This media is not supported in your browser
VIEW IN TELEGRAM
❤2🔥2🥰2
Имел сегодня честь быть рецензентом на защите Марины Ивановой из ВШЭ. Диссертация Марины фокусируется на биполярном аффективном расстройстве (БАР) в фазе эутимии, когда настроение стабильно, но остаются нарушения в принятии решений на основе вознаграждений в изменчивой среде.
Марина использовали вычислительную психиатрию, чтобы понять, как мозг пациентов с БАР переоценивает нестабильность окружающего мира и слабо адаптируется к ошибкам предсказаний, что приводит к хаотичным решениям. Методы включали три эксперимента: два с фиксацией мозговой активности через магнитоэнцефалографию (МЭГ) — неинвазивный способ измерения магнитных полей мозга (306 каналов), плюс запись электрокардиограммы и электроокулограммы для удаления помех от сердца и глаз; третий — чисто поведенческий. Участники — пациенты с БАР в ремиссии (около 20–30 человек), здоровые с высокой или низкой тревожностью и контрольные группы, всего 50–100 на эксперимент, отобранные по шкалам STAI для тревоги и HADS для депрессии.
Задачи строились на вероятностном обучении с подкреплением: люди выбирали моторные последовательности (нажатия клавиш) или стимулы, ведущие к награде (деньги или музыка — приятный консонанс vs неприятный диссонанс) с меняющимися шансами, например 70/30%, чтобы имитировать волатильность; в МЭГ-экспериментах 320 попыток, в музыкальном — 80 на тип награды, с неделей перерыва. Данные МЭГ предобрабатывали в MNE Python: фильтровали шум, убирали артефакты через анализ независимых компонент (ICA), исключали плохие каналы. Источники сигналов реконструировали моделью граничных элементов (BEM) на основе МРТ-атласа DKT и бимформером LCMV, который фокусируется на зонах вроде префронтальной коры, минимизируя шум.
Временно-частотные ответы моделировали общей линейной моделью (GLM), связывая активность с ошибками прогнозирования, взвешенными по точности (pwPE) — разницей между ожиданием и реальностью, умноженной на уверенность; анализировали частоты альфа (8–13 Гц для подавления), бета (14–30 Гц для контроля) и гамма (30–100 Гц для обработки). Функциональную связность проверяли методом Грейнджера с обратным временем (TRGC), чтобы увидеть причинно-следственные связи между зонами мозга в бета-диапазоне. Статистику вели с коррекцией FDR на ложные открытия, байесовскими факторами для сравнения моделей и многоуровневым регрессионным моделированием (BML). Поведение симулировали иерархическим гауссовским фильтром (HGF) — байесовской моделью, где мозг иерархично обновляет убеждения о вероятностях через pwPE, с параметрами вроде μ3 (ожидание волатильности) и ω2 (скорость обновления); параметры оценивали методом Монте-Карло с марковскими цепями (MCMC), выбирали лучшую модель байесовским отбором (BMS).
Марина показала, что при БАР пациенты ожидают чрезмерной изменчивости (высокий μ3), реже повторяют успешные действия, решения случайны, pwPE слабо отражены в мозге — с ослабленной гамма-активностью и аномальной альфа/бета в префронтальных зонах вроде передней поясной коры, плюс нарушенная связность в бета-диапазоне, что объясняет медленное обучение. В музыкальном эксперименте награды от денег и музыки дают похожие паттерны, но толерантность к диссонансу усиливает стохастичность и ускоряет обновления. Это открывает путь к биомаркерам для диагностики и терапии.
Марина использовали вычислительную психиатрию, чтобы понять, как мозг пациентов с БАР переоценивает нестабильность окружающего мира и слабо адаптируется к ошибкам предсказаний, что приводит к хаотичным решениям. Методы включали три эксперимента: два с фиксацией мозговой активности через магнитоэнцефалографию (МЭГ) — неинвазивный способ измерения магнитных полей мозга (306 каналов), плюс запись электрокардиограммы и электроокулограммы для удаления помех от сердца и глаз; третий — чисто поведенческий. Участники — пациенты с БАР в ремиссии (около 20–30 человек), здоровые с высокой или низкой тревожностью и контрольные группы, всего 50–100 на эксперимент, отобранные по шкалам STAI для тревоги и HADS для депрессии.
Задачи строились на вероятностном обучении с подкреплением: люди выбирали моторные последовательности (нажатия клавиш) или стимулы, ведущие к награде (деньги или музыка — приятный консонанс vs неприятный диссонанс) с меняющимися шансами, например 70/30%, чтобы имитировать волатильность; в МЭГ-экспериментах 320 попыток, в музыкальном — 80 на тип награды, с неделей перерыва. Данные МЭГ предобрабатывали в MNE Python: фильтровали шум, убирали артефакты через анализ независимых компонент (ICA), исключали плохие каналы. Источники сигналов реконструировали моделью граничных элементов (BEM) на основе МРТ-атласа DKT и бимформером LCMV, который фокусируется на зонах вроде префронтальной коры, минимизируя шум.
Временно-частотные ответы моделировали общей линейной моделью (GLM), связывая активность с ошибками прогнозирования, взвешенными по точности (pwPE) — разницей между ожиданием и реальностью, умноженной на уверенность; анализировали частоты альфа (8–13 Гц для подавления), бета (14–30 Гц для контроля) и гамма (30–100 Гц для обработки). Функциональную связность проверяли методом Грейнджера с обратным временем (TRGC), чтобы увидеть причинно-следственные связи между зонами мозга в бета-диапазоне. Статистику вели с коррекцией FDR на ложные открытия, байесовскими факторами для сравнения моделей и многоуровневым регрессионным моделированием (BML). Поведение симулировали иерархическим гауссовским фильтром (HGF) — байесовской моделью, где мозг иерархично обновляет убеждения о вероятностях через pwPE, с параметрами вроде μ3 (ожидание волатильности) и ω2 (скорость обновления); параметры оценивали методом Монте-Карло с марковскими цепями (MCMC), выбирали лучшую модель байесовским отбором (BMS).
Марина показала, что при БАР пациенты ожидают чрезмерной изменчивости (высокий μ3), реже повторяют успешные действия, решения случайны, pwPE слабо отражены в мозге — с ослабленной гамма-активностью и аномальной альфа/бета в префронтальных зонах вроде передней поясной коры, плюс нарушенная связность в бета-диапазоне, что объясняет медленное обучение. В музыкальном эксперименте награды от денег и музыки дают похожие паттерны, но толерантность к диссонансу усиливает стохастичность и ускоряет обновления. Это открывает путь к биомаркерам для диагностики и терапии.
👍8👌1