Группа методов нейровизуализации

Ключевые слова: ЭЭГ, МЭГ, интерфейс мозг-компьютер, нейрообратная связь, цифровая обработка сигналов, обратная задача, картирование мозга, анализ функциональных связей

Основная задача нашей группы — разработка методов обработки многоканальных неинвазивно записанных магнито- и электроэнцефалографических сигналов активности головного мозга. Мы также осуществляем методологическую поддержку групп, использующих метод ЭЭГ и МЭГ и принимаем участие в планировании экспериментов.

Текущие проекты:

I. Методы анализа источников и оценки функциональных связей с использованием ЭЭГ и МЭГ данных для задач клинической и экспериментальной нейронауки
Магнито- и электроэнцефалография позволяют исследователям неинвазивно визуализировать и изучать нейрональные процессы с высоким временным и приемлемым пространственным разрешением. В настоящее время такой подход используется не только для обнаружения очагов активности, но и для построения структуры и динамики функциональных взаимосвязей между участками коры, реализуемых головным мозгом при выполнении когнитивных задач. Точность и воспроизводимость таких результатов напрямую связана с вычислительными методиками обработки этих невероятно богатых информацией многоканальных данных. Разработка новых методов и сравнительная оценка эффективности уже существующих подходов позволяет извлекать большее количество информации из данных, и более осознанно применять такие подходы. Использование индивидуализированных вероятностных моделей, построенных на основе данных измерений целого ряда технологий, включая фМРТ, диффузионно-тензорную томографию, оптическую томографию и транскраниальную магнитную стимуляцию, позволит в ближайшем будущем ещё шире приоткрыть "неинвазивное окошко" в мир активности мозга. Клиническая компонента этой работы поддержана грантом РФФИ и ведётся в сотрудничестве с Московским центром нейрокогнитивных исследований при МГППУ, Институтом нейрохирургии им. Бурденко и Институтом проблем машиноведения РАН в Санкт-Петербурге.

Избранные публикации:

1. A. Ossadtchi, D. Altukhov, K. Jerbi (2017). Power and shift invariant detection of dynamically coupled networks (PSIICOS) from non-invasive MEG data. BioRxiv, 129155

2. A. Kuznetsova, E. Krugliakova, A. Ossadtchi (2017). Localizing hidden regularities with known temporal structure in the EEG evoked response data. BioRxiv, 093922

3. Kozunov V. and Ossadtchi A. (2015) GALA: group analysis leads to accuracy, a novel approach for solving the inverse problem in exploratory analysis of group MEG recordings. Front. Neurosci. 9:107. doi: 10.3389/fnins.2015.00107

4. D. Altukhov and A. Ossadtchi, GO-PSIICOS: Globally Optimized Power and Shift Independent Imaging of Coherent Sources, Brain connectivity workshop (BCW 2015), Sand Diego, CA, June 2015

5. A. Ossadtchi, Interaction Space RAP-MUSIC for estimation of transient networks from MEG data, Proceedings of the 19th international conference on biomagnetism, Halifax, Canada, 2014

6. A. Ossadtchi, R. Greenblatt, Cross-term deprived covariance approach as an extension of DICS for detection of cross-frequency coupling, Proceedings of the 18th international conference on biomagnetism, Paris, France, 2012

7. A. Ossadtchi, P. Pronko, S. Baillet, M. Pflieger, T. Stroganova, Mutual information spectrum for selection of event-related spatial components. Application to eloquent motor cortex mapping, Frontiers in Neuroinformatics, January, 2014, doi: 10.3389/fninf.2013.00053

8. R. E. Greenblatt, M. E. Pflieger, A. E. Ossadtchi, Connectivity measures applied to human brain electrophysiological data, Journal of Neuroscience Methods 207 (2012) 1– 16

II. ЭЭГ реального времени: нейрообратная связь и нейроинтерфейсы
Нейрообратная связь (НОС) - альтернативная методика нефармакологической терапии таких расстройств психики, как депрессия, синдром дефицита внимания и гиперактивности, эпилепсии и др. Метод нейрообратной связи применяется и для повышения индивидуальных когнитивных способностей, а так же в психопрактиках и с целью релаксации. В рамках НОС парадигмы, человек оказывается помещённым в замкнутый цикл, в котором определённые параметры его нейрональной активности предъявляются посредством одной из сенсорных модальностей. Этот сигнал обратной связи используется испытуемым для сознательного (или не очень) управления своей нейрональной активностью в попытках изменить последнюю в заданном направлении. В этом проекте мы рассматриваем замкнутый цикл парадигмы НОС с точки зрения современной теории управления. Такой взгляд позволяет нам разрабатывать новые подходы для повышения эффективности обучения и пространственной специфичности при НОС.

Избранные публикации:

1. N. Smetanin, A. Ossadtchi (2017). Express estimation of brain rhythm power for low-latency neurofeedback. The First Biannual Neuroadaptive Technology Conference, Berlin

2. V. Minkov, N. Smetanin, N. Markina, I. Dybushkin, A. Ossadtchi (2017). Neurophysiological correlates of efficient learning in the neurofeedback paradigm. The 1st biannual neuroadaptive technology conference, 153

3. N. Dagaev, K. Volkova, A. Ossadtchi (2017). Latent variable method for automatic adaptation to background states in motor imagery BCI. Journal of Neural Engineering

4. R. van Lutterveld, S. D. Houlihan, P. Pal, M. D. Sacchet, C. McFarlane-Blake, P. R. Patel, J. S. Sullivan, Alex Ossadtchi, S. Druker, C. Bauer, J. A. Brewer (2017). Source-space EEG neurofeedback links subjective experience with brain activity during meditation, Neuroimage 151, 117-127

5. A. Ossadtchi, T. Shamaeva, E. Okorokova, V. Moiseeva, MA Lebedev (2017). Neurofeedback learning modifies the incidence rate of alpha spindles, but not their duration and amplitude. Scientific Reports 7

6. Okorokova E., Lebedev M., Linderman M. and Ossadtchi A. (2015). A dynamical model improves reconstruction of handwriting from multichannel electromyographic recordings. Front. Neurosci. 9:389. doi: 10.3389/fnins.2015.00389

7. S. L. Shishkin, A. A. Fedorova, Y. O. Nuzhdin, I. P. Ganin, A. E. Ossadtchi, B. B. Velichkovskiy, A. Y. Kaplan, B. M. Velichkovsliy. Towards high-speed eye-brain-computer interfaces: Combining the “single stimulus” paradigm and saccades to stimulus location, Vestnik Moskovskogo Universiteta, Seriya 14. Psikhologiya.2013.N4

8. I. Ovod, A. Ossadtchi, A. Pupyshev, A. Fradkov, Forming neurofeedback signal based on the adaptive model of the EEG observed human brain activity, Neurocomputers and applications, February, 2012 (in Russian).

III. Разработка интерфейсов мозг-компьютер.

Интерфейс мозг-компьютер или нейрокомпьютерный интерфейс (ИМК, НКИ, brain-computer interface, BCI) представляет собой систему, позволяющую управлять каким-либо внешним устройством при помощи сигналов, генерируемых мозгом, не используя при этом мышечную активность.

В ходе работы системы ИМК осуществляется:

•                 регистрация мозговой активности,

•                 выделение полезной информации из сигнала

•                 формирование управляющих команд на основе этой информации

В нашем центре был разработан и протестирован интерфейс мозг-компьютер, основанный на распознавании воображаемых и реальных движений с помощью электроэнцефалографии (ЭЭГ).

                                                
                                                                         Демонстрация интерфейса

В основе возможности декодирования ЭЭГ в нашем интерфейсе лежит установленная в результате многолетних исследований усреднённая картина представления органов человека на сенсомоторной коре, которая позволяет сформировать ожидание относительно паттернов электрической активности, дифференцирующих различные состояния. В данный момент, наш интерфейс позволяет различать несколько состояний: представление движений правой рукой, левой рукой, ногой и языком, а так же состояние покоя.

Избранные публикации:

1. M. A. Lebedev and A. Ossadtchi, Bi-Directional Neural Interfaces, Brain–Computer Interfaces Handbook: Technological and Theoretical Advances, Eds: Chang S. Nam, Anton Nijholt, Fabien Lotte, CRC Press, 2018

2. Волкова К. В., Дагаев Н. И., Киселёв А., Касумов В., Александров М., Осадчий А. Е. Интерфейс мозг-компьютер: опыт построения, использования и возможные пути повышения рабочих характеристик // Журнал высшей нервной деятельности им. И.П. Павлова. 2017. Т. 67. № 4. С. 504-520


IV. Совместные проекты с другими группами центра

Zubarev I., Shestakova A., Klucharev V., Ossadtchi A., Moiseeva V. (2017). MEG Signatures of a Perceived Match or Mismatch between Individual and Group Opinions. // Frontiers in Neuroscience. 2017. No. 11. P. 1-9. doi

Члены группы: