Метод биологической обратной связи (БОС), в русскоязычной литературе называемый биоуправлением (biofeedback), впервые был использован Н. Мюллером для исследования возможности висцерального обучения посредством обратной связи. Данный метод на начальном этапе применялся для изучения фундаментальных физиологических механизмов организма и в дальнейшем охватывал широкий круг прикладных областей, в основном в клинической и в различной психокоррекционной практике. Однако, несмотря на постоянный рост в мире числа работ по проблемам практического применения методов БОС при лечении больных, он всё же не получил широкого распространения в теоретических и фундаментальных исследованиях [1].
На начальном этапе использования БОС-методики в качестве обратной связи были выбраны отдельные параметры, такие как амплитуда a-ритма мозга, ЧСС и т.д. Эти параметры в основном рассматривались как отражение отдельных функций организма. Следующий этап развития биоуправления характеризовался использованием мультипараметрической БОС.
Используемые типы мультипараметрической БОС-методики можно классифицировать по различным критериям. Например, по источникам, т.е. по тому, откуда берутся параметры. В первом случае в качестве параметра можно выбрать источник информации с одной системы, например соотношение ритмов ЭЭГ, совокупность отдельных частот вариабельности сердечного ритма и т.д. Во втором случае отдельные параметры соответствуют различным системам организма. Например, ЭЭГ – как показатель центральной, а ЧСС – показатель вегетативной нервной системы.
По типам выдачи обратной связи выделяются одноканальные и многоканальные. К одноканальным относятся те типы мультипараметрической БОС-методики, которые в качестве обратной связи выдают фиксированные соотношения, например отношение интегрального показателя тета-ритма к альфа-ритму мозга. В качестве примера многоканального типа может быть представлена двухканальная информация (температура тела и ЧСС) в виде точки на дисплее в качестве обратной связи. Используя 3D программирование, можно представить информацию обратной связи в виде образа в пространстве. В последнее время стало популярным представление БОС в игровом виде, которое дает возможность представить большое количество параметров, используя различные элементы визуальной динамики образов. Алгоритмами управления могут быть типы мультипараметрической БОС-методики с неадаптивным и адаптивным алгоритмом. Кроме того, адаптивный алгоритм тоже подразделяется на два типа: параметрический и функциональный. Исследование самоорганизации нейродинамических процессов (HП), как основа всех необходимых важных управляющих функций организмов, является предметом различных областей нейронаук. Последователями одной из ведущих школ экологической физиологии Д.А. Бирюкова являются Н.Н. Василевский, С.И. Сороко и др. [2], которые комплексно исследовали нейродинамические основы процессов самоорганизации при адаптации к экстремальным факторам внешней среды. При этом особое внимание было уделено функциональной пластичности НП с использованием метода БОС.
Цель исследования: изучение возможности применения адаптивного алгоритма мультипараметрической БОС к исследованию самоорганизации нейродинамических процессов, посредством снятия неопределенностей связанных с индивидуальными качествами.
Материалы и методы исследования
В предложенном нами мультипараметрическом БОС-подходе, в качестве совокупности управляемых параметров выбраны показатели биоритмологической организации основных ритмов мозга на основе концепцию школы Василевского – Сороко о вероятностно-детерминационной структуре НП.
При этом для формализации нейродинамического состояния в реальном масштабе времени вычисляется стохастическая матрица P = (pij) (матрица условных вероятностей чередования дискретно-информативных событий ЭЭГ), где в качестве цепи событий выбираются отдельные доминирующие ритмы (β, α, θ и δ), определяемые последовательностями 0-пересечений ЭЭГ. Целевая функция биотехнической системы (БТС), обеспечивающая мультипараметрическую БОС, формируется из элементов матрицы Р. Для определения интегративных показателей динамических характеристик НП как при предобработке, так и при оценке сценария после проведения БОС-тренинга нами предложен кортеж показателей детерминации НП. D(P):=<D, D1, D2, D3, D4>, здесь D – степень общей детерминации, которая определяется по формуле
D = min{к:[P k – P k+1] < ε}, (*)
где ε > 0 – выбираемая пользователем точность, когда Pk степень стохастической матрицы P становится стационарной. С помощью Di определяется детерминирующая роль в общей организации i-го компонента. Она вычисляется аналогично по формуле (*), над матрицей из которой исключены i-я строка и столбец матрицы. О детерминирующей роли i-го компонента в общей биоритмологической организации можно судить по разности (D-Di), так как если он отрицателен, то i-й компонент играет детерминирующий роль, если положителен, играет дезорганизующую роль, а если равен нулю, то нейтрален в организационном смысле. Здесь абсолютное значение разности (D-Di) отражает степень организационной роли. К системным показателям можно отнести кортеж показателей потоковых характеристик отдельных элементов в общей биоритмологической организации НП F(P):=<F1, F2, F3, F4>, где Fj = 1-Σpij.
Триада <P, D(P), F(P)> – отражает количественные характеристики разных сторон биоритмологической организации НП, которая используется для количественной оценки различных динамических характеристик на всех этапах, как при предобработке, так и при оценке сценария после проведения БОС-тренинга.
Целевая функция БТС формируется как нечеткая функция [3, 4] над многомерным пространством. Поэтапное приближение к желаемому состоянию из текущего составляет основу алгоритма мультипараметрической обратной связи. К каждому координату множества {Ki}i=1,…,n , которые образуют «нейродинамический портрет», соответствует нечеткое множество Ki:=<Rn, μi(K)>. Функция принадлежности формируется на основе статистического анализа эмпирических данных.
В этом случае алгоритм управления при реализации мультипараметрической БОС-методики сводится к многокритериальной задаче для БТС.
μi(K) > max, i = 1,…,n.,
где μ1: Rn → [0, 1] или U(μ1(K), μ2(K) ,…, μn(K)) > max, где U – неявный вид глобальной функции предпочтений.
Для решения поставленных задач перед БТС использует принципы векторной оптимизации. Первый принцип – свертывание векторной функции (μ1(K), μ2 (K) ,…, μn(K)) в скалярную μ*(K) (функция достижимости) «желаемого состояния» и второй принцип – поэтапное снятие неопределенностей (итеративное определение весовых коэффициентов при обучении), при котором уточняется целевая функция. Вследствие чего возможно максимальное приближение к оптимизации целевой функции БТС в рамках ограничений данной методики. При аддитивном свертывании, т.е. 
, 
. В результате получается глобальная целевая функция для БТС с неизвестными весомыми параметрами αi ∈[0, 1], 
Нечеткое множество 
, являясь линейной комбинацией локальных нечетких множеств, находится между максимальной и минимальной оболочкой этих множеств.
Технический компонент БТС состоит из РС и из периферийного устройства на основе микроконтроллера ATmega 16U, где периферийное устройство выполняет роль предобработки данных.
В качестве зрительной обратной связи были использованы концентрические круги с монитора компьютера. Исследование было проведено на энцефалографе Нейровизор БMM-36. Была использована монополярная ЭЭГ зрительной коры левого полушария. Методика проведена на 9 человек. ЭЭГ зарегистрирован во время сеанса 40-минутного одноразового мультипараметрического БОС-тренинга.
Результаты исследования и их обсуждение
Представлен результат с применением вышеизложенной методики к возможности изучения самоорганизации НП, на основе биоритмологической организации основных ритмов мозга по С.И. Сороко. Здесь представлен результат типового варианта тренинга. На рис. 1 представлены исходный (А), подлежащий изменению, и «желаемый» НП (Б), определяющий задачу БОС-тренинга.
Как представлено в методике, во время БОС-сеанса поэтапно уточняется целевая функция, зависящая от управляемости соответствующих компонентов. На рис. 2 показаны тонический (А), относительно не изменяющийся, и фазический компоненты (В) изменяющийся во время БОС-тренинга. Как видно из рисунка, на начальном этапе (ВI) целевой функции доминируют последовательности β–>θ α–>θ θ–> θ δ–>θ. Следующей этап характеризуется изменчивостью последовательностей β–>θ и θ–>θ. Последовательность δ–>θ является основным управляемым компонентом.
Орграф с вершинами β, α, θ и δ отражает взаимоотношения ритмов мозга. Орграфы с обозначениями I, II и III соответствуют последовательностям этапов БОС-тренинга.
Показателями детерминации являются информативные интеграционные характеристики, отражающие динамическую организацию НП. В табл. 1 представлены детерминационные характеристики НП на различных этапах БОС-тренинга. Как видно, a-компонент на различных этапах играет детерминационную роль. b-компонент, в отличие от начального состояния, постепенно увеличивает свою детерминирующую роль.
А Б
Рис. 1. Биоритмологическая организация основных ритмов мозга человека (по С.И. Сороко): А – до сеанса БОС; Б – «желаемое» состояние. Толщина дуг орграфов соответствует значению условных вероятностей чередования отдельных типов волн
Рис. 2. Тонический (А) и фазические (В) компоненты биоритмологической организации НП
Таблица 1
Показатели детерминации НП на различных этапах БОС-тренинга
|
Показатели детерминации НП |
НП1 |
НП2 |
НП3 |
|
К |
3 |
4 |
5 |
|
Кβ |
4 |
3 |
3 |
|
Кα |
3 |
2 |
3 |
|
Кθ |
5 |
4 |
5 |
|
Кδ |
3 |
4 |
4 |
В табл. 2 представлены значения вероятностных потоков на различных этапах БОС-тренинга. Как видно, на трех этапах обучения α-компонент играет роль «стока», а β- и θ-компонент – роль источника потока. С приближением к целевому состоянию, показатели потоков градуально усиливаются. Детерминационные и потоковые характеристики, дополняя биоритмологические структуры, создают условия для исследования самоорганизации НП.
Таблица 2
Вероятностные потоки НП
|
Этапы |
Вероятностные потоки биоритмологической организации ЭЭГ |
|||
|
Fβ |
Fα |
Fθ |
Fδ |
|
|
I |
0,296 |
–0,762 |
–0,198 |
0,663 |
|
II |
0,401 |
–1,315 |
0,120 |
0,794 |
|
III |
0,556 |
–1,586 |
0,310 |
0,720 |
Технический компонент (компьютер с самообучающей программой для решения многокритериальных задач при поэтапном приближении к целевой функции) позволяет биологическому компоненту, максимально раскрывать свою потенциальную возможность при решении задач БТС. Наличие нескольких типов неопределенностей, таких как информация об общих механизмах самоорганизации НП, информация об управляемости выбранных параметров, связанных с индивидуальной нейропластичностью, требуют использования адаптивных алгоритмов управления для технического компонента БТС [5, 6].
Для максимального выявления резервов, связанных с функциональной пластичностью, перспективно опираться на использование технологии синергетического тренинга [7–9].
Эффективность синергетического управления НП зависит не только от компонентов и их взаимоотношений, но и от оптимизации информационных процессов, находящихся в единой БТС.
С точки зрения исследования самоорганизации нейродинамических процессов представленный вариант мультипараметрической БОС-методики имеет следующие перспективы:
- выявление алгоритма самоорганизации при управлении состояниям, с выделением общих и частных, связанных с индивидуальными качествами закономерностей;
- определение прогностической роли взаимоотношений отдельных ритмов в биоритмологической структуре, для оптимизации нейрофункциональных состояний;
- определение психофункционального резерва организма на основе возможности реорганизации биоритмологической структуры нейродинамических процессов.
Выводы
1. Предложенная мультипараметрическая БОС-методика поэтапным изменением весовых параметров отдельных компонентов в целевой функции способствует наилучшим образом приближению к желаемому состоянию биоритмологической организации ЭЭГ.
2. Показатели степени детерминации отдельных ритмов ЭЭГ являются информативными для отражения реорганизационных процессов при БОС-методике.
3. Выделение фазического и тонического компонентов из посттренинговой динамики дает возможность судить о роли отдельных ритмов в процессе самоорганизации нейродинамических процессов.