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

Обложка

Цитировать

Полный текст

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.

Об авторах

Александр Константинович Куц

Балтийский Федеральный Университет им. И. Канта; Университет Иннополис

г. Калининград, ул. А.Невского, 14

Владимир Александрович Максименко

Балтийский Федеральный Университет им. И. Канта; Университет Иннополис; Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)

г. Калининград, ул. А.Невского, 14

Александр Евгеньевич Храмов

Балтийский Федеральный Университет им. И. Канта; Университет Иннополис; Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)

г. Калининград, ул. А.Невского, 14

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».