автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Разработка алгоритмов, методов и средств исследования нейронных ансамблей высокой специфичности

РГЗ од

2 4 НОЯ '007

На правах рукописи

МАРКИН СЕРГЕЙ НИКОЛАЕВИЧ

РАЗРАБОТКА АЛГОРИТМОВ, МЕТОДОВ И СРЕДСТВ ИССЛЕДОВАНИЯ НЕЙРОННЫХ АНСАМБЛЕЙ ВЫСОКОЙ СПЕЦИФИЧНОСТИ

05.13.16 - применение вычислительной техники, математического моделирования и математических методов в научных исследованиях

. Автореферат диссертации на соискание ученой степени кандидата технических наук

Ростов-на-Дону 1997

Работа выполнена в НИИ нейрокибернетики им. А.Б. Когана Ростовского государственного университета

Научные руководители:

доктор физико-математических наук Дунин-Барковский ВЛ. кандидат биологических наук Подладчикова Л.Н.

Официальные оппоненты:

доктор физико-математических наук Горбань А.Н. доктор технических наук Чернухин Ю.В.

Ведущая организация: •

Институт математических проблем биологии РАН (г. Пущино-на-Оке Московской области)

Защита состоится /У • декабря 1997 г. в /0 часов на заседании диссертационного совета К063.52.12 по физико-математическим и техническим наукам в .Ростовском госуниверситете по адресу : 344090, г. Ростов-на-Дону, пр. Стачки, 200/1, корпус 2, Вычислительный центр РГУ.

С диссертацией можно ознакомиться в научной библиотеке РГУ по адресу: ул. Пушкинская, 148.

Автореферат разослан

■ж.

ноября 1997 г. :

Ученый секретарь диссертационного совета,

кандидат физико-математических наук Муратова Г.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Прогресс в получении новых данных в ' нейробиологии в значительной мере связан с применением адекватных вычислительных средств, алгоритмов и методов, поскольку с развитием вычислительной техники появляется возможность решать более сложные задачи, ранее недоступные для исследования. Широкое применение компьютерного анализа данных и автоматизации эксперимента цало мощный толчок в разработке новых методик проведения экспериментов, получению результатов на качественно новом /ровне и развитию теоретических исследований в области искусственного интеллекта [1,2, 6-8].

Одной из наиболее изученных структур мозга позвоночных является мозжечок, орган формирования и хранения основной массы деталей всех двигательных программ. В силу относительной полноты описания структуры и функций, регулярности и однородности строения, он также лидирует в качестве объекта теоретических исследований, проводимых с помощью методов математического моделирования и направленных на разработку товых вычислительных средств общего и специального газначения [4, 9-14].

Вместе с тем, центральная проблема экспериментальных и теоретических исследований мозжечка - понимание роли лианных юлокон (уникальный элемент мозжечка, вызывающий мощное юзбуждение его нейронов) в механизмах переработки информации - остается нерешенной и является предметом многих ипотез [4, 9, 11, 14], среди который наибольшую известность толучила гипотеза БрцндДи-Марра-Олбуса об обучающей роли шанных волокон. Однако эта гипотеза с * определенностью не зерифицирована в эксперименте.

Для принципиального решения этой проблемы было 7редложено проведение исследований на клетках Пуркинье выходные нейроны мозжечка), управляемых одним и тем же шанным волокном [10]. Группы таких клеток определены в >аботе как' ансамбли высокой специфичности. Несмотря на ¡есспорные данные о наличии таких ансамблей и интенсивные !ССледован:1Я коры мозжечка, регистрации электрической исгивности пар клеток Пуркинье с общим лианным волокном до гастоящего времени не получено. Это связано, очевидно, с

чрезвычайно низкой > вероятностью их обнаружения пр] случайном поиске, порядка 10~5 [10, 11]. Разработк компьютеризированных методов поиска указанных пар клето; может существенно увеличить его эффективность и соответственно, обеспечить продвижение в решении центрально! проблемы экспериментальных и теоретических исследования мозжечка.

Цель и задачи исследования. Цель работы состояла разработке и исследовании алгоритмов, методов и средст увеличения эффективности поиска нейронных ансамбле] высокой специфичности в нейрофизиологических эксперимента) Работа была направлена на разработку методов и аппаратнс программного комплекса, обеспечивающих идентификацию исследование локальных потенциалов, которые могут отражат действие одного лианного волокна на две разные клетк Пуркинье.

В процессе работы решались следующие задачи:

1. Разработка и исследование алгоритмов и методо идентификации высокоамплитудных (референтный импульс) низкоамплитудных (тестовый потенциал) сигналов с учето! специфических свойств электрической активности объект исследований.

2. Разработка и исследование алгоритмов и методов анализ взаимосвязи унитарных (отдельные импульсы) и сложны

. (временные последовательности импульсов) событий. 3/Программная реализация разработанных методов и алгоритмо! 4. Оценка эффективности разработанной техники при обработк данных нейрофизиологических экспериментов.

Научная новизна исследования. Разработаны и исследован оригинальные алгоритмы идентификации импульсной актйвност нейронов мозжечка (простые и сложные импульсы) и анализ взаимосвязи между отдельными импульсами и их временным последовательностями. Алгоритм идентификации отдельны импульсов основан на определении фронта наиболее стабильны компонент и периода рефрактерности, построени признакового описания и его модификации в соответствии динамикой параметров активности, Алгоритм идентификаци сложных событий основан на формировании дополнительны логических условий к последовательностям референтных тестовых импульсов и позволяет анализировать активное!

[ескольких (до 11 в программно реализованной версии) дновременно зарегистрированных потоков импульсации [ейронов.

Разработан и исследован комплекс алгоритмов щентификации локальных низкоамплитудных потенциалов (в 50 раз ниже уровня шума). Получена оценка эффективности лгоритмов, основанных на усреднении референтных и тестовых отенциалов и ряде методов увеличения достоверности езультатов.

Использование разработанной техники позволило увеличить ффективность поисковых нейрофизиологических экспериментов. ! частности, реализация метода суммации потенциалов инхронно с импульсами референтной клетки Пуркинье мозжечка ала возможность уменьшить время проведения эксперимента и бнаружить полевые низкоамплитудные потенциалы, которые оответствуют априорно сформулированным критериям егистрации активности двух разных концевых ветвей одного ианного волокна, одна из которых действует на референтную летку Пуркинье.

Научная и практическая ценность работы. . Разработанные алгоритмы и методы анализа данных позволяют проводить нейрофизиологические эксперименты нового типа, направленные на обнаружение редких событий (априорная вероятность порядка 10"5).

С помощью разработанной техники впервые получены регистрации локальных потенциалов, удовлетворяющих критериям активности пар клеток Пуркинье с обшим лианным волокном. Такие потенциалы могут отражать активность ансамблей высокой специфичности, представляющих собой адекватный объект для верификации различных гипотез о роли лианных волокон в процессах двигательного обучения. Программная реализация разработанных алгоритмов и методов обеспечивает проведение поисковых исследований в режиме on-line и модификацию эксперимента в ходе его проведения в соответствии с результатами анализа текущих данных. Это увеличивает эффективность поиска и дает возможность обнаружения искомых редких событий практически в каждом эксперименте.

Результаты работы использованы при выполнении проектов РОСТ-Н-85 и РОСТ-Н-104 по программе "Перспективные

информационные технологии", грантов РФФИ N 94-04-11126 и N 97-04-48324, гранта МНФ и Правительства РФ N 14Е100. 5. Возможность модификации и настройки параметров программ позволяет использовать их для обработки электрической активности различных структур мозга. Разработанный пакет программ был использован в НИИ нейрокибернетики РГУ для анализа активности нейронов зрительной коры.

Апробация работы. Результаты исследований представлены на "Втором международном симпозиуме по нейроинформатике и нейрокомпьютерам" в 1995 г. (Ростов-на-Дону); на международной конференции "Нейронные сети для физиков" в

1995 г. (Миннеаполис, США); на конференции молодых ученых в

1996 - 1997 гг (РГУ), на семинаре "Методы решения краевых задач" в НИИ механики и прикладной математики РГУ в 1997 г. (Ростов-на-Дону), на семинаре "Нейронные схемы и теория нейронных сетей" РАСНИ в 1997 г. (Москва).

Публикации. По теме диссертации опубликовано 6 печатных работ.

Структура диссертации. Работа состоит из введения, четырех глав, заключения, списка литературы и изложена на 119 страницах, содержит 15 рисунков и 5 таблиц; список литературы включает 104 наименования.

СОДЕРЖАНИЕ

Во введении обоснована актуальность работы, определена цель исследований, отмечена новизна результатов, их научная и практическая ценность, сформулированы основные положения, выносимые на защиту.

Первая глава - посвящена обзору литературы по рассматриваемой проблеме в свете обоснования задач данного исследования. Глава состоит из четырех разделов.

В нервам разделе приводится нейробиологическая характеристика объекта исследования, для которого в диссертации разработаны алгоритмы и методы анализа электрической активности. Обосновывается, что кора мозжечка является наиболее изученной, однородной и регулярной структурой мозга. Рассматриваются особенности электрической активности клеток Пуркинье (КП) и нерешенные проблемы физиологии мозжечка, центральной из которых является роль

лианных волокон (ЛВ). Приведены существующие гипотезы по этой проблеме.

Во втором разделе описаны основные направления математического моделирования структуры и функции мозжечка. В частности, отмечается, что мозжечковые нейросети расцениваются как наиболее перспективные для реализации управления в автономных системах, требуюших быстрой обработки больших потоков разнородной • информации. Подчеркивается, что большинство известных моделей и разработок являются модификацией модели Бриндли-Марра-Олбуса [4, 9-14]. В основе этого направления моделирования мозжечка лежит факт существования двух типов возбуждающих входов к КП - параллельные волокна и ЛВ -, приводящих, соответственно к генерации простых (ПИ) и сложных импульсов (СИ) и имеющих выраженное взаимодействие. Первоначально предполагалось, что эта структура коры мозжечка образует устройство памяти. Это предположение в качестве одного из существенных звеньев было включено в модели Д. Марра. и Дж, Олбуса. Эти модели имеют множество общих положений и рассматриваются в литературе как теория Бриндлп-Марра-Олбуса. Модель Брипдди-Марра-Олбуса охватывает практически все операции на уровне отдельных элементов мозжечка. Она значительно сходна с биологическим прототипом и реализует широкий спектр функциональных преобразований, что дает возможность имитационного исследования и формулировки серии предсказаний ■ об. 'организации мозжечка, доступных экспериментальной проверке. Принципиальная новизна этой модели, в отличие от ранних, состоит в реализации функций обучения, памяти и кодонного преобразования. Однако, до настоящего времени основные постулаты теории Бриндли-Марра-Олбуса не верифицированы в эксперименте с определенностью.

В третьем разделе рассматриваются математические методы, применяемые для анализа электрической активности нейронов. Вычислительная техника и методы обработки результатов нейрофизиологических экспериментов применяются с начала 70-х годов. В этой области используются как стандартные алгоритмы статистического анализа данных, так и специальные методы, учитывающие особенности суммарной и нейронной электрической активности мозга [1, 2, 6-8]. В частности, при анализе внеклеточных регистрации импульсной активности в

большинстве случаев форма и длительность потенциалов действи игнорируется и рассматривается временное распределена моментов появления импульсов. Напротив, при нсследовани медленных электрических процессов мозга анализируете динамика формы, частоты и спектральный состав колебани потенциалов.

Рассматриваются алгоритмические, аппаратные программные средства компьютерной обработки электрическс активности нейронов. Обосновывается, что большинст! известных методов первичной обработки электрическс активности нейронов основано на алгоритме амплитудж дискриминации и, в редких случаях, на определении ьременш параметров импульсов. Приведена классификация статистичесю методов анализа импульсной активности нейронов.

В четвертом разделе обосновываются задачи данно исследования. Для создания реалистической операционт теории мозжечка первоочередной представляет экспериментальная верификация основных постулатов гипоте: Бриндли-Марра-Олбуса [4, 9-14], которая является ядром теори

Для принципиального решения этой проблемы бы предложено проведение исследований на КГ1, управляемых одш и тем же JIB [10]. Группы таких клеток должны быть вюиочень общую функциональную задачу, в противном случае гипот< Бриндли-Марра-Олбуса не верна в своей основе. Прям регистраций КП с общим J1В в нейрофизиологическ экспериментах до сих пор не получено, что, очевидно, связано отсутствием постановки задачи такого рода для направленн поисковых исследований и с тем, что вероятность нахождеи пар КП с общим J1B очень низка и составляет величину поря; 10"5 при случайном поиске [10, 11]. Разработка специальн методов на основе применения вычислительных средств мо> увеличить эффективность проведения поисковых исследован Следует отметить, что предполагаемый эксперимент является, существу, экспериментом нового типа в нейрофизиологии, высокой избирательностью по отношению к регистрируем нейронам.

Необходимость разработки специальных мето, представления и математического анализа' данных определяе еще и тем, что нейроны мозжечка имеют ряд- особенное электрической активности (таких, как наличие ПИ и СИ I

меющих различную форму, длительность и полярность; ущественная динамика импульсов в процессе регистрации и .д.), затрудняющих реализацию основной задачи и применение тандартных методов и средств компьютерной обработки кспериментальных данных. Решение основной задачи поисковых [сследований с помощью совершенствования только [ейрофизиологических методов маловероятно, поскольку для" |бнаружения нейрона, удовлетворяющего постулированным ритериям, должен быть просканирован значительный объем [ервной ткани (рис. 1), что нереалистично по допустимому ремени эксперимента.

а) Группа клеток Пуркиньс с общим лианным волокном (нейронный ансамбль высокой специфичности)

КП1 КП2 .... КП10 . клетка Пуркинье (КП)

ЧАА/ УдА/ \ААС^"дендр1тты

\ /_ Г1 " \ // / аксон

рг" "^Уч —¿"у- 1 параллельные волокна

« /Лианное волокно (Л В)

I |\ / I / вероятность обнаружения ■ >1 \ У ys пар KJ1 с общим Л В при -5

/ случайном поиске - P=J0 |10,11]

6) Ожидаемая активность пары КП с общим JIB

Д/у М2

т т

КП,

КП2-

(в) Критерии регистрации пары КП с общим ЛВ 110]:

1. Задержка между СИ КП1 и КП2, ОД* 1-Змс (/-1, 2, .... Л);

2. Дисперсия Д/,-, 1Э(Дг)-> 0;

3. Вероятность синхронного разряда СИ, Рсн ш 1;

4. Вероятность синхронного разряда ПИ. Рпы < I.

Простой импульс (ПИ) Сложный импульс (СИ)

Стратегия поиска пар КП, отвечающих заданным критериям:

ш-

■ • ш

■ • • • • ■ ■ а щ, LLL ш J-LBJI.1. * 1 1

- Микроэлектроды .Референтная КП

Точки сканирования

ttt

Рнс. 1. Постановка задачи нейрофизиологических исследований

В качестве подхода к решению задачи поиска пар КП с общим J1B был предложен метод (Дунин-Банковский В.Л., 1993), аналогичный поиску "кванта-ЭЭГ" [3], реализация которого требует адекватной вычислительной поддержки. Суть метода состоит в суммации локальных полевых потенциалов синхронно со СИ референтной КП и выделении потенциалов низкой амплитуды в тестовом отведении. В приложении к задаче поиска пар КП с общим ЛВ это означает возможность регистрации удаленных КП, активность которых сопряжена с активностью референтной КП, И как следствие - уменьшение точек сканирования. Таким образом, задача поиска событий, имеющих низкую вероятность, в некотором смысле, может быть переформулирована в задачу поиска потенциалов низкой амплитуды, отвечающих постулированным критериям (рис. 2, а, рис. 1,в).

Вторая глава посвящена описанию разработанньи алгоритмов и методов выделения низкоамплитудных полевыэ потенциалов и высокоамплитудных ПИ и СИ КП. Дл* статистического анализа экспериментальных данных предлагаете* ряд модификаций известных методов.

В первом разделе описаны методы, обеспечивающи< возможность идентификации в нейрофизиологичеекзп экспериментах низкоамплитудных полевых потенциалов отвечающим критериям активности JIB, общего с референтно! КП. Такие потенциалы могут иметь амплитуду 'значительж меньшую, чем шумы канала отведения (около 50-100 мкВ) i потенциалы внеклеточной активности нейронов (до 2-3 мВ) Следовательно, метод должен обеспечивать существенно! подавление случайных шумов, исключать электрическуи активность нейронов, не связанную с искомым феноменом и напротив, приводить к четкому выявлению искомы низкоамплитудных потенциалов. Разработанный метод состоит суммации и усреднении полевых потенциалов, возникающих тестовых отведениях синхронно со СИ референтной КП (рис. 2 а-в). .

Пусть имеется сигнал xtft) (искомый низкоамплитудны] потенциал), возникающий в фиксированные моменты времен! относительно референтного ймпульса с вероятностью, равной 1 Будем считать, что тестовый электрод (рис. 2, а) регистрирует н только xrft), но и совокупность других потенциалов rjtft) (ка

низко- так и высокоамплитудных), возникающих независимо. Качественное тестирование метода суммации потенциалов в модельных условиях и при обработке нейрофизиологических данных показало, что в большинстве случаев математическое ожидание т](0 при увеличении количества реализации стремится к некоторой константе, что позволяет рассматривать г}(1) как случайный процесс с нормальным распределением.

(а) Условия выделения низкоамплитудных полевых потенциалов:

/

Референтный импульс

Ф

Искомый потенциал х(0

Референтный сигнал Sß = УУ + Чреф

(б)

(в)

(Г)

,— Тестовый сигнал ..._.......... Ш/ Xfi) = xfi) + Г110СТ

*гест| |'[)еф Д /, .

Параметры сигналов.

Референтный импульс: Искомый потенциал:

УУМлреф)2б Сигнал/шум х//;/а(птест) < 1

A(Sj) ~ 1 мВ Амплитуда 5 мкВ 5 A(xJ <. 100 мкВ

T(s) ~ 10 мс Длительность T(xJ ~ 10 мс

Метод выделения из шума низкоамплитудных искомых потенциалов, имеющих параметры в заданном диапазоне | рис. 1,в, рис. 2,6]: суммация тестовых сигналов синхронно с референтным импульсом —_ 1 N

' х + Лтест' <'Де:.УУ - число реализаций референтного и тестового сигналов.

Методы увеличения

Суммация потенциалов в независимых выборках СИ идентификации . искомого потенциала: / \ х Суммация тестовых сигналов относительно ПИ

Суперпозиция отдельных реализаций и усредненного потенциала ' Исключение высокоамплнтудных сишалов на тестовом канале

Дисперсия потенциалов: О(Х)1.(ХгЮ3=Ш+й(т\Кст)

Рис. 2. Методы и алгоритмы идентификации тестовых полевых потенциалов.

V • : .

Следовательно, для ' выделения искомого потенциала х( необходимо вычислить _ математическое ожидание тестовог сигнала (рис. 2, в)

Далее описываются методы увеличения достоверност идентификации тестового потенциала. Искомые потенциал) могут быть маскированы и искажены рядом артефактны потенциалов. В связи с этим встала необходимость в разработк методов, повышающих достоверность получаемых данных (рис. > г). Такие методы реализованы в программной версии использованы при обработке экспериментальных данных (рис. 6 С помощью метода суммации потенциалов в различных выборка оценивалась стабильность х($ относительно времен возникновения референтного импульса. Для качественной оценк был использован метод суперпозиции отдельных реализаци сигналов и результата их усреднения. Применение этого метод показало, что наличие х(1) может быть определено уже пр суммации 20 реализаций. Вместе с тем, вследствие большог вклада шумов при малом числе накоплений параметры сигнал могут быть искажены и необходимо 200-300 накоплений дп более детального анализа выявленных х(1). Для количественно оценки влияния 1](0 на результаты суммации использовался мете определения дисперсии потенциалов. Дополнительным критерие идентификации х(1) как связанного с активностью ЛВ, общего референтной КП, служило отсутствие сигнала с аналогичным параметрами, при суммации относительно ПИ КП. Мете исключения высокоамплитудных сигналов рассматривается пр описании алгоритма идентификации сложных событий.

Во втором разделе описаны методы идентификации ПИ СИ. При реализации метода суммации для выделения искомы низкоамплитудных потенциалов, синхронных с референтны импульсом и .определения временных отношений между ним необходимо обеспечить точную временную привязку к одной той же компоненте референтного импульса в последовательны реализациях. 9 ином случае возможно "размазывание" искомо: потенциала при суммации.

Для , решения этой задачи были использован! специфические особенности исследуемых биологических сигнале . (рис. 3, а, б). Известно, что импульсы, генерируемые нейронам! имеют короткий по сравнению с длительностью импульсо передний фронт (около 300 мке при длительности импульса д

(а) Примеры импульсов клеток Пурклньс.

Сложный импульс (СИ): Длительность 7*Сц - 5-12 мс Амплитуда Аси - 0.3-2 мВ

Простой импульс (ПИ): Длительность Гцц - I мс Амплит>'да Лпи - 0.3 - 3 мВ

3 мс

(б)

(в)

Особенности генерации СИ и Г1И: Амплитуда фронта F ~ амплитуды сигнала Длительность - Тр ~ 300 мке

Запрет на генерацию следующего импульса в течении некоторого промежутка времени (периода рефрактерности): для ПИ - 1.5-2 мс; для СИ - 50 мс.

Метод построения вектора признакового описания референтного импульса (на примере ПИ).

Вид ПИ при регистрации с помощью биоусилителя

t мс

t МКС

Î4sign(A^), если |ДЛ,| *0.4|A^J . Zsign^,), если 0.1|A/4maJ< \ÁAj¡<0A\AAma¿ sign^), если Mj í0.1MmJ

\ 1Ь E |4l-ll.2l-2l-l|-l|

Вид ПИ после аналогово-цифрового преобразования (квант дискретизации Д/ = 250 мке)

Определение компонента в; вектора признакового описания Е для ПИ = 1, 2.....6)

Вектор признакового описания Е для ПИ, представленного на рисунке

Рис. 3. Методы и алгоритмы идентификации референтных

импульсов

500 мке [5]). Кроме того, нервные импульсы не могут возникать какой угодно частотой и за импульсом всегда следует период вынужденного молчания" (период рефрактерности). Таким бразом, задачу выделения импульсов можно сформулировать как

задачу идентификации моментов появления их передних фронтов. Остальные компоненты импульса могут варьироваться в определенных пределах. Процедура поиска и идентификации импульсов состоит из двух этапов:.

1) построение признакового описания эталонного импульса;

2) идентификация последующих импульсов данного типа на основе сравнения признаковых описаний эталонного и текущего потенциала.

Этап 1 осуществляется по произвольной реализации импульса. Определяется диапазон перепадов амплитуды между соседними квантами дискретизации, максимальный из которых - ААтах соответствует наиболее быстрому и устойчивому признаку - фронту импульса К Затем, во временном окне, занимающем п тактов времени после ЛАтах строится л-мерный вектор Е, каждый компонент которого е,- (рис. 3, в) соответствует перепаду амплитуды аналогового сигнала между соседними квантами дискретизации.

Этап 2 начинается с поиска сигнала, имеющего перепад амплитуды, соответствующий кААтах и совпадающий с ним по знаку (параметр к подбирается эмпирически). После этого, относительно момента возникновения такого сигнала, строится п-мерный вектор описания текущего сигнала 2. Затем производится сравнение векторов Ек.2.

•В программно реализованной версии процедуры поиска импульсов были определены • оптимальные параметры признакового описания при обработке реальных биологических сигналов. В частности, для ПИ поиск значимого сигнала осуществлялся на уровне 0АААтах, вектора Е и Z имели 6-мерную размерность (для частоты дискретизации 4 кГц), что позволяет описывать сигнал длительностью 1.5 мс. Каждый компонент вектора может- принимать одно из 6 фиксированных значений (-4, -2, -1, 1, 2, . 4) изменения текущей амплитуды сигнала в относительных единицах. Пример вектора признакового описания ПИ представлен в нижней части рис. 3, в. Для формализации критериев сравнения векторов Е и Z каждый из них рассматривается в виде набора последовательностей компонент одного знака. Каждая такая последовательность характеризуется тремя параметрами: полярность (Р); абсолютное значение суммы компонент (¿); количество компонент (Л/).

Таким образом, Ей 2можно представить в следующем виде:

г=

(и \

(г.

, где: Ё1 = (/>, , 5\ , ЛГ.), / = 1, 2, ..., т, (т < 6)

где: г. = (>у , , 1, 2, ..., I, (/< 6)

Вектора £и 2 считаются совпадающими, если /л=/ и для вдого Ек и (А: = .1, 2, ..., /и) выполняются следующие ювия:

1) РЕк=Ргк \

2) 0.5^ й <

3) 0.5^ 2 Л^ < 1-5^.

Дополнительным критерием идентификации текущего генциала как совпадающего с эталонным является отсутствие гнала имеющего перепад амплитуды 0.4ЛАтах, в окне анализа | мс до и после определяемого сигнала. Идентификация фронта рвбго компонента СИ, имеющего сходные параметры с ПИ, утцествлялось также на уровне 0ЛААтах.

В третьем разделе описаны разработанные методы ггистического анализа нейронной активности. Наряду с пользованием стандартных Методов, разработан ряд дифицированных методов анализа. В частности, для еньщения числа анализируемых событий и, соответственно, кращения времени анализа реализовано построение гистофамМ го- и кросскорреляционных функций с различным временным антом.

Был также разработан метод идентификации сложных □ытий, использованный, в частности, для исключения сокоамплитудных артефактных сигналов, регистрируемых [кроэлектродом, и собственной нейронной активности на гговом электроде во временном окне суммации потенциалов, еменной ряд сложных событий формируются на основе гменного ряда унитарных событий «^/(отдельные ПИ и СИ), эвлетворяющих некоторым логическим условиям. В

программной версии был реализован алгоритм, позволяющие формировать временной ряд сложных событий, путем наложенш до 10 условий, задаваемых в произвольном порядке. В качеств! примера рассмотрим определение логического условия для случа* исключения импульсов G(tj) на тестовом канале отведения i заданном временном окне [01,в^, относительно референтной импульса R(t0:

[true, если V/ : t. е [0,+t,, 0,+t.] . C(R(t )J = J ' 1 k 1 k

I false, если 3« : e [0,+t^ 02+tk\

Применение алгоритма формирования сложного событш для трактовки результатов суммации потенциалов шшцстрируе' рис. 6, в. Видно, что колебание потенциалов, обнаруживаемы« при суммации потенциалов, отводимых тестовым электродом целиком обусловлены присутствием импульсной активности КГ на данном канале.

Третья глава посвящена описанию программной реализацш разработанных алгоритмов и методов анализа данных.

В первом разделе описана структурная схема конечно! версии разработанного программно-аппаратного комплекса (рис 4). Программная часть комплекса реализована на языке С+н (компилятор Borland С версии 3.1) для IBM PC AT 486 DX4-100 i работает под управлением операционной системы MS-DO! версий 5.0. Электрическая активность . нейрйнов зарегистрированных на 7 каналах отведения, подается на вхо, многоканального АЦП L-205 фирмы LCARD и поел преобразования записывается в оперативную память ПЭВМ сохраняется в файле и анализируется с помощью разработанны методов и алгоритмов. Для работы программы необходимо 581 Кбайт оперативной памяти и 40 Мбайт дискового пространств для записи' исходных данных и результатов обработки Разработанный комплекс имеет следующие характеристики возможность работы в режимах on-line и off-line; визуализаци: активности по всем каналам отведения в реальном времени возможность изменения частоты дискретизации до 10 кГц; выбо] диапазона амплитуды (5.12, 2.56, 1.024 В); аналогово-цифрово преобразование последовательных фрагментов нейронно! активности, регистрируемых в течении 675 с (для частот! дискретизации 4 кГц); возможность автоматического поиск:

ипульсов с задаваемыми параметрами с последующей )ррекцией результатов поиска; суммация локальных этенциалов в окне анализа ±200 мс относительно референтного ^пульса; статистический анализ простых и сложных событий.

Рис. 4. Структурная схема программно-аппаратного комплекса для анализа данных нейрофизиологических экспериментов.

Второй раздел посвящен описанию отдельных модулей юграммы. В . частности, в модуле ввода электрической ггивности для передачи данных в оперативную память )мпыотера использовался 6 канал контроллера прямого доступа память в режиме одиночной передачи. Такой способ передачи 1нных позволяет, использовать центральный процессор для :шения еще -одной задачи - визуализации части данных в :жиме реального времени, т.е. в режиме "осциллографа". Модуль гзуаллзации позволяет произвольно выбирать тот или иной

набор каналов отведения, масштабировать данные по амплитуде по времени и т.д. В модуле поиска унитарных собьт реализован • поиск импульсов в автоматическом режиме последующей коррекцией, графическое представление результат поиска, модификация признакового описания сигналов и т Модуль суммации потенциалов позволяет суммировать усреднять потенциалы, отводимые каждым из 7 электроде рассчитывать дисперсию потенциалов, осуществля суперпозицию усредненного потенциала и первичных данных Т.д.

В третьем разделе приводится экспериментальная- оцен эффективности разработанных алгоритмов и методов д выделения низко- и высокоамплитудных биологических сигнал< В частности, получена оценка необходимого числа накоплен для идентификации поиевых тестовых потенциалов различи амплитуды (рис. 5, а). Видно, что выявляемость тестовс

40 30 20 10 0

сигнал/шум

(а) Записимость отношения сигнал/шум усредненного тестового потенциала от количества накоплений N. " .

100,® 80 60 40 20 ' 0

\

сигнал/и

500 1000 1500 2000 2500 3000

0 1

3 4 5 6 7

(б) Злонсимость количества

правильно идентифицированных простых импульсов (—) и ложно определенных событий (-) от отношения сигнаа/шум.

Рис. 5. Результаты тестирования разработанных алгоритмов.

потенциала значительно возрастает с увеличением количест накоплений парных регистрации референтных и тестов сигналов. Экстраполируя полученные данные на услов ртведения. активности КП и полевых потенциалов, мож констатировать что, для надежной идентификации тестовс потенциала, имеющего амплитуду порядка 10 мкВ при уров шума порядка 100 мкВ достаточно около 250 накоплений. 3

значает, что. при средней частоте СИ 1 Гц, достаточно егистрировать активность референтной КП и тестовые • ютенциалы в течении 5 мин. Обработка такой регистрации с юмощыо алгоритма суммации потенциалов занимает около" 5 шн. Такое время приемлимо для обработки данных 1ейрофизиологических экспериментов в режиме on-line.

Алгоритм поиска ПИ был тестирован при обработке" :интезированной последовательности зашумленных сигналов ¡иологической формы. Оценка эффективности алгоритма поиска 1И представлена на рис. 5, б. Видно, что при отношении :игнал/шум 6 и более удается идентифицировать подавляющее юльшинство (97%) импульсов с заданными параметрами, при »том ложно определенные события (случайные выбросы шума) годностью отсутствуют. Эта величина соответствует минимальной ранице отношения сигнал/шум при надежной регистрации гсйронной активности. При обработке реальной импульсной псгивности нейронов эта оценка (в том же диапазоне парамегров жгнала и шума) может быть несколько ниже - до 80%.

В четвертой главе приведены результаты анализа экспериментальных данных, . полученные с помощью разработанного комплекса.

В первом разделе описаны результаты тестирования первой версии разработанного комплекса программ, реализованного на □азе IBM PC АТ-286. При обработке данных нейрофизиологических экспериментов был определен оптимальный диапазон параметров аппаратно-программного комплекса, позволяющий избежать появления артефактов (таких, как сигналы межканальной емкостной проводимости, искажение г формы и длительности референтных импульсов при суммации и т.д.), затрудняющих интерпретацию результатов суммации. На этой основе были сформулированы требования к новой версии программы ввода и анализа нейронной активности и произведена . модификация техники проведения нейрофизиологического эксперимента.

Во втором разделе приводятся результаты, полученные с помощью модифицированной версии программ для метода суммации потенциалов (рис. 6). В частности, с помощью метода суммации потенциалов удалось зарегистрировать активность референтной КП на расстоянии 200-300 мкм от нее, что позволило значительно увеличить шаг сканирования

электрической активности в поисковых нейрофизиологических

Выборка А

Выборка Б

Пт65

(а) Два примера (1-2) полевых потенциалов, отвечающих . постулированным критериям [10]. В каждом случае внизу представлен референтный сигнал; п - количество накоплений.

200 мкВ I.

0.7 мс

п = 20

' .................

65 мкВ I

^ « ^»'н»1» и^п»'>'1 у *.....

п = 85

300 мкВЬ. • 3.5 мс

(б) Пример суперпозиции (в) референтного (внизу) и тестового (вверху) усредненных потенциалов (белые линии) и их ." отдельных реализаций

Пример исключения высокоамплитудных сигналов на тестовом канале:

1 - присутствие высокоамплитудных

сигналов в окне анализа; ( — ) - усредненные тестовые

потенциалы, ( — ) - их дисперсия;

2 - то з£е при исключении высоко-

амплитудных сигналов (п= 15);

3 - усреднений референтный СИ;

Рис. 6. Результаты анализа экспериментальных данных.

экспериментах и, соответственно, уменьшить время их проведения. Кроме того, в 9 случаях из 283 парных регистраций референтных и тестовые сигналов обнаружены полевые потенциалы, (рис. 6, а), соответствующие критериям активности ЛВ, общего с референтной КП. Такие потенциалы варьировали

о амплитуде (от 10 до 150 мкВ), по расстоянию между еферентным и тестовым электродом (от 100 до 900 мкм) и по ременному сдвигу относительно референтного СИ (от 0.5 до 3.5 с). Кроме того, во всех 9 случаях потенциалы были сходны по юрме и длительности с референтными СИ. Наличие длительного лато-потенциала (рис. 6, а-I) указывает на регистрацию ктивности именно КП, а не концевою разветвления J1B. Эти закты могут быть рассмотрены как дополнительные критерии ipn поиске пар КП с общим ЛВ.

В третьем разделе описаны результаты применения кросс-юрреляционного анализа. Основная цель применения этого детода состояла в получении данных для сопоставления с методом суммации потенциалов на выборке пар КП, ^регистрированных в тех же экспериментах. Результаты, толученные с помощью кросскорреляционного анализа свидетельствуют о доминировании низковероятиостной синхронизации разрядов СИ в миллисекундном диапазоне. Вероятность такой' синхронизации, для разных пар КП варьировала, но была не более 0.112 и составила, в среднем, Э.005, что не. соответствует постулированным критериям активности пар КП с общим ЛВ. Очевидно, такая синхронизация отражает электротоническое взаимодействие клеток нижних олив, являющихся источником ЛВ [II].

В заключении сформулированы основные результаты работы и рассматривается перспектива использования разработанных алгоритмов, методов и . Программ. Описанные алгоритмы (идентификации унитарных и сложных* референтных событий, оценка дисперсии, метод суперпозиции и т. д.) дали возможность решить ключевые проблемы, ■ возникшие при поиске низкоамплитудных полевых потенциалов, отражающих активность ЛВ, общего с референтной КП. Разработанный комплекс программ позволил значительно увеличить эффективность нейрофизиологических исследований,

направленных на поиск КП, управляемых общим ЛВ и облегчить интерпретацию данных при суммации потенциалов. С помощью разработанной техники оценено затухание амплитуд ПИ и СИ КП и обнаружены полевые низкоамплитудные потенциалы, соответствующее априорно сформулированным критериям регистрации активности двух разных концевых ветвей одного Л В, одна из которых действует на референтную КГ1. Обсуждаются

возможные причины невыявления пар КГ1, управляемых общш Л В в проведенных ранее исследованиях. Обосновывается боле высокая эффективность метода суммации потенциалов m сравнению с методом кросскорреляционного анализа импульсно] активности пар КГ1. Описана стратегия проведени экспериментов, направленных на поиск КП с общим J1B, режиме on-line.

ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ.

1. Разработаны оригинальные алгоритмы идентификацн импульсной активности нейронов мозжечка, основанные н определении фронта и рефрактерного периода импульст построении признакового описания и его модификации соответствии с динамикой активности.

2. Разработан и исследован комплекс алгоритмов идентификацн локальных низкоамплитудных потенциалов мозжечка (в 5-1 раз ниже уровня шума).

3. Предложен оригинальный метод'анализа взаимосвязи сложнь: событий, . которые могут включать несколько потоке импульсации нейронов (до 11 в программно реализование версии).

4. С помощью разработанной техники удалось значительи увеличить эффективность нейрофизиологичесю экспериментов и обнаружить в коре мозжечка полевь •потенциалы, соответствующие критериям активности лианно] волокна, общего с референтной клеткой Пуркинье.

Результаты диссертации опубликованы в следующих работах:

Dunin-Barkowski W.L., Markin S.N., Podladchikova L.N. А search for simultaneous records of several Purkinje cells controlled with the same climbing fiber. In Abst.: "4th IBRO World Congress of Neumsciences". July, Kyoto, Japan, 1995. p.388. Dunin-Barkowski W.L., Markin S.N., Podladchikova L.N. Climbing Fiber Purkinje Cells Twins: A Search of Extra-Rare Events in Neural Systems. In Proc.: "The Second International Symposium on Neuroinformatics and Neurocomputers". Rostov-on-Don, Russia, 1995. pp. 100-107.

Dunin-Barkowski W.L., Markin S.N., Podladchikova L.N. HEP Type Experiments in Brain Analysis: A Search for Purkinje Cells of the Cerebellum Controlled with the Same Climbing Fiber. In Proc. Conf: "Neural Networks for Physicists #5". Univencity of Minnesota. Theoretical Physics Institute. Minneapolis, USA, 1995. pp. 70-86. Дунин-Барковский ВЛ., Маркин C.H., Подладчикова JI.H. Оценка вклада сложных и простых импульсов клеток Пуркинье в локальные потенциалы коры мозжечка. Биофизика Т. 42, Вып. 2, 1997. сс. 516-521. Маркин С.Н. Исследование взаимосвязи активности клеток Пуркинье: кросс-корреляционный анализ и усреднение локальных потенциалов. Деп. в ВИНИТИ, N 3353-В96 18.11.96. 1996. 15 с.

Маркин С.Н. Исследование взаимосвязи активности клеток Пуркинье мозжечка с помощью кросс-корреляционного анализа. Тезисы "Студ. научн. конф. физ. фак-та РГУ", 1997. с. 26.

Литература, цитируемая о тексте автореферата:

1. Борисюк Г.Н., Борисюк P.M., Кириллов А.Б., Коваленкс Е.И., Крюков В.И. Новые методы анализа нейронной активности. Пущино, АН СССР, 1986, 163 с.

2. Буреш Я., Крекуле И., Брожек Г. Применение ЭВМ i нейрофизиологических исследованиях. Л.: Наука, 1984. 240 с.

3. Гутман A.M. Биофизика внеклеточных токов мозга. М. Наука, 1980, 184 с.

4. Дунин-Барковский B.JI. Информационные процессы i нейронных структурах. М.: Наука, 1978. 166 с.

5. Куфлер С., Николе Дж. От нейрона к мозгу. М.: Мир, 1979 440 с.

6. Мещерский P.M. Анализ нейронной активности. М.: Наука, 1972. 224 с.

7. Микрокомпьютеры в физиологии, под ред. Фрейзера. М. Мир, 1990. 383 с.

8. Пятигорский Б.Я., Зайтман Г.А., Черкасский ВЛ., Чинарог В.А.// Автоматизированный электрофизический эксперимент Киев: Наук. Думка, 1985. 216 с.

9. Albus J.S. The Man- a. Albus theories of the cerebellum. Two earlj models, of associative .memory. Proc. IEEE Сотр. Con Spring, 1989. PP. 577-582.

10. Dunin-Barkowski W.L., Larionova N.P. Computer simulation oi the cerebellar cortex compartment, 1, II. Biological Cybernetics, 1985. V. 51. N 6. PP. 399-416.

11. Ito M. The cerebellum and neural control. New York. Raven Press, 1984.580р.

12. Kanerva P. A cerebellar model associative memory as a generalized random-access memory. Proc. 1ЕЁЕ Сотр. Con Spring, 1989. PP. 570-576.

13. Kawato M. Optimization and Learning in Neural Networks foi Formation and Control of Coordinated Movements. JICNN. Seattle, Tutorial Notes, 1991. PP. 1561-1567.

14. Marr D. A theory of cerebellar cortex. J. Physiol., 1969. V.202. 14. PP. 434-470^____ __

Подписано к печати 42, H.37 Формат 60x84/16.

Печать офсетная. Бдиага газетная. Объёи п.л.

Тира« 400 экз. ООП ЦНТИ. Зак. 40Z