнозирования, памяти и восприятия, нагрузки на один из выделенных факторов по временным срезам оказались больше для задачи прогнозирования, а их изменение по сканам внутри задачи воспроизводило экспериментальную блочную парадигму, т.е. соответствовала моментам выполнения задачи и состояния покоя. В то же время для других задач нагрузки по этому фактору были незначительными. Тогда данный фактор можно интерпретировать как систему выдвижения и проверки гипотез. В это же время другой фактор имел высокие нагрузки только при решении испытуемым задачи удержания в памяти и узнавания предъявленной цифры с аналогичной динамикой. Третий фактор оказался связан с восприятием предъявляемых цифр. Динамика факторных нагрузок этого фактора была больше в третьей задаче, но присутствовала и в первых двух, поскольку там также предъявлялись зрительные стимулы.

Далее по исходной матрице (Z на фиг. 2) и полученной после вращения матрице факторных нагрузок (A(rot) на фиг. 2) вычисляют матрицу значений факторов (Р, на фиг. 2). Матрица Р характеризует локализацию каждого фактора в пространстве мозга, что позволяет определить состав мозговых структур (по соответствующему атласу, в данном примере использовался атлас Талейраха), обеспечивающих элементарные психические (нейрокогнитивные) процессы, задействованные при решении исходных задач.

Полученные результаты - матрицы A(rot) и Р - сохраняют в форме, удобной для дальнейшего использования: в виде цифровых значений, позволяющих осуществить системную визуализацию исследуемых процессов, т.е. построить для каждого фактора (элементарного нейрокогнитивного процесса): 1) график изменения значений по времени и задачам, который характеризует системный вклад каждого из выделенных элементарных процессов в решение той или иной задачи (нужен пример с выводами); 2) мозговую карту активности, которая после сопоставления с атласом позволяет идентифицировать систему (состав) мозговых структур, обеспечивающих работу данного элементарного нейрокогнитивного процесса.

Так, в нашем примере вычисление значений факторов позволило определить мозговую локализацию соответствующих систем. Например, система вероятностного прогнозирования (фактор 1) состоит в основном из следующих синхронно работающих структур, перечисленных в порядке своего вклада в систему: Right Midbrain, Right Inferior Frontal Gyrus, Left Superior Temporal Gyrus, Left Parahippocampal Gyrus, Right Posterior Cingulate, Right Parahippocampal Gyrus, Left Brodmann area 47, Left Orbital Gyrus, Right Brodmann area 25, Right Temporal Lobe Sub-Gyral, Right Brodmann area 30, Left Putamen, Left Amygdala, Left Brainstem, Right Cingulate Gyrus, Left Cerebellum. По-видимому, эта система оценивает эффективность предыдущего прогноза и коррекцию следующей гипотезы, что согласуется с имеющимися данными о наличии базовой модели принятия решений, состоящей из двух взаимодействующих схем: оценки возможных альтернатив и выбора из них оптимального варианта. В других задачах активность этой системы была в четыре раза меньше.

Таким образом, предложенный способ позволяет по данным фМРТ соединить в единой системе (нейровизуализационной модели) данные, отражающие: а) выполнение человеком ряда когнитивных задач, формирующих различные функциональные мозговые системы, и б) мозговое распределение (трехмерную визуализационную карту) активности для каждой из выделенных функциональных систем, а также 1) выявить взаимосвязи изменения активности каждого конкретного вокселя (локуса) мозга не только с изменением нагрузки в соответствующих когнитивных тестах, но и с активностью других вокселей (локусов) мозга и 2) выделить с помощью факторного анализа базовые составляющие, которые можно рассматривать как элементарные функциональные мозговые системы.

Изобретение относится к области медицины, в частности к способам исследования мозговой активности. Способ исследования мозговой активности включает функциональную МРТ регистрацию мозговой активности в процессе решения объектом исследования по меньшей мере трех задач, предназначенных для исследования определенных факторов с использованием различных стимулов, и получение серии изображений значений MP-сигнала во времени по каждой задаче, очистку полученных изображений от артефактов и приведение их к стандартному виду, формирование на основе обработанных изображений двумерной пространственно-временной матрицы значений интенсивностей (Z) МР-сигнала с нормализацией ее значений, при этом каждый столбец матрицы характеризует определенный воксель мозга, а каждая строка характеризует данные, полученные при очередном сканировании мозга в ходе решения объектом исследования определенной задачи, факторизацию полученной матрицы средствами факторного анализа, в процессе которой вычисляют матрицу коэффициентов корреляции R по всем строкам нормализованной матрицы интенсивностей, после чего определяют ее собственные значения и собственные вектора, на основе которых формируют матрицу факторных нагрузок (А), ортогональное вращение матрицы факторных нагрузок (А) и получение матрицы A(rot), характеризующей динамику каждого фактора во времени по каждой задаче, и содержательную интерпретацию факторов в качестве отдельных независимых элементарных психических процессов, задействованных при решении предъявленных задач, получение матрицы факторных значений Р на основе матрицы значений интенсивности (Z) и матрицы факторных нагрузок после вращения A(rot), которая характеризует локализацию каждого фактора в пространстве мозга и по которой судят о мозговом составе данной функциональной системы, обеспечивающих элементарные психические процессы, включенные в решение исходных задач, получение линейной математической модели, представляющей собой нейровизуализационную модель, отражающую сформированные функциональные мозговые системы, обеспечивающие выполнение человеком соответствующего ряда когнитивных задач. Использование изобретения позволяет проводить одновременную характеризацию и интерпретацию функциональных мозговых систем. 3 з.п. ф-лы, 2 ил.

1. Способ исследования мозговой активности, включающий

- функциональную МРТ регистрацию мозговой активности в процессе решения объектом исследования по меньшей мере трех задач, предназначенных для исследования определенных факторов с использованием различных стимулов, и получение серии изображений значений MP-сигнала во времени по каждой задаче;

- очистку полученных изображений от артефактов и приведение их к стандартному виду;

- формирование на основе обработанных изображений двумерной пространственно-временной матрицы значений интенсивностей (Z) МР-сигнала с нормализацией ее значений, при этом каждый столбец матрицы характеризует определенный воксель мозга, а каждая строка характеризует данные, полученные при очередном сканировании мозга в ходе решения объектом исследования определенной задачи;

- факторизацию полученной матрицы средствами факторного анализа, в процессе которой вычисляют матрицу коэффициентов корреляции R по всем строкам нормализованной матрицы интенсивностей, после чего определяют ее собственные значения и собственные вектора, на основе которых формируют матрицу факторных нагрузок (А);

- ортогональное вращение матрицы факторных нагрузок (А) и получение матрицы A(rot), характеризующей динамику каждого фактора во времени по каждой задаче, и содержательную интерпретацию факторов в качестве отдельных независимых элементарных психических процессов, задействованных при решении предъявленных задач;

- получение матрицы факторных значений Р на основе матрицы значений интенсивности (Z) и матрицы факторных нагрузок после вращения A(rot), которая характеризует локализацию каждого фактора в пространстве мозга и по которой судят о мозговом составе данной функциональной системы, обеспечивающих элементарные психические процессы, включенные в решение исходных задач;

- получение линейной математической модели, представляющей собой нейровизуализационную модель, отражающую сформированные функциональные мозговые системы, обеспечивающие выполнение человеком соответствующего ряда когнитивных задач.

2. Способ по п. 1, характеризующийся тем, что задачи, решаемые объектом исследования, обеспечивают возможность задействования нескольких различных психических процессов объекта исследования.

3. Способ по п. 1, характеризующийся тем, что нормализацию осуществляют по всем задачам одновременно или по каждой задаче отдельно, при этом в процессе нормализации определяют среднее арифметическое значение соответственно по каждому столбцу матрицы интенсивности или каждому столбцу каждой задачи, после чего полученное значение вычитают из соответствующих значений интенсивностей этого же столбца.

4. Способ по п. 1, характеризующийся тем, что двумерную пространственно-временную матрицу оптимизируют посредством удаления неинформативных вокселей, характеризуемых критической величиной дисперсии и их анатомическим расположением.