ВВЕДЕНИЕ

Изучение психофизиологических коррелятов подвижного интеллекта и зрительной рабочей памяти важно для понимания нейронных механизмов индивидуальных различий и поиска объективных индикаторов когнитивной эффективности. Сетевой подход к ЭЭГ позволяет реконструировать функциональные сети мозга и количественно их описывать. В настоящем исследовании использованы современные методы машинного обучения, что даёт возможность не только глубже анализировать механизмы интеллекта, но и осуществлять прогноз его уровня по характеристикам мозговых паттернов.

Цели:

1. С помощью корреляционных методов проверить наличие связей между сетевыми метриками ЭЭГ и эффективностью зрительной рабочей памяти (ЗРП) на глобальном, среднем и локальном уровнях с учётом вариаций частотных диапазонов и порогов отсечения слабых связей.

2. С помощью корреляционных методов проверить наличие связи между сетевыми метриками ЭЭГ и уровнем подвижного интеллекта (ПИ) на глобальном, среднем и локальном уровнях в условиях: a. состояния покоя, b. при когнитивной нагрузке, c. при решении задач Равена.

3. Построить и валидировать модель машинного обучения, предсказывающую уровень ПИ по сетевым метрикам функциональной связности.

Гипотезы:

1. Существует связь сетевых метрик ЭЭГ с эффективностью зрительной рабочей памяти (ЗРП) на глобальном, среднем и локальном уровнях с учётом частотных диапазонов и порогов отсечения слабых связей.

2. Существует связь сетевых метрик ЭЭГ с уровнем подвижного интеллекта (ПИ) на глобальном, среднем и локальном уровнях в разных условиях: a) в состоянии покоя; b) при когнитивной нагрузке; c) во время решения матриц Равена.

3. ПИ поддаётся прогнозированию по сетевым метрикам функциональной мозговой связности с использованием модели машинного обучения.

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

Во время исследования проводилась запись 60-канальной электроэнцефалограммы (ЭЭГ) по схеме 10 - 10 при помощи электроэнцефалографа «Нейро-КМ», производства фирмы «Статокин». Регистрация производилась в двух условиях: при состоянии покоя и при когнитивной нагрузке (вычитание из 1000 по 7 c открытыми и закрытыми глазами, решение матриц Равена и решение задачи 2-back – с открытыми глазами). Задачи на когнитивную деятельность: 2-back, прогрессивные матрицы Равена плюс (SPM Plus) [1]. Записи ЭЭГ были обработаны в программах Brainstorm, Matlab, использован скрипт на языке Python 3.10 (пакет mne). Записи были отфильтрованы в диапазоне 0.5 – 30 Гц, артефакты были удалены с помощью метода независимых компонент и алгоритма ALICE.

Методом sLORETA были восстановлены 68 корковых источников по атласу Desikan-Killiany [2]. Была рассчитана функциональная связность с помощью взвешенного индекса фазовой задержки (weighted phase lag index, wPLI) [3] в четырех частотных диапазонах: 4–8 Гц (тета-ритм), 8–13 Гц (альфа-ритм), 13–30 Гц (бета-ритм) и 4–30 Гц. Был произведен расчёт взвешенных и пороговых графов по матрицам ЭЭГ-связности. Оценивалась чувствительность метрик на широком диапазоне порогов отсечения слабых связей (10–90%). Расчёт корреляций был произведен по методу Спирмена.

Сетевые метрики, рассчитанные для изучения эффективности ЗРП и ПИ при решении матриц Равена: SWI (Small World Index, Индекс малого мира), модульность, стандартный и нормализованный коэффициент кластеризации (Clustering Coefficient, СС/Normal CC), характеристическая длина пути (Characteristic Path Length, CPL), локальная эффективность, сила вершины, оценки центральности - центральность собственного вектора и степень посредничества. Проводился анализ попарной связности (ROI–ROI) в заранее определенном наборе из 9 областей интереса (ROI), релевантных ЗРП, и из 10 областей интереса (ROI), релевантных ПИ, выделенных по фМРТ мета-анализам (атлас Desikan-Killiany).

Для исследования эффективности ПИ в состоянии покоя и при когнитивной нагрузке оценивались глобальные сетевые метрики – SWI (Small World Index, Индекс малого мира), модульность, стандартный и нормализованный коэффициент кластеризации (Clustering Coefficient, СС/Normal CC), характеристическая длина пути (Characteristic Path Length, CPL).

Для прогнозирования уровня подвижного интеллекта использовалась полносвязная нейросеть прямого распространения (PyTorch, Python 3.0/Jupyter) для регрессии по векторизованным матрицам ЭЭГ-связности 68×68 из 4 состояний (покой/нагрузка × открытые/закрытые глаза) и 4 диапазонов (4–8; 8–13; 13–30; 4–30 Гц) — 16 матриц на участника; N = 92 (обучение 73, тест 19). Архитектура: линейные слои с ReLU и Dropout; оптимизация SGD (lr = 0,01), функция потерь MAE; стандартизация (StandardScaler), метрики R², MAE и Спирмен (из-за непроверенной нормальности). Обучение: 200 эпох, batch = 64.

Выборка:

1. Для ЗРП и процесса решения задач на подвижный интеллект: 74 участников, 13 мужчин, 61 женщина, без неврологических и психиатрических заболеваний. Возраст – от 18 до 27 лет, средний возраст – 19,2 ± 1,6 года.

2. Для корреляции подвижного интеллекта с метриками фона и для машинного обучения: 92 участника, 48 мужчин, 44 женщины, без неврологических и психиатрических заболеваний. Возраст – от 18 до 35 лет, средний возраст – 20,9 лет. Эксперименты были проведены с соблюдением этических норм.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Зрительная рабочая память. В задаче 2-back глобальные метрики сети не коррелируют с точностью выполнения. На среднем уровне более высокая эффективность ЗРП связана с меньшей центральностью ряда лобных узлов, прежде всего покрышечной части левой нижней лобной извилины: центральность по собственному вектору в альфа-диапазоне при порогах 0–90% (r от –0.45 до −0.34, p<0.05) и в диапазоне 4–30 Гц при 0–90% (r от −0.36 до −0.34, p<0.05); сила вершины в альфа-диапазоне при 0–70% (r от –0.42 до –0.39, p  <  0.05); локальная эффективность в альфа-диапазоне при 60–70% (r от –0.39 до –0.38, p < 0.05); степень посредничества в альфа-диапазоне при 70% (r = –0.41, p < 0.05). Также снижена локальная эффективность левой верхней лобной извилины в диапазоне 4–30 Гц при 80–90% (r = –0.37, p < 0.05). На локальном уровне эффективность ЗРП обратно связана с межполушарной связностью между правой и левой каудальной средней лобной извилиной (в альфа-диапазоне r = –0.43, p = 0.02; в бета-диапазоне r = –0.40, p = 0.04), что согласуется с идеей подавления избыточной межполушарной синхронизации и более избирательного, «распределённого» по полушариям контроля при успешной ЗРП. Таким образом, для ЗРП лучшая эффективность достигается при сниженной межполушарной синхронизации в лобных зонах и меньшей центральности отдельных фронтальных узлов — это профиль «экономной» сети, избегающей перегрузки хабов и перераспределяющей контроль.

Исследование подвижного интеллекта с помощью коррелятивных методов.

Состояние покоя.

1. Оценка подвижного интеллекта отрицательно коррелирует с SWI при открытых и закрытых глазах (r = −0.27 и r = −0.21; p < 0.05) и с модулярностью при открытых глазах (r = − 0.24; p < 0.05) в тета-диапазоне.

2. Оценка подвижного интеллекта положительно коррелирует с SWI (r = 0.21; p < 0.05) при закрытых глазах в бета-диапазоне. Данные результаты отражают частотно-зависимую оптимальность исходной конфигурации сети для последующей перестройки.

Когнитивная нагрузка.

Балл подвижного интеллекта положительно коррелирует с SWI в альфа-диапазоне (r=0.26; p<0.05) при открытых глазах. Это подчёркивает значимость баланса интеграции/сегрегации именно в условиях активной обработки.

Решение матриц Равена, сетевые уровни.

На глобальном уровне анализа метрики SWI и Normal CC отрицательно коррелируют с продуктивностью (r = –0.43; p = 0.004) при высоком пороге (90 %). На среднем уровне анализа сниженная центральность левой ростральной средней лобной извилины (центральность собственного вектора и степень посредничества) ассоциирована с высокой продуктивностью (r = –0.33, p = 0.008 и r =  –0.31, p = 0.019 соответственно). На локальном уровне анализа ослабление связи между левой верхней лобной извилиной и левой ростральной средней лобной извилиной соотносится с большей эффективностью сети (альфа-диапазон: r = –0.43, p = 0.006; общий диапазон 4−30 Гц: r = –0.42, p = 0.011). Данные результаты поддерживают гипотезу нейронной эффективности [4] и «гибкой деспециализации»: избыточная локальная связность мешает глобальной интеграции.

Исследование подвижного интеллекта с помощью машинного обучения. Корреляция Спирмена между предсказанными баллами интеллекта и настоящими − r = 0.48, p = 0.039; MAE = 4.607; R² = 0.196. Наибольший вклад в эффективность прогнозирования подвижного интеллекта дают связи, интегрирующие височно-префронтальные, зрительно-теменные и медиальные (в т.ч. энторинальная кора) системы, что согласуется с сетевой природой предсказуемости ПИ.

ВЫВОДЫ

1. Зрительная рабочая память. Эффективность ЗРП в задаче 2-back характеризуется сниженной центральностью покрышечной части левой нижней лобной извилины и сниженной локальной эффективностью левой верхней лобной извилины, а также ослаблением межполушарной связности между правой и левой средней лобной извилиной (в альфа- и бета-диапазонах).

2. Исследование подвижного интеллекта с помощью корреляционных методов.

a. Подвижный интеллект. Состояние покоя. Уровень ПИ отрицательно связан в тета-диапазоне в покое при открытых и закрытых глазах с SWI и в покое при открытых глазах с модулярностью, и положительно при закрытых глазах — с SWI в бета-диапазоне в покое.
b. Подвижный интеллект. Когнитивная нагрузка. При когнитивной нагрузке при открытых глазах уровень ПИ положительно связан с SWI в альфа-диапазоне.
c. Подвижный интеллект. Решение матриц Равена. Продуктивность мышления при решении матриц Равена связана со снижением SWI/Normal CC при высоких порогах отсечения шума, сниженной центральностью левой ростральной средней лобной извилины и сниженной связностью левой верхней лобной извилины и ростральной частью левой средней лобной извилины.

3. Модель машинного обучения, полученная на матрицах ЭЭГ-связности, значимо предсказывает уровень подвижного интеллекта, что подчеркивает предсказательную ценность сетевой архитектуры.