Команда применила методы машинного обучения для анализа пяти датасетов, сделанных на основе экспериментальных наблюдений за моторной и префронтальной корой головного мозга обезьяны и мыши.
Сегодня одним из наиболее популярных экспериментов по изучению работы мозга во время двигательной активности считается анализ движений руки (reaching experiment), записываемый при помощи имплантируемых в структуры головного мозга электродов. Далее научное сообщество традиционно использует две модели интерпретации данных: репрезентативную и динамическую. Согласно репрезентативному подходу, каждый отдельный нейрон отвечает за свой параметр движения конечности: ускорение, скорость и направление движения руки, его угол и другие характеристики. В то время как динамическая модель рассматривает в качестве объекта изучения двигательную активность в целом, фокусируясь не на отдельных нейронах, но на их общей динамике.
В ходе исследования, работа над которым длилась с осени 2022 года, ученые предложили отойти от конкурирующих гипотез и сосредоточиться исключительно на анализе волн. Наряду с доказательством взаимосвязи двух феноменов головного мозга — бегущих кортикальных волн и вращательной динамики, команда представила два метода для количественной оценки волны.
Так, первый метод — оценка кривизны волны без сжатия данных — позволяет анализировать обороты и скорость движения волны в 2D-проекции, не теряя полезную информацию. Через еще один параметр, вращательную плоскость, аналитики могут выражать векторы и строить двумерные графики для отображения характеристик волны с динамикой изменений.
Второй метод — оценка вращательной степени — дает возможность оценивать истинную динамику нейронной активности в данных и сравнивать их между собой, в то же время демонстрируя, как двумерная проекция портит первоначальные данные.
Екатерина Кузьмина, младший научный сотрудник группы лаборатории «Сильный ИИ в медицине» Института AIRI, ответила на вопросы «Ъ-Науки»:
— Что такое бегущая кортикальная волна?
— Бегущая кортикальная волна — феномен головного мозга, который можно представить как поочередную активацию нейронов, одного за другим. Нейроны соединены между собой синапсами, и, когда один нейрон стреляет, он может активизировать второй — например, с которым связан, — это самый простой случай. Загорается один нейрон, за ним второй, потом третий — так рождается волна активности, которая бежит сквозь эти нейроны. Бегущая, потому что они активизируются один за другим, а кортикальная — так как это происходит в кортексе, внешней поверхности головного мозга.
Важно понимать, что они не всегда соединены между собой, это не главное условие: нейроны могут активироваться общими нейромедиаторами и не соседствовать напрямую. Поскольку ученые записывают активность головного мозга с электродов, здесь есть определенное физическое ограничение, которое тоже следует учитывать. Так, электроды ловят лишь самую ближайшую активность, поэтому записать волну полностью не всегда возможно.
— Почему для нейронных данных важна взаимосвязь бегущих кортикальных волн с вращательной динамикой?
— Вращательная динамика — еще один феномен головного мозга, связанный с активизацией нейронов в момент подготовки к физическому движению. Очень много работ посвящено попыткам объяснить этот феномен через различные подходы — например, эмпирический, то есть через наблюдение.
Сложность состояла в том, что измерить такие вращения или как-то объективно сравнить их между собой невозможно. Наше открытие, то есть строгое математическое доказательство взаимосвязи вращательной динамики с бегущей кортикальной волной, несет в себе огромную практическую ценность. Теперь, если исследователь при анализе данных увидит вращение, он может сразу приступить к изучению волны, что даст ему возможность применять численный анализ. Волну удобно измерять, ее легко сравнивать, а значит, от просто наблюдений можно перейти к работе с количественными данными.
— Что такое нейрокомпьютерные интерфейсы и как они работают?
— Нейрокомпьютерный интерфейс (НКИ) — это система, созданная для обмена информацией между мозгом и компьютером или другим электронным устройством. Ключевая идея такой системы — определить, что означает активность тех или иных нейронов, и использовать это для решения различных функций — например, движения протезом или печати на клавиатуре.
Интерфейсы могут быть однонаправленными и двунаправленными — от их вида зависит то, как они работают. Первые позволяют либо принимать сигналы от мозга, либо, наоборот, посылать ему сигналы. Исследователи здесь исходят из предположения, что активность мозга кодирует какую-то информацию, ее можно получить, декодировать и использовать для своих целей. Двунаправленные интерфейсы дают возможность обмениваться информацией в обоих направлениях. А значит, ученые не просто получают и декодируют данные, но и используют полученные результаты для стимуляции мозга.
— Как анализ волн может помочь улучшить работу нейрокомпьютерных интерфейсов?
— В основе любого нейрокомпьютерного интерфейса лежит какая-либо гипотеза, вокруг которой и выстраивается вся система. То есть набор убеждений относительно того, как интерпретировать полученную запись активности нейронов. Две ключевые, наиболее масштабные гипотезы — репрезентативная и динамическая.
Согласно репрезентативной, для каждой части тела каждый параметр нашего движения — скорость, угол, ускорение, степень наклона и множество других характеристик — представлен, то есть репрезентован активностью мозга. Другими словами, можно взять данные активности мозга, декодировать их и пытаться обосновать, какая часть активности отвечает за скорость, например, движения руки, какая — за угол
При разработке нейрокомпьютерных интерфейсов каждая из этих моделей разбивается на огромное количество более мелких гипотез. Например, один исследователь может предположить, что полученная с электродов активность отражает исключительно скорость движения руки, другой — только ускорение, то есть происходит дифференциация по всем этим параметрам.
Наше исследование со Сколтехом, МГУ и ИЭФБ РАН — фундаментальная работа по дата-анализу, которая может применяться в работе над любой из гипотез. Представленный нами метод позволяет более точно интерпретировать данные и работать с количественными показателями, а не только визуальной оценкой вращения нейронов.
— Вы используете математический подход в анализе данных. Почему команда решила использовать именно его? В чем его преимущество?
— Его значительное преимущество — точность. Мы получаем возможность формализовать все, что происходит с данными. Раньше исследователи относились к полученной информации как к «черному ящику», то есть системе, в которой внешнему наблюдателю известны только входные и выходные величины, но не внутренние процессы. Таким образом, все сводилось к эмпирическому наблюдению, которое не всегда применимо. Теперь же данные можно не просто наблюдать, а описывать строгими математическими моделями.
Представьте такой пример: вы изучаете несколько вращений. И если раньше вы описывали их словами вроде «сплющенный» или «спиральный», то теперь можете привести к понятным значениям и измерить точной «линейкой»: 0,5, или 0,7, или 0,9. Числовые измерения — лучшая и самая удобная формализация данных. Это упрощает анализ и повышает его объективность.
— Как, на ваш взгляд, это направление будет развиваться в дальнейшем?
— Научное сообщество пока не может однозначно ответить, как работает моторная кора и как мозг генерирует движения. Наш подход точно будет полезен при исследовании различных теорий. Мы продолжим и дальше работать с этой темой — одно из следующих исследований будет посвящено таким же паттернам бегущих волн и вращений в гиппокампе. Наряду с этим планируем изучить взаимосвязь между бегущими волнами в моторной коре и работой мышц, то есть как явная активность бегущих волн в моторной коре передается через спинной мозг в мышцы, хотим изучить эту взаимосвязь.