Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)

Для цитирования:

Куц А. К., Максименко В. А., Храмов А. Е. Влияние «сенсорной предыстории» на обработку головным мозгом неоднозначных визуальных стимулов // Известия вузов. ПНД. 2022. Т. 30, вып. 1. С. 57-75. DOI: 10.18500/0869-6632-2022-30-1-57-75

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Иконка PDF kuc_et_al.pdf
(загрузок: 795)
Полный текст в формате PDF(En):
Иконка PDF and_2022_1_hramov_et_en.pdf
(загрузок: 471)
Язык публикации: 
русский
Рубрика: 
Нелинейная динамика и нейронаука
Тип статьи: 
Научная статья
УДК: 
530.182
DOI: 
10.18500/0869-6632-2022-30-1-57-75

Влияние «сенсорной предыстории» на обработку головным мозгом неоднозначных визуальных стимулов

Авторы: 
Куц Александр Константинович, Балтийский Федеральный Университет им. И. Канта
Максименко Владимир Александрович, Балтийский Федеральный Университет им. И. Канта
Храмов Александр Евгеньевич, Балтийский Федеральный Университет им. И. Канта
Аннотация: 

Цель исследования — изучить влияние особенностей сенсорной информации, предшествующей целевому визуальному стимулу, на его обработку нейронной сетью коры головного мозга. В качестве визуальных стимулов используются неоднозначные изображения — кубы Неккера с высокой и низкой степенью неоднозначности. Методы. Используются методы частотно-временного анализа исходных сигналов электрической активности головного мозга на основе вейвлет-преобразования. Для сравнения поведенческих характеристик визуального восприятия используется многофакторный дисперсионный анализ. Спектральная мощность сигналов активности мозга в различных условиях сравнивается при помощи статистического теста с кластерной коррекцией множественных сравнений. Результаты. Показано, что, когда неоднозначные стимулы следуют за однозначными стимулами, активность нейронов в сенсорных областях ослабевает на ранней стадии обработки, но усиливается на поздних стадиях. Это подтверждает иерархическую организацию обработки сенсорной информации, где низкие уровни обрабатывают детали стимула, а высокие уровни представляют его интерпретацию. Анализ также подтвердил, что обработка неоднозначных и однозначных стимулов совпадает на низких уровнях из-за их схожей морфологии. Поэтому мозг может использовать сенсорный шаблон однозначного стимула на низких уровнях, чтобы снизить затраты на обработку деталей неоднозначного стимула. Когда однозначный стимул следует за неоднозначным стимулом, наблюдается усиление нейронной активности в лобной коре. Это отражает активацию нисходящих процессов, обнаруживающих несоответствие между текущим однозначным стимулом и шаблоном, сформировавшимся на основе предшествующего неоднозначного стимула. Заключение. Полученные результаты расширяют имеющиеся знания об особенностях активности мозга, связанной с обработкой зрительной информации в условиях неоднозначности сенсорных данных.

Ключевые слова: 
неоднозначные стимулы
шаблон стимула
иерархия обработки
электроэнцефалография
теория прогностического кодирования
Благодарности: 
Александр Храмов поддержан грантом Президента РФ (НШ-2594.2020.2) в формулировании научной гипотезы исследования. Владимир Максименко поддержан грантом РФФИ (19-32-60042) в разработке экспериментальной парадигмы и анализе поведенческих данных. Александр Куц поддержан грантом Президента РФ (MK-1760.2020.2) в анализе сигналов ЭЭГ
Список источников: 
  1. Rauss K., Pourtois G. What is bottom-up and what is top-down in predictive coding? // Frontiers in Psychology. 2013. Vol. 4. P. 276. DOI: 10.3389/fpsyg.2013.00276.
  2. Teufel C., Fletcher P. C. Forms of prediction in the nervous system // Nature Reviews Neuroscience. 2020. Vol. 21, no. 4. P. 231–242. DOI: 10.1038/s41583-020-0275-5.
  3. Kok P., Failing M. F., de Lange F. P. Prior expectations evoke stimulus templates in the primary visual cortex // Journal of Cognitive Neuroscience. 2014. Vol. 26, no. 7. P. 1546–1554. DOI: 10.1162/jocn_a_00562.
  4. Kok P., Mostert P., de Lange F. P. Prior expectations induce prestimulus sensory templates // Proceedings of the National Academy of Sciences of the United States of America. 2017. Vol. 114, no. 39. P. 10473–10478. DOI: 10.1073/pnas.1705652114.
  5. Teufel C., Dakin S. C., Fletcher P. C. Prior object-knowledge sharpens properties of early visual feature-detectors // Scientific Reports. 2018. Vol. 8, no. 1. P. 10853. DOI: 10.1038/s41598-018- 28845-5.
  6. Heekeren H. R., Marrett S., Ungerleider L. G. The neural systems that mediate human perceptual decision making // Nature Reviews Neuroscience. 2008. Vol. 9, no. 6. P. 467–479. DOI: 10.1038/nrn2374.
  7. Friston K. The free-energy principle: a rough guide to the brain? // Trends in Cognitive Sciences. 2009. Vol. 13, no. 7. P. 293–301. DOI: 10.1016/j.tics.2009.04.005.
  8. Wacongne C., Labyt E., van Wassenhove V., Bekinschtein T., Naccache L., Dehaene S. Evidence for a hierarchy of predictions and prediction errors in human cortex // Proceedings of the National Academy of Sciences of the United States of America. 2011. Vol. 108, no. 51. P. 20754–20759. DOI: 10.1073/pnas.1117807108.
  9. Henson R. N. A., Rugg M. D. Neural response suppression, haemodynamic repetition effects, and behavioural priming // Neuropsychologia. 2003. Vol. 41, no. 3. P. 263–270. DOI: 10.1016/S0028- 3932(02)00159-8.
  10. Vogels R. Sources of adaptation of inferior temporal cortical responses // Cortex. 2016. Vol. 80. P. 185–195. DOI: 10.1016/j.cortex.2015.08.024.
  11. Vinken K., Op de Beeck H. P., Vogels R. Face repetition probability does not affect repetition suppression in macaque inferotemporal cortex // Journal of Neuroscience. 2018. Vol. 38, no. 34. P. 7492–7504. DOI: 10.1523/JNEUROSCI.0462-18.2018.
  12. Gilbert C. D., Li W. Top-down influences on visual processing // Nature Reviews Neuroscience. 2013. Vol. 14, no. 5. P. 350–363. DOI: 10.1038/nrn3476.
  13. Schwiedrzik C. M., Freiwald W. A. High-level prediction signals in a low-level area of the macaque face-processing hierarchy // Neuron. 2017. Vol. 96, no. 1. P. 89–97. DOI: 10.1016/j.neuron.2017.09.007.
  14. Maksimenko V., Kuc A., Frolov N., Kurkin S., Hramov A. Effect of repetition on the behavioral and neuronal responses to ambiguous Necker cube images // Scientific Reports. 2021. Vol. 11, no. 1. P. 3454. DOI: 10.1038/s41598-021-82688-1.
  15. Maksimenko V. A., Frolov N. S., Hramov A. E., Runnova A. E., Grubov V. V., Kurths J., Pisarchik A. N. Neural interactions in a spatially-distributed cortical network during perceptual decision-making // Frontiers in Behavioral Neuroscience. 2019. Vol. 13. P. 220. DOI: 10.3389/fnbeh.2019.00220.
  16. Maksimenko V. A., Runnova A. E., Zhuravlev M. O., Makarov V. V., Nedayvozov V., Grubov V. V., Pchelintceva S. V., Hramov A. E., Pisarchik A. N. Visual perception affected by motivation and alertness controlled by a noninvasive brain-computer interface // PLoS ONE. 2017. Vol. 12, no. 12. P. e0188700. DOI: 10.1371/journal.pone.0188700.
  17. Kornmeier J., Friedel E., Wittmann M., Atmanspacher H. EEG correlates of cognitive time scales in the Necker-Zeno model for bistable perception // Consciousness and Cognition. 2017. Vol. 53. P. 136–150. DOI: 10.1016/j.concog.2017.04.011.
  18. Hramov A. E., Maksimenko V. A., Pchelintseva S. V., Runnova A. E., Grubov V. V., Musatov V. Y., Zhuravlev M. O., Koronovskii A. A., Pisarchik A. N. Classifying the perceptual interpretations of a bistable image using EEG and artificial neural networks // Frontiers in Neuroscience. 2017. Vol. 11. P. 674. DOI: 10.3389/fnins.2017.00674.
  19. Delorme A., Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis // Journal of Neuroscience Methods. 2004. Vol. 134, no. 1. P. 9–21. DOI: 10.1016/j.jneumeth.2003.10.009.
  20. Павлов А. Н., Храмов А. Е., Короновский А. А., Ситникова Е. Ю., Макаров В. А., Овчинников А. А. Вейвлет-анализ в нейродинамике // УФН. 2012. Т. 182, № 9. С. 905–939. DOI: 10.3367/UFNr.0182.201209a.0905. 
  21. Hramov A. E., Koronovskii A. A., Makarov V. A., Maksimenko V. A., Pavlov A. N., Sitnikova E. Wavelets in Neuroscience. Cham: Springer, 2021. 384 p. DOI: 10.1007/978-3-030-75992-6.
  22. Bakdash J. Z., Marusich L. R. Repeated measures correlation // Frontiers in Psychology. 2017. Vol. 8. P. 456. DOI: 10.3389/fpsyg.2017.00456.
  23. Summerfield C., de Lange F. P. Expectation in perceptual decision making: neural and computational mechanisms // Nature Reviews Neuroscience. 2014. Vol. 15, no. 11. P. 745–756. DOI: 10.1038/nrn3838.
  24. Tseng P., Iu K.-C., Juan C.-H. The critical role of phase difference in theta oscillation between bilateral parietal cortices for visuospatial working memory // Scientific Reports. 2018. Vol. 8, no. 1. P. 349. DOI: 10.1038/s41598-017-18449-w.
  25. Berger B., Griesmayr B., Minarik T., Biel A. L., Pinal D., Sterr A., Sauseng P. Dynamic regulation of interregional cortical communication by slow brain oscillations during working memory // Nature Communications. 2019. Vol. 10, no. 1. P. 4242. DOI: 10.1038/s41467-019-12057-0.
  26. Engel A. K., Fries P. Beta-band oscillations – signalling the status quo? // Current Opinion in Neurobiology. 2010. Vol. 20, no. 2. P. 156–165. DOI: 10.1016/j.conb.2010.02.015.
  27. Okazaki M., Kaneko Y., Yumoto M., Arima K. Perceptual change in response to a bistable picture increases neuromagnetic beta-band activities // Neuroscience Research. 2008. Vol. 61, no. 3. P. 319–328. DOI: 10.1016/j.neures.2008.03.010.
  28. Folstein J. R., Van Petten C. Influence of cognitive control and mismatch on the N2 component of the ERP: A review // Psychophysiology. 2008. Vol. 45, no. 1. P. 152–170. DOI: 10.1111/j.1469- 8986.2007.00602.x.
  29. Nigbur R., Ivanova G., Sturmer B. Theta power as a marker for cognitive interference // Clinical Neurophysiology. 2011. Vol. 122, no. 11. P. 2185–2194. DOI: 10.1016/j.clinph.2011.03.030.
  30. Wagner J., Wessel J. R., Ghahremani A., Aron A. R. Establishing a right frontal beta signature for stopping action in scalp EEG: Implications for testing inhibitory control in other task contexts // Journal of Cognitive Neuroscience. 2018. Vol. 30, no. 1. P. 107–118. DOI: 10.1162/jocn_a_01183.
  31. Dehais F., Dupres A., Di Flumeri G., Verdiere K., Borghini G., Babiloni F., Roy R. Monitoring pilot’s cognitive fatigue with engagement features in simulated and actual flight conditions using an hybrid fNIRS-EEG passive BCI // 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC) / IEEE. New York, 2019. P. 544–549. DOI: 10.1109/SMC.2018.00102.
  32. Gateau T., Ayaz H., Dehais F. In silico vs. over the clouds: On-the-fly mental state estimation of aircraft pilots, using a functional near infrared spectroscopy based passive-BCI // Frontiers in Human Neuroscience. 2018. Vol. 12. P. 187. DOI: 10.3389/fnhum.2018.00187.
  33. Maksimenko V. A., Hramov A. E., Grubov V. V., Nedaivozov V. O., Makarov V. V., Pisarchik A. N. Nonlinear effect of biological feedback on brain attentional state // Nonlinear Dynamics. 2019. Vol. 95, no. 3. P. 1923–1939. DOI: 10.1007/s11071-018-4668-1.
  34. Hramov A. E., Maksimenko V. A., Pisarchik A. N. Physical principles of brain-computer interfaces and their applications for rehabilitation, robotics and control of human brain states // Physics Reports. 2021. Vol. 918. P. 1–133. DOI: 10.1016/j.physrep.2021.03.002.
Поступила в редакцию: 
27.06.2021
Принята к публикации: 
07.10.2021
Опубликована: 
31.01.2022
  • 2749 просмотров