Научный электронный журнал КубГАУ . № 04(6), 2004




ЭЭГ ПРОГНОЗ УСПЕШНОСТИ ВЫПОЛНЕНИЯ ПСИХОМОТОРНОГО ТЕСТА ПРИ СНИЖЕНИИ УРОВНЯ БОДРСТВОВАНИЯ: АНАЛИЗ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

 

Щукин Т.Н., – аспирант

Институт психологии РАН, Москва

Дорохов В. Б., – к.биол.н.

Институт Высшей Нервной Деятельности и Нейрофизиологии РАН, Москва

Лебедев А.Н., – д.биол.н. профессор

Институт психологии РАН, Высшая Школа Экономики,  Москва

Луценко Е.В., – д.э.н., к.т.н., профессор 

Кубанский государственный аграрный университет, Краснодар


В статье приводится анализ результатов проведения эксперимента, задачей которого было построение методики идентификации и прогноза успешности выполнения психомоторного теста с помощью применения классической и неклассической статистической модели к данным электроэнцефалограммы, предшествующей ответу. Эксперимент проводился в условиях, провоцирующих наступление дремоты и засыпания.


Данная статья посвящена анализу результатов проведения эксперимента [1, 2]. В результате применения регрессионного анализа были получены уравнения с тремя наиболее значимыми параметрами в каждом. Наборы наиболее информативных параметров (признаков) являются индивидуальными для каждого испытуемого и являются разными для разных классов предсказания.

Из полученных данных видно, что для разных классов успешности в психомоторном тесте  существуют комбинации параметров ЭЭГ, повторяющиеся от испытуемого к испытуемому:

Так, чаще всего в уравнения регрессии, предсказывающие динамику класса 3, входили параметры S -стандартное отклонение (5 из шести наиболее часто встречающихся параметров). В уравнениях, предсказывающих динамику класса 6, чаще всего содержится параметр С (4 из 6 наиболее часто встречающихся).

Тем не менее, нельзя без дополнительной проверки сказать, что существуют отчетливые тенденции к предпочтению одних параметров другим во всех классах, что говорит о высокой вариабельности параметров, определяющих успешность в выполнении психомоторного теста.

Особенностью системы «Эйдос» является развитый аппарат анализа результатов распознавания, что является неоспоримым преимуществом этого метода по отношению к методу регрессионного анализа. 

В результате работы системы «Эйдос», были получены портреты паттернов амплитудных и корреляционных параметров ЭЭГ, предшествующей моменту стимула, которые определяли тип и характер реакции на стимул (10 классов времени реакции и 4 класса правильности счета). Аналогичные портреты были получены и для спектральных паттернов.

Для набора амплитудных и корреляционных признаков нами была показана индивидуальность набора информативных параметров – т.е. характеристик информационных портретов.  Это относится как к паттернам, обуславливающим различные латентности ответа, так и к паттернам, обуславливающим типы правильности счета. Для последних замечены лишь самые общие закономерности.

На приведенных далее двух примерах (по два портрета от каждого класса – «ошибочное количество нажатий» и «верное количество нажатий») видно, что паттерны каждый раз индивидуальны, но некоторые параметры имеют большее, чем другие, значение для различения этих двух классов.

 

Fp1

Fp2

C3

C4

P3

P4

O1

O2

1

2

3

4

11

12

13

14

 

Рис. Соответствие используемых наименований отведений системе 10-20.

Так, на следующем примере видно, что параметры пространственной корреляции (параметр «С») имеют большое значение для различения двух указанных классов. Диаграммы «модель нелокального нейрона» представляют собой портрет класса, на основе которого система проводит его идентификацию. Если в ЭЭГ встречаются признаки в конкретных градациях, перечисленные в портрете, это является основанием для отнесения объекта (участка электроэнцефалограммы, описанной рядом параметров) к классу. Причем отсутствие признака также является признаком и служит основанием для отнесения к классу. Такие признаки соединены с центральной фигурой (номером выходного нейрона) синей (отрицательной) связью. 

Класс 13 – «верное количество нажатий»

Испытуемый 166

Испытуемый 284

Класс 14 – «Ошибочное количество нажатий»

Испытуемый 255

Испытуемый 315

Интересно отметить,  что три параметра регрессионного уравнения, прогнозирующего появление того или иного события имеют соответствия результатам, полученным с помощью системы «Эйдос».

Так, для класса 13 двум приведенным выше портретам соответствуют два уравнения (приведены параметры без коэффициентов):

 

166  T13

64

 143

 S04

 C04

 C11

  Ошибочное Нажатие  / Безошибочное Нажатие ;

284 T13

 64

95

 M13

 S11

 M14

  Ошибочное Нажатие  / Безошибочное Нажатие ;

Обращаясь к портретам тех же классов, можно увидеть, что из трех параметров первого уравнения два входят в информационный портрет соответствующего класса. Из трех параметров второго уравнения в портрет входят также два.

Для второй пары уравнений в портрет входят два признака из трех для первого уравнения и лишь один – для второго.

255 T14

 64

 107

 C02

 S14

 S03

Безошибочное нажатие / Ошибочное нажатие;

315 T14

64

76

 C13

 C14

 C12

Безошибочное нажатие / Ошибочное нажатие;

 

Нет сомнений, что вклад паттернов признаков и градаций признаков в информационные портреты классов различен для разных испытуемых. И структура этих паттернов требует дальнейшего анализа.

В качестве примера приведем анализ информативности признака С11 у испытуемого 166 (корреляция канала Р3 с обобщенным каналом, являющимся суммой всех восьми каналов).

Из данного рисунка видно, что признак С11 в градации (40-67) вносит наибольшее количество информации в портреты классов 6 и 20 (Т03- «латентность ответа в диапазоне –0.3 сек –0.1 сек» и Т10 – «латентность ответа более 1 сек»).

На следующем рисунке приведен профиль другой градации признака С11 (Синим цветом).

Приведем также пример признака С14 (корреляция канала О2 с обобщенным каналом) для испытуемого 315.

 

Видно, что профиль информативности признака С14 испытуемого 315 во многом соответствует профилю признака С11 для испытуемого 166. Аналогичен пик для класса «латентность более 1 секунды» и обратный пик на классе 6 – латентность ответа между –0.3 и –0.1 сек.

Система позволяет строить также обобщенные профили признаков и семантические сети (сети сходства) для признаков и классов. Примером обобщенного профиля является следующий рисунок. На нем изображены все профили всех признаков, разложенные по всем классам.

На следующем рисунке изображена так называемая «интегральная когнитивная карта». В ее верхней части расположена семантическая сеть четырех классов правильности счета (11-14). Сила связи между ними говорит о степени сходства участков ЭЭГ , соответствующих различным классам. В нижней части расположена аналогичная сеть для подмножества признаков - параметров корреляции. Сила связи также означает степень сходства вклада различных признаков (фактически корреляцию профилей) в классы.  Связи между верхним и нижним уровнями соответствуют информационному портрету отдельного класса (точнее выборке корреляционных параметров). 

Применение этих инструментов анализа позволяют надеяться на обнаружение закономерностей, общих для одинаковых классов у различных испытуемых.

В результате применения системы «Эйдос» к спектральным данным, также были получены результаты. В среднем из каждых восьми классов, представленных достаточным количеством примеров, хорошо (т.е. выше 65% верных распознаваний) распознавались два класса, т.е. четверть. Классы, представленные недостаточным количеством примеров, распознавались, как правило, лучше.

Также, как и для распознавания на основе набора амплитудных и корреляционных параметров, для распознавания на основе спектров не удалось найти общих паттернов для десяти классов – разных латентностей ответов. Судя по всему, причиной этого может быть искусственное выделение фиксированных градаций латентности ответа.  Результатом этого могло служить то, что одинаковые паттерны признаков соответствовали различным «ячейкам» - выделенным классам латентности ответа. И, таким образом, различным латентностям ответа у одного испытуемого может соответствовать один и тот же паттерн признаков. Подобным паттернам признаков могут  соответствовать различные «ячейки» у разных испытуемых.

Решением этой проблемы может стать выделение градаций ответа на основе равномерного разделения кривой распределения ответов (например, по площади под функцией) или на основе предварительно проведенного кластерного анализа. Мы проделали эту процедуру: система «Эйдос» позволяет осуществлять процедуру формирования классов на основе конструктов, полученных в результате кластерного анализа, выполняемого одной из подсистем программы. Предварительные результаты весьма хороши.  

Портреты четырех классов правильности счета (классы 11-14), сформированные на основе данных о спектрах, однако, обладают общей структурой, повторяющейся от человека к человеку.

Рассмотрим информативные параметры класса 11.

Так, класс 11 – «анализируемый участок относится к серии пропусков с правильным их количеством (5)» имеет некоторые характерные черты. Портреты класса, сформированные для разных испытуемых, подобны друг другу в нескольких отношениях. Обобщенный портрет класса «верное количество пропусков» можно описать следующим образом:

Для спектральных характеристик, сопровождающих верное количество пропусков

Рассмотрим информативные параметры класса 12. Класс 12 – «анализируемые участок относится к серии пропусков с неправильным их количеством» имеет некоторые характерные черты.

Для спектральных характеристик, сопровождающих ошибочное количество пропусков

На основе анализа портретов классов у разных испытуемых мы приходим к выводу, что портреты классов отличаются друг от друга в нескольких диапазонах закономерным образом.

Классу 11 (правильное количество пропусков) соответствуют в целом высокие значения мощности в альфа-диапазоне, а классу 12 (неверное количество пропусков) соответствуют в целом низкие значения мощности в альфа-диапазоне. Эта закономерность проявляется по всем каналам. 

Классу 11 соответствуют в целом высокие значения мощности в диапазоне бета-ритма, а классу 12 соответствуют в целом низкие значения мощности в диапазоне бета-ритма.

Классу 11 соответствуют в целом низкие значения в диапазоне тета-ритма. Классу 12 не соответствуют определенные характеристики в диапазоне тета-ритма.

Классу 11 соответствуют в целом более высокие значения мощности в диапазоне сигма-ритма, причем как правило в каналах [С3,О1,О2]. Классу 12 соответствует ровно противоположное поведение мощности сигма-ритма в точности в тех же каналах.

Анализируя когнитивные диаграммы двух сравниваемых классов для трех испытуемых, у которых одновременно оба рассматриваемых класса обладают достаточно высокой валидностью, можно наблюдать описанные выше принципиальные различия.

На данных когнитивных диаграммах выбраны для отображения лишь признаки, вносящие наибольшее количество информации в различие между сравниваемыми классами. Синяя линия, соединяющая два признака, означает, что находятся в антикорреляции либо сами признаки, либо признаки, находящиеся с отображенными признаками в сильной корреляции.

В красные прямоугольники заключены признаки, характерные для класса, в синие – не характерные для класса.

Когнитивная карта: испытуемый 256

Рассмотрим далее пару классов 13 и 14 («Верное количество нажатий в серии» и «ошибочное количество нажатий в серии»)

Рассмотрим класс 13 (Правильное количество нажатий)

Рассмотрим класс 14

Картина довольно сложная, но некоторые тенденции все же проявляются.

Из наблюдений исходных портретов классов у разных испытуемых можно увидеть, что признаки данного класса обладают значительной вариативностью от испытуемого к испытуемому с одной стороны, а с другой обладают значительной вариативностью внутренней структуры. То есть информативными являются не выраженности параметров определенных диапазонов, а их паттерны. При этом общие тенденции видны на диаграмме.

 

Испытуемый 846     

Классу верного количества нажатий (13) характерны высокие значения в диапазоне альфа ритма, и не характерны высокие значения в диапазоне тета-ритма. Класс ошибочных нажатий (14) обладает противоположной комбинацией этих параметров. Классу 13 свойственен выраженный сигма-ритм в канале 8, что не свойственно классу 14.

            Таким образом, в целом соотношения классов 13 и 14 соответствуют таковым у классов 11 и 12. То есть классы верного выполнения задания характеризуются выраженным альфа ритмом и низкими значениями тета-ритма. Классы ошибок связаны с обратной картиной.

В свете полученных результатов особенно интересно сравнить попарно классы 11 и 13 (верное количество пропусков и верное количество нажатий), а также классы 12 и 14 (ошибочное количество нажатий и ошибочное количество пропусков). 

Рассмотрим первую пару классов.

Испытуемый 895

На когнитивных диаграммах отражены те признаки классов, которые вносят наибольшее количество информации в различие между классами распознавания.

В целом видно, что картина различения не столь четкая, как между классами 11 и 12 или 13 и 14. Можно заметить, что классы различаются тем, что классу 13 более, чем классу 11, свойственны сверхвысокие значения альфа-ритма в некоторых отведениях. Также значительны различия в диапазоне сигма-ритма, но какой-то определенной тенденции, свойственной всем испытуемым, на первый взгляд не видно. Скорее можно говорить о индивидуальных паттернах в диапазоне сигма-ритма, отличающих классы друг от друга.

Также видно, что классу 13 (правильные нажатия) свойственны в целом более высокие значения в диапазоне бета-ритма и тета-ритма. Хотя в целом это не является общей тенденцией и можно сказать, что различия между классами заключаются в разной структуре пространственно-амплитудных паттернов в диапазоне сигма и дельта - ритмов.

Рассмотрим результаты сравнения классов 12 и 14 – ошибочных пропусков и ошибочных нажатий.

 

Испытуемый 849

Сравнивая когнитивные диаграммы классов 12 и 14 у различных испытуемых, сложно прийти к выводу о постоянно повторяющихся спектральных особенностях, отличающих классы друг от друга.

Скорее можно сказать, что классы отличаются в первую очередь различной топографической картиной активности в альфа-диапазоне, а также в сигма-диапазоне. В сигма диапазоне также прослеживается некоторая тенденция – классу 12 более свойственны высокие значения активности в сигма-диапазоне, и не свойственны сверхвысокие значения в этом диапазоне. Класс 14 обладает противоположной картиной – ему свойственны сверхвысокие значения в сигма-диапазоне и не свойственны высокие значения. Наиболее информативными в сигма-диапазоне являются каналы [С3,Р4,О1,О2].

Также заметна тенденция к различиям в активности дельта-диапазона. Классу 12 свойственны высокие значения в верхнем и нижнем дельта диапазонов канала [Р3] и не свойственны средние значения в нижнем дельта диапазоне канала [С4]. Классу 14 характерны средние значения в нижнем дельта-диапазоне каналов [С4,Р3] и не свойственны высокие значения в нижнем и верхнем дельта-диапазонах канала [Р3].

В целом же можно сказать, что различия этих двух классов содержатся в топографии активности сигма и дельта-диапазонов. При этом паттерны различны для разных испытуемых.

О взаимосвязи четырех подробно рассмотренных классов (11-14) и классов латентности ответа (Т01-Т10) можно сказать немногое. Воспользовавшись инструментом «семантических сетей» системы «Эйдос», можно обнаружить некоторые закономерности. На следующих рисунках отображены семантические сети всех классов для одного и того же испытуемого, но построенные на основе данных о спектрах – на первой диаграмме, и на основе данных о параметрах фоновой ЭЭГ – на второй диаграмме.  Отношениям сходства соответствуют красные линии между номерами классов, отношениям различия – синие линии. Сила связи отображена толщиной линии и числом в ее середине.

По спектрам, испытуемый 833

 

По параметрам фоновой ЭЭГ, испытуемый 833

Увиденные отношения не однозначны и этот материал требует дальнейшего анализа, однако можно увидеть, что крайние латентности (большие опережения и большие латентности ответа – Т01 и Т08 и Т09) похожи (связаны красной линией) с классом Т12 (Ошибочные пропуски). Это говорит о том, что паттерны ЭЭГ, обуславливающие эти события-классы, похожи между собой. Эта тенденция лучше видна на данных фоновой ЭЭГ, чем на данных спектров.

Также можно увидеть сходство паттернов ЭЭГ, предшествующих опережениям и поздним реакциям – классы 1 и 9, 2 и 8 связаны положительными связями, которые более отчетливо видны на данных спектров.

 

Примеры работы методов:

 

В качестве примера приведем образцы работы двух систем расчета.

 

Прогноз с помощью регрессионного анализа:

На следующей таблице изображен фрагмент таблицы с данными испытуемого 895. Столбцы с серой заливкой (Т03-Т14, столбцы Т7-Т13 вырезаны в данном примере) представляют собой реальные данные о событиях (130 – событие есть, 70 – события нет). В столбцах PRD указано предсказанное значение соответствующих событий (100 – событие есть, 70 – события нет). В столбцах PRO указано число, получающееся в результате подстановки в регрессионное уравнение реальных значений. В зависимости от того, в какой индивидуально рассчитываемый бин попадает это число, принимается решение о наличии или отсутствии события, а также о неизвестном исходе. Границы бинов рассчитываются для каждого уравнения в отдельности.

Синей заливкой отмечена правильная идентификация (прогноз), красной – неправильная. 

Прогноз с помощью системы «Эйдос»:

На следующем рисунке изображен рабочий экран подсистемы вывода результатов распознавания. Каждому реальному событию («наименование физ.источн.инф») соответствует один наиболее похожий класс (результат распознавания) – «наименование класса распознавания». Степень сходства с этим классом приведенного примера (набора параметров, описывающих ЭЭГ) отражена в столбце «% сходства». Качество распознавания отражено в столбце «кач-во результ».

В реальности, каждому примеру (набору параметров, описывающих участок ЭЭГ) соответствует с разной степенью сходства сразу несколько классов, из которых выбирается наиболее похожий. На следующем рисунке отображена карточка результатов распознавания объекта 204, на предыдущем рисунке описанном пятой строкой снизу. Там он распознан как принадлежащий к классу Т11 («правильное количество пропусков»).  Это верное распознавание.

На следующем рисунке видно, что это действительно тот класс, с которым объект имеет наибольшее сходство. Также он имеет слабое сходство с классом Т04 («Время реакции в промежутке между –0.1 и 0.1») и Т12 («ошибочное количество пропусков»). Больше всего непохож этот участок ЭЭГ на классы, обратные упомянутым выше («НЕ правильное количество пропусков» и «НЕ время реакции в промежутке между –0.1 и 0.1»)

 

В результате проведенного анализа мы можем сделать несколько выводов:

1.  В индивидуальных характеристиках электроэнцефалограммы содержатся информативные признаки, обеспечивающие прогноз характера ответа на стимул в психомоторном тесте.

2.  Признаки, обеспечивающие прогноз характера ответа на стимул, индивидуальны.

3. Признаки, обеспечивающие прогноз характера ответа на стимул, устойчивы и сохраняются при изменении функционального состояния.

 

Также мы можем сделать вывод о предпочтительной применимости регрессионного анализа в задачах с высокой ценой «ложной тревоги». Эта предпочтительность является следствием существования доверительных интервалов в процедуре предсказания с помощью регрессионного анализа. Система «Эйдос» обладает аналогом доверительных интервалов – достоверностью распознавания, но в настоящее время интерфейс системы не позволяет легко использовать эту возможность.  

С другой стороны, система «Эйдос» позволяет осуществлять детальный анализ паттернов признаков. Эта система также является адаптивной и способна осуществлять пересинтез рабочей модели в автоматическом режиме.

 

Кроме этого, нам удалось увидеть, что существуют некоторые повторяющиеся паттерны признаков, повторяющиеся у различных испытуемых. В дальнейшем мы планируем провести расчеты с большим количеством признаков, концентрируясь на тех из них, которые показали наибольшую информативность в данном исследовании – а именно на параметрах пространственной корреляции. Также мы планируем совместить в одном наборе амплитудно-корреляционные признаки и спектральные признаки. Спектральные признаки мы планируем рассчитывать в узких окнах и сделать спектры более детализированными.

 

Литература

1. Щукин Т.Н., Дорохов В. Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: постановка задачи. // Научный журнал КубГАУ. – 2004.– №4(6). – 9 с. http://ej.kubagro.ru.

2. Щукин Т.Н., Дорохов В. Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: описание эксперимента. // Научный журнал КубГАУ. – 2004.– №4(6). – 9 с. http://ej.kubagro.ru.

Научный электронный журнал КубГАУ . № 04(6), 2004