Для цитирования:
Нуйдель И. В., Колосов А. В., Пермяков С. А., Егоров И. С., Полевая С. А., Яхно В. Г. Математическая модель управления нейропластичностью мозга при нейробиоуправлении // Известия вузов. ПНД. 2024. Т. 32, вып. 4. С. 472-491. DOI: 10.18500/0869-6632-003109, EDN: CAAKSH
Математическая модель управления нейропластичностью мозга при нейробиоуправлении
Цель настоящего исследования — применить модель взаимодействия модулей таламокортикальной системы для управления нейропластичностью мозга.
Методы. Проводятся психофизиологические эксперименты по нейробиоуправлению, которые состоят в световой стимуляции глаз моночастотными световыми импульсами в диапазоне 4...20 Гц и регистрации биоэлектрической активности головного мозга. В качестве характеристики зрелости ритмики мозга используют совокупность наличия или отсутствия в биоэлектрической активности головного мозга доминирующей пиковой частоты в альфа-диапазоне ЭЭГ, эффекта усвоения навязываемых стимуляцией ритмов и наличия мультипликационного эффекта от навязываемых стимуляцией ритмов. Рассматриваются соответствующие психофизиологическому эксперименту решения модели элементарной таламокортикальной ячейки, которая описывается системой дифференциальных уравнений. Модель реализована средствами языка Python.
Результаты. Параметры модели подбираются таким образом, чтобы добиться качественного соответствия спектральных характеристик полученных решений с биоэлектрической активностью головного мозга обследуемого. Зрелость ритмики оценивается по параметрам модели таламокортикальной ячейки. Яркость и частотные характеристики световых стимулов подбираются исходя из прогноза модели, на вход которой подают различные варианты последовательностей импульсов.
Заключение. Разработан способ цифровой диагностики уровня зрелости ритмики мозга на основе сопоставления результатов моделирования и данных психофизиологического эксперимента по нейробиоуправлению. Эволюция решений модели в зависимости от ее параметров симулирует процесс биоуправления нейропластичностью мозга с учетом исходного уровня зрелости ритмики и стресс-индуцированных искажений нейродинамики. Эксперименты на модели с различными параметрами модели и внешнего сигнала могут быть использованы в разработке новых протоколов нейробиоуправления.
- Савчук Л. В., Полевая С. А., Парин С. Б., Бондарь А. Т., Федотчев А. И. Резонансное сканирование и анализ электроэнцефалограммы при определении зрелости корковой ритмики у младших школьников // Биофизика. 2022. Т. 67, № 2. С. 354–361. DOI: 10.31857/S000630 2922020181.
- Shaw C. A., McEachern J. C. Toward a Theory of Neuroplasticity. New York: Psychology Press, 2001. 468 p. DOI: 10.4324/9780203759790.
- Kaczmarek B. L. Current views on neuroplasticity: what is new and what is old? // Acta Neuropsychologica. 2020. Vol. 18, no. 1. P. 1–14. DOI: 10.5604/01.3001.0013.8808.
- Kaczmarek B. L., Markiewicz K. Brain plasticity and the idea of the functional system // Lurian Journal. 2021. Vol. 2, no. 2. P. 46–62. DOI: 10.15826/Lurian.2021.2.2.3.
- Федотчев А. И., Парин С. Б., Громов К. Н., Савчук С. А., Полевая С. А. Комплексная обратная связь от биопотенциалов мозга и сердца в коррекции стресс-индуцированных состояний // Журнал высшей нервной деятельности им. Павлова. 2019. Т. 69, № 2. С. 187–193. DOI: 10.1134/S0044467719020059.
- Федотчев А. И. Эффекты фотостимуляции, управляемой электроэнцефалограммой человека // Биофизика. 2019. Т. 64, № 2. С. 358–361. DOI: 10.1134/S0006302919020157.
- Fedotchev A. I., Parin S. B., Polevaya S. A., Zemlianaia A. A. Human body rhythms in the development of non-invasive methods of closed-loop adaptive neurostimulation // J. Pers. Med. 2021. Vol. 11, no. 5. P. 437. DOI: 10.3390/jpm11050437.
- Федотчев А. И., Земляная А. А., Савчук Л. В., Полевая С. А. Нейроинтерфейс с двойной обратной связью от ЭЭГ в коррекции стресс-вызванных расстройств // Современные технологии в медицине. 2019. Т. 11, № 1. С. 150–154. DOI: 10.17691/stm2019.11.1.17.
- Федотчев А. И., Парин С. Б., Полевая С. А. Нейроинтерфейсы, управляемые биопотенциалами мозга и сердца, в коррекции стресс-вызванных расстройств // Вестник РФФИ. Общественные и гуманитарные науки. 2019. Т. 94, № 1. С. 144–152. DOI: 10.22204/2587- 8956-2019-094-01-144-152.
- Федотчев А. И., Парин С. Б., Полевая С. А., Земляная А. А. Эффекты аудио - визуальной стимуляции, автоматически управляемой биопотенциалами мозга и сердца человека // Физиология человека. 2019. Т. 45, № 5. С. 75–79. DOI: 10.1134/S0131164619050023.
- Coulter D. A. Thalamocortical Anatomy and Physiology. In: Engel Jr. J., Pedley T A. (eds). Epilepsy: A Comprehensive Textbook. Philadelphia: Lippincott-Raven, 1997. P. 341–351.
- Miranda R. A., Casebeer W. D., Hein A. M., Judy J. W., Krotkov E. P., Laabs T. L., Manzo J. E., Pankratz K. Z., Pratt G. A., Sanchez J. C., Weber D. J., Wheeler T. L., Ling G. S. F. Darpa-funded efforts in the development of novel brain–computer interface technologies // J. Neurosci. Methods. 2015. Vol. 244. P. 52–67. DOI: 10.1016/j.jneumeth.2014.07.019.
- Федотчев А. И., Парин С. Б., Полевая С. А., Великова С. Д. Технологии «интерфейс мозг-компьютер» и нейробиоуправление: современное состояние и возможности клинического применения // Современные технологии в медицине. 2017. Т. 9, № 1. С. 175–184. DOI: 10.17691/stm2017.9.1.22.
- Федотчев А. И., О Сан Джун, Бондарь А. Т., Семенов В. С. Современные возможности и подходы к активизации когнитивной деятельности и процессов обучения у человека: Монография. Пущино: ИБК РАН, 2017. 114 с.
- Fedotchev A. I., Parin S. B., Polevaya S. A. Adaptive neurostimulation methods in correcting posttraumatic stress disorder and professional burnout syndrome // Opera Medica et Physiologica. 2021. Vol. 8, no. 2. P. 68–74. DOI: 10.24412/2500-2295-2021-2-68-74.
- Fedotchev A. I., Parin S. B., Polevaya S. A., Zemlianaia A. A. EG-based musical neurointerfaces in the correction of stress-induced states // Brain Comput Interfaces (Abingdon). 2022.Vol. 9, no. 1. P. 1–6. DOI: 10.1080/2326263X.2021.1964874.
- Нуйдель И. В., Колосов А. В., Демарева В. А., Яхно В. Г. Применение феноменологической математической модели для воспроизведения эффекта взаимодействия эндогенных и экзогенных осцилляций при нейробиоуправлении // Современные технологии в медицине. 2019. Т. 11, № 1. С. 103–108. DOI: 10.17691/stm2019.11.1.12.
- Федотчев А. И., Парин С. Б., Полевая С. А. Нейроинтерфейсы на основе эндогенных ритмов организма для оптимизации функционального состояния человека и его когнитивной реабилитации // Успехи физиологических наук. 2021. Т. 52, № 2. С. 83–92. DOI: 10.31857/S030117 982102003X.
- Zhang Y., Guo D., Xu P., Zhang Y., Yao D. Robust frequency recognition for SSVEP-based BCI with temporally local multivariate synchronization index // Cogn. Neurodyn. 2016. Vol. 10, no. 6. P. 505–511. DOI: 10.1007/s11571-016-9398-9.
- Кудряшов А. В., Яхно В. Г. Распространение областей повышенной импульсной активности в нейронной сети // Динамика биологических систем. 1978. Т. 2. С. 45–59.
- Yakhno Y. G. Basic models of hierarchy neuron-like systems and ways to analyse some of their complex reactions // Optical Memory and Neural Network. 1995. Vol. 4, no. 2. P. 145–155.
- Колосов А. В., Нуйдель И. В., Яхно В. Г. Исследование динамических режимов в математической модели элементарной таламокортикальной ячейки // Известия вузов. ПНД. 2016. Т. 24, № 5. С. 72–83. DOI: 10.18500/0869-6632-2016-24-5-72-83.
- 272 просмотра