Голубь Скиннера | Дария Клеева
رفتن به کانال در Telegram
Дария и научные наблюдения Автор: @dkleeva Задать научный вопрос: @SkigeonBot Информация: taplink.cc/dkleeva
نمایش بیشتر1 950
مشترکین
اطلاعاتی وجود ندارد24 ساعت
-17 روز
-230 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
مه '26
مه '260
در 0 کانالها
آوریل '26
+18
در 0 کانالها
Get PRO
مارس '26
+9
در 1 کانالها
Get PRO
فوریه '26
+26
در 0 کانالها
Get PRO
ژانویه '26
+22
در 2 کانالها
Get PRO
دسامبر '25
+10
در 2 کانالها
Get PRO
نوامبر '25
+36
در 2 کانالها
Get PRO
اکتبر '25
+40
در 1 کانالها
Get PRO
سپتامبر '25
+60
در 2 کانالها
Get PRO
اوت '25
+561
در 3 کانالها
Get PRO
ژوئیه '25
+13
در 0 کانالها
Get PRO
ژوئن '25
+40
در 2 کانالها
Get PRO
مه '25
+54
در 3 کانالها
Get PRO
آوریل '25
+58
در 1 کانالها
Get PRO
مارس '25
+33
در 1 کانالها
Get PRO
فوریه '25
+33
در 0 کانالها
Get PRO
ژانویه '25
+136
در 6 کانالها
Get PRO
دسامبر '24
+34
در 0 کانالها
Get PRO
نوامبر '24
+23
در 1 کانالها
Get PRO
اکتبر '24
+55
در 2 کانالها
Get PRO
سپتامبر '24
+88
در 4 کانالها
Get PRO
اوت '24
+22
در 0 کانالها
Get PRO
ژوئیه '24
+86
در 5 کانالها
Get PRO
ژوئن '24
+58
در 4 کانالها
Get PRO
مه '24
+32
در 0 کانالها
Get PRO
آوریل '24
+14
در 0 کانالها
Get PRO
مارس '24
+46
در 3 کانالها
Get PRO
فوریه '24
+44
در 6 کانالها
Get PRO
ژانویه '24
+49
در 2 کانالها
Get PRO
دسامبر '23
+36
در 3 کانالها
Get PRO
نوامبر '23
+24
در 0 کانالها
Get PRO
اکتبر '23
+48
در 3 کانالها
Get PRO
سپتامبر '23
+39
در 0 کانالها
Get PRO
اوت '23
+35
در 0 کانالها
Get PRO
ژوئیه '23
+39
در 0 کانالها
Get PRO
ژوئن '23
+25
در 0 کانالها
Get PRO
مه '23
+43
در 0 کانالها
Get PRO
آوریل '23
+27
در 0 کانالها
Get PRO
مارس '23
+74
در 0 کانالها
Get PRO
فوریه '23
+59
در 0 کانالها
Get PRO
ژانویه '23
+26
در 0 کانالها
Get PRO
دسامبر '22
+39
در 0 کانالها
Get PRO
نوامبر '22
+37
در 0 کانالها
Get PRO
اکتبر '22
+22
در 0 کانالها
Get PRO
سپتامبر '22
+20
در 0 کانالها
Get PRO
اوت '22
+58
در 0 کانالها
Get PRO
ژوئیه '22
+21
در 0 کانالها
Get PRO
ژوئن '22
+20
در 0 کانالها
Get PRO
مه '22
+18
در 0 کانالها
Get PRO
آوریل '22
+23
در 0 کانالها
Get PRO
مارس '22
+23
در 0 کانالها
Get PRO
فوریه '22
+58
در 0 کانالها
Get PRO
ژانویه '22
+23
در 0 کانالها
Get PRO
دسامبر '21
+45
در 0 کانالها
Get PRO
نوامبر '21
+39
در 0 کانالها
Get PRO
اکتبر '21
+244
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 04 مه | 0 | |||
| 03 مه | 0 | |||
| 02 مه | 0 | |||
| 01 مه | 0 |
پستهای کانال
Используете ли вы ИИ-ассистентов для анализа данных/кодинга и в какой сфере вы работаете? (В комментариях делитесь опытом и впечатлениями)
| 2 |  Foundation model как рабочий инструмент
#neuro #ai
Публикация: Wang, E. Y., Fahey, P. G., Ding, Z., Papadopoulos, S., Ponder, K., Weis, M. A., ... & Tolias, A. S. (2025). Foundation model of neural activity predicts response to new stimulus types. Nature, 640(8058), 470-477.
В предыдущем посте я писала, что большинство foundation models для ЭЭГ/МЭГ пока что застряли на уровне робкого технологического эксперимента. В этом же посте предлагаю рассмотреть пример качественно иной результативности использования таких моделей в нейронаучных исследованиях.
🤩В описываемом исследовании были собраны данные активности ~135000 нейронов 14 мышей. Мышам предъявляли естественные видеозаписи (динамичные сцены, близкие к реальному зрительному опыту) и регистрировали, как на них реагируют нейроны в разных зрительных областях коры. На этих данных авторы обучили единое обобщённое представление работы зрительной коры — так называемый foundation core. Данные от разных животных и разных областей коры объединялись, чтобы модель выучила не индивидуальные особенности конкретной мыши, а общие принципы зрительной обработки.
В модели представлены следующие модули:
1️⃣Перспектива: учитывает геометрию зрительного ввода. Положение глаз у мыши слегка меняется, и один и тот же стимул может проецироваться на сетчатку по-разному. Этот модуль пересчитывает изображение с экрана в то, что “видит” глаз в каждый момент времени.
2️⃣Модуляция: учитывает текущее состояние животного. Известно, что активность зрительной коры зависит не только от стимула, но и от поведения: движется ли мышь, расширен ли зрачок, в каком она состоянии бодрствования. Этот модуль вводит такие поведенческие факторы в модель.
3️⃣Ядро: динамический энкодер, который получает скорректированный зрительный сигнал и информацию о состоянии животного и преобразует их во внутренние представления. Именно здесь модель учится выделять устойчивые закономерности зрительной обработки, общие для разных животных и областей коры.
4️⃣Вывод: связывает общее представление с активностью конкретных нейронов. Для каждого нейрона обучается простой линейный слой, который переводит общее представление ядра в его индивидуальную динамику активности.
После обучения ядро модели фиксируется и используется как универсальная основа. При работе с новыми животными модель не переобучается целиком: подстраиваются только индивидуальные компоненты, отвечающие за конкретные нейроны.
Результаты следующие:
💫Модель обучается только на натуральных видео, но корректно предсказывает, как нейроны зрительной коры будут реагировать на совершенно другие типы стимулов: движущиеся точки, решётки Габора, шумовые паттерны и статические изображения. Она корректно воспроизводит классические нейрофизиологические характеристики нейронов: чувствительность к ориентации, направлению движения и пространственную избирательность.
💫При переносе на данные новой мыши foundation-подход оказывается значительно более экономным. Чтобы достичь той же точности предсказаний, что и модель, обучаемая с нуля под конкретное животное, ему требуется в 2–3 раза меньше объёма записей.
💫По внутренним параметрам модели, отвечающим за предсказание активности отдельных нейронов, можно восстанавливать их анатомические свойства — от принадлежности к зрительной области до типа клетки, морфологии дендритов и вероятных синаптических связей с другими нейронами. При этом модель обучалась только на функциональных данных и никогда не “видела” анатомию. Связь между функцией и структурой возникает как естественное следствие выученного представления работы зрительной коры.
🤩В итоге такая модель перестаёт быть просто инструментом для предсказания сигналов. Она позволяет проводить полноценные нейрофизиологические эксперименты in silico, без реального предъявления стимулов животному. Классические протоколы (от подбора параметрических стимулов до оценки избирательности отдельных нейронов) можно реализовывать напрямую на модели, используя её как замену живому эксперименту там, где это допустимо. | 2 199 |
| 3 |  Foundation models для ЭЭГ: затянувшийся пролог
#neuro #ai
Современные модели для анализа нейрофизиологических данных зачастую обучаются под конкретные задачи (напр., классификацию состояний или обнаружение событий в сигнале). Такой подход требует размеченных данных и жёстко привязывает модель к условиям записи. Из-за высокой вариабельности нейросигналов между людьми, протоколами и оборудованием такие модели плохо переносятся на новые данные и часто теряют качество вне обучающего набора.
Foundation models предлагают другой порядок обучения. Сначала модель обучается на больших объёмах неразмеченных данных и учится строить представления сигнала, т. е. компактные внутренние описания, в которых сохраняются его устойчивые характеристики. Обычно это осуществляется через self-supervised подходы, в которых модель восстанавливает или предсказывает части самого сигнала. Такие представления слабо зависят от конкретной задачи и могут служить общей основой для дальнейшей донастройки при минимальной разметке.
До недавнего времени foundation models ЭЭГ развивались довольно однотипно. В большинстве работ это были универсальные энкодеры для многоканальных временных рядов, обученные на больших объёмах неразмеченных данных зачастую за счёт восстановления частей сигнала. В качестве архитектурной основы почти всегда использовались трансформеры, работающие с короткими временными сегментами ЭЭГ или МЭГ и их спектральными представлениями.
На практике у этой первой волны foundation models быстро проявились ограничения:
1. Недостаточная универсальность: модели проверялись на небольшом числе задач, часто на тех же датасетах, что использовались при предобучении;
2. Cлабая проверка переноса: работа с абсолютно другими данными и малым числом меток не осуществлялась полноценно;
3. Неочевидный эффект масштабирования: рост моделей и данных не давал стабильного выигрыша;
4. Контекст и пространственная структура учитывались слабо: анализ ограничивался короткими фрагментами сигнала;
5. Неубедительная “нейро”-специфичность: подходы, не разработанные специально для нейросигналов, часто показывали сопоставимые результаты.
Даже самые свежие foundation models наследуют те же ограничения. Тем не менее, появляются работы, которые пытаются адресовать отдельные практические проблемы. Так, новая модель REVE нацелена на снижение зависимости от конкретного расположения электродов и формата записи: она изначально обучается работать с разными конфигурациями датчиков и длиной сигналов, благодаря чему лучше переносится между датасетами и не требует тонкой подстройки под каждую новую задачу.
Другой показательный пример — SleepFM, которая расширяет идею foundation models за пределы одного сигнала и одной задачи. В этой модели используется мультимодальная полисомнография — совместно регистрируемая ЭЭГ, ЭКГ, дыхательные и мышечные сигналы, записанные за всю ночь сна. Модель обучается извлекать устойчивые характеристики сна как целостного физиологического процесса и затем используется не только для стандартных задач вроде выделения стадий сна или детекции апноэ, но и для прогноза широкого круга заболеваний — от сердечно-сосудистых до нейродегенеративных. И это — по одной ночи записи! Ключевое отличие этого исследования касается не архитектуры, а постановки задачи: сон рассматривается не как объект локальной физиологической разметки, а как характеристика общего состояния организма, и foundation model используется именно для такого уровня обобщения.
Дальнейший прогресс foundation models ЭЭГ упирается не столько в новые архитектуры, сколько в методологию. Важными следующими шагами являются реалистичная оценка переноса между данными, сравнение с существующими классическими моделями, понимание того, что именно кодируется в выученных представлениях и как это связано с физиологией и клиническими интерпретациями. Без этих шагов foundation models рискуют так и остаться технологическим экспериментом, а не рабочим инструментом нейронауки.
А следующий пост расскажет об успешном прецеденте использования foundation model в исследованиях зрительной коры мыши. | 2 082 |
| 4 |  Поиск соучастников в научную авантюру
#announcement
Какое-то время на канале не было постов. Связано это было с тем, моя деятельность сейчас полностью переместилась в клинический контур — в Центр кибермедицины и нейропротезирования ФЦМН ФМБА. Работа этого недавно созданного центра, подробнее о котором можно узнать на канале его руководителя Артура Биктимирова, направлена на разработку и внедрение нейротехнологических решений, которые находятся на границе клиники, инженерии и вычислительной науки: нейромодуляция, нейропротезирование, анализ и интерпретация сложных клинических данных, поддержка принятия решений в сценариях нейрореабилитации.
В соответствии с этой логикой в рамках Центра в конце этого года была создана Лаборатория мультимодальной аналитики, руководством которой я и занимаюсь. В этой вычислительной лаборатории мы создаём алгоритмы и методы, которые позволяют из разрозненных физиологических сигналов, клинических наблюдений и экспериментальных парадигм собирать целостное представление о состоянии нервной системы — достаточно устойчивое, чтобы на него можно было опираться в реальных терапевтических решениях.
На фоне уже непосредственной включенности в несколько проектов Центра лаборатория продолжает находиться в фазе активного формирования, и именно поэтому мы открываем набор людей, которым интересно работать в этом направлении.
Подробное и формальное описание вакансии размещено здесь.
Подать заявку можно через гугл-форму. | 878 |
| 5 |  Improv: платформа для адаптивных нейроэкспериментов в реальном времени
#tools
Публикация: Draelos, A., Loring, M. D., Nikitchenko, M., Sriworarat, C., Gupta, P., Sprague, D. Y., ... & Naumann, E. A. (2025). improv: A software platform for real-time and adaptive neuroscience experiments. Nature Communications, 2025-11.
В Nature Communications представлена новая программная платформа improv, предназначенная для проведения адаптивных нейроэкспериментов, в которых моделирование, сбор данных и управление стимуляцией объединены в единый цикл. Традиционные эксперименты в нейронауке опираются на заранее определённые гипотезы и анализ данных post hoc, что исключает возможность корректировать ход исследования на основе промежуточных результатов. improv решает эту проблему, обеспечивая интеграцию моделирования и эксперимента в реальном времени.
Внутри improv всё выстроено из небольших блоков, которые работают параллельно: один записывает активность нейронов, другой анализирует сигналы, третий подбирает стимулы или запускает фотостимуляцию. Всё это происходит синхронно, без задержек: эксперимент буквально “думает на ходу”.
В статье представлены примеры применения библиотеки:
📎 В экспериментах с двухфотонной визуализацией у рыб алгоритм подбирал зрительные стимулы, то есть решал, что показать дальше, чтобы максимально “возбудить” нейроны. Сначала система измеряла, как клетка реагирует на несколько направлений движения, затем с помощью байесовской оптимизации выбирала следующий вариант, постепенно уточняя свою гипотезу. Уже после ~15 попыток модель находила то направление, на которое нейрон реагирует сильнее всего.
📎 В экспериментах на приматах система училась предсказывать активность нейронных популяций в моторной коре. Она непрерывно сжимала поток сигналов до нескольких ключевых координат и строила вероятностную модель, способную прогнозировать, как будет меняться общая динамика мозга в ближайшую секунду. Такие методы могут стать основой для нейроинтерфейсов с обратной связью.
📎 В оптогенетических экспериментах improv сам выбирал, какие нейроны стимулировать, исходя из того, как они реагировали на разные стимулы. Вместо того чтобы заранее задавать координаты, система ориентировалась на функциональные свойства клеток: например, на их избирательность к направлению движения. В результате активировались группы нейронов с похожими реакциями, что позволило напрямую проверять, как изменение активности одной части нейрональной сети влияет на другую.
Ссылка на Github-репозиторий: https://github.com/project-improv/improv | 1 805 |
| 6 |  Ритмы без ритма: мозг и его внутренние циклы активности
#neuroscience
Публикация: van Es, M. W., Higgins, C., Gohil, C., Quinn, A. J., Vidaurre, D., & Woolrich, M. W. (2025). Large-scale cortical functional networks are organized in structured cycles. Nature Neuroscience, 1-11.
Недавнее исследование в Nature Neuroscience показало, что большие функциональные сети мозга даже в состоянии покоя активируются не спонтанно, а следуют устойчивым циклам.
Авторы проанализировали данные магнитоэнцефалографии (МЭГ) из пяти крупных наборов данных, содержащих записи участников разных возрастов. Из сигналов были выделены состояния, соответствующие каноничным функциональным сетям мозга, среди которых:
- DMN (default-mode network), отражающая активность мозга в состоянии покоя;
- сеть внимания;
- сенсомоторная сеть;
- лобно-височная сеть, вовлечённая в процессы контроля и интеграции информации;
- языковая сеть.
Чтобы проследить, как эти состояния сменяют друг друга, исследователи разработали новый метод — TINDA (Temporal Interval Network Density Analysis), который оценивает вероятность того, что одна сеть активируется раньше или позже другой на разных временных масштабах.
Результаты показали, что, хотя отдельные переходы между сетями выглядят случайными, в целом их активность складывается в устойчивый цикл, который воспроизводится у разных людей и в разных наборах данных. Верхняя часть цикла объединяет состояния с высокой мощностью и сильной когерентностью: то есть моменты, когда многие области мозга активизируются синхронно, образуя интегрированные сети, пространственно схожие с дефолт-системой (DMN) и связанные с внутренней ориентацией внимания. В нижней части цикла, напротив, активность становится менее согласованной и более локальной, преобладают сенсомоторные сети и сети внимания, отвечающие за взаимодействие с внешней средой. Иными словами, мозг ритмически перестраивает степень своей внутренней согласованности: от интеграции к специализации, от интроспекции к действию и обратно.
Интересно, что “восточной” стороне цикла преобладает более высокочастотная активность (в альфа/бета-диапазонах), связанная с сенсомоторным торможением. А на “западной” — низкочастотные колебания в дельта/тета-диапазонах, чаще в лобно-височных и языковых областях. Это означает, что цикл организует переключение между частотными доменами, а не только между пространственно определенными сетями. Длина же циклов составляет 300-1000 мс, но это не ритмы мозга в привычном смысле. TINDA выявляет не регулярные колебания мощности, а последовательные переходы между состояниями, у которых нет фиксированного периода.
Скорость и сила выявленных циклов оказались связаны с возрастом и когнитивными показателями, а у близнецов — даже с генетическим сходством. В частности, люди с более быстрыми и менее “жёсткими” циклами имеют лучшие когнитивные показатели (память и скорость обработки информации). Этот эффект противоположен возрастным изменениям.
Интересно, что циклы наблюдаются не только в состоянии покоя, но и во время выполнения задач — например, когда участники вспоминают последовательности образов или реагируют на лица. Причём в задаче с реакцией на лица фаза цикла за ~500 мс до нажатия предсказывала время реакции.
Такое направленное чередование состояний отражает то, что в физике обозначается как нарушение детального равновесия (broken detailed balance): мозг не возвращается в прежнее состояние, а движется по замкнутому, но асимметричному циклу. Это признак неравновесной, энергозатратной динамики, характерной для живых систем, в которых постоянно поддерживается направленный поток информации. Авторы также предполагают, что описанная цикличность может быть механизмом своеобразной когнитивной “гигиены”: периодического обновления когнитивных функций, обеспечивающего чередование состояний внимания, памяти и восприятия. | 1 277 |
| 7 |  МЭГ и ЭЭГ: два взгляда на одну физиологию
#neuroimaging
Публикация: Kleeva, D., Sinkin, M., Shtekleyn, A., Rusinova, A., Skalnaya, A., & Ossadtchi, A. (2025). Qualitative and Quantitative Comparative Analysis of Common Normal Variants and Physiological Artifacts in MEG and EEG. Brain Topography, 38-75.
Сегодняшний пост посвящён исследованию, которое мы недавно опубликовали в Brain Topography. Работа мозга предполагает тончайшие электрические процессы, и именно они стали основой клинической нейрофизиологии. ЭЭГ и МЭГ — два основных способа запечатлеть эту активность неинвазивно. Их физика различна, и эти различия влияют то, как выглядят характерные для нормальной активности ритмы, или то, как сигналы искажаются артефактами.
Изучение нормальных паттернов особенно важно потому, что именно они служат фоном для диагностики: например, у пациентов с эпилепсией асимметрия привычных паттернов сна может указывать на очаговую дисфункцию. И если ЭЭГ давно встроена в клиническое мышление, то МЭГ требует иных привычек в анализе и интерпретации. Поэтому мы решили напрямую сопоставить оба метода, зарегистрировав одновременно МЭГ и ЭЭГ и сравнив привычные физиологические паттерны и артефакты. Для сравнения мы использовали оценку того, как выглядят сигналы в обеих модальностях, характеристики их усреднений и разложений на частоты, а также результаты локализации источников регистрируемой активности.
Что мы обнаружили:
☁️Осцилляции (напр., альфа-ритм или сенсомоторный ритм) в МЭГ могут распадаться на несколько очагов и выглядеть менее синхронными между каналами. В ЭЭГ же они сливаются в единую ритмическую структуру. Это наводит на мысль о более очаговом зарождении ритма с последующим распространением на различные нейрональные популяции, что можно отслеживать с помощью МЭГ.
☁️Более острые паттерны (напр., вертексные волны и К-комплексы) в МЭГ объясняются вкладом нескольких кортикальных источников, в то время как в ЭЭГ это чаще описывается одним доминирующим радиально ориентированным источником с диффузной топографией.
☁️ В МЭГ сонные веретёна проявились не только в центральных зонах, но и во фронтальных и затылочных областях. В ЭЭГ топография выглядела более сближенной к центру, однако реконструкция источников показала, что и здесь за “размазанной” картиной скрывается сеть отдельных генераторов.
☁️Безобидные острые волны сна (POSTS) в МЭГ могут быть похожи на эпилептические разряды. Поэтому без учёта их локализации возможно возникновение ложных тревог у алгоритмов автодетекции.
☁️Специальный анализ показал различия в информативности сигналов. МЭГ-градиометры содержат наибольший объём независимой информации о мозговой активности, за ними идут магнитометры, а ниже всего — ЭЭГ. При этом для физиологических паттернов (вертексные волны, К-комплексы) информативность выше в МЭГ, а для артефактов (моргание, глотание) — в ЭЭГ.
Наша статья показывает, что ЭЭГ и МЭГ — не конкуренты, а две оптики одной физиологии. МЭГ открывает возможности для более детальной локализации активности в коре и распутывания сложной динамики, в то время как ЭЭГ остаётся незаменимой для фиксации радиально ориентированных источников и улавливания высокоамплитудных артефактов. В этом смысле полученный материал можно рассматривать как своего рода атлас соответствий между МЭГ и ЭЭГ — практическое руководство, которое поможет клиницисту или исследователю быстрее адаптироваться к работе с обеими модальностями и приходить к более достоверным выводам.
✅Если у вас нет доступа к Brain Topography, за полным текстом статьи можно смело обращаться в комментарии или в личные сообщения.
✅Тем, кому хочется больше контекста: несколько месяцев назад в лекции о современых подходах к анализу неинвазивных нейроданных, которая прошла в рамках Лектория Нейрокампуса, я рассказала и про это исследование, и про другие направления нашей работы. | 1 882 |
| 8 |  Для слуховой коры время важнее фонем
#neuroscience
Публикация: Norman-Haignere, S. V., Keshishian, M., Devinsky, O., Doyle, W., McKhann, G. M., Schevon, C. A., ... & Mesgarani, N. (2025). Temporal integration in human auditory cortex is predominantly yoked to absolute time. Nature Neuroscience, 1-10.
Традиционные лингвистические теории предполагают, что речь устроена иерархично: фонемы складываются в слоги, слоги — в слова, а слова — в фразы. В устной речи длительность этих элементов может быть вариативна: один и тот же звук может длиться 50 мс или 200 мс, слово же прозвучать за четверть секунды или за целую. Возникает вопрос: как мозг справляется с этой изменчивостью?
Варианты ответа следующие:
1️⃣Слуховая кора “синхронизируется” с речевыми структурами (фонемами, словами).
2️⃣Слуховая кора работает в жёстких окнах абсолютного времени (например, 100–300 мс), а структуры лишь “накладываются” на эти окна.
В свежей статье описана прямая экспериментальная проверка этих вариантов. Пациентам с электродами в слуховой коре предъявляли речевые стимулы, искусственно растянутые или сжатые во времени, но с сохранным тембром голоса.
Окна слуховой обработки оценивали с помощью метода temporal context invariance (TCI): он позволяет вычислить, насколько долго предшествующий звук влияет на текущий нейронный отклик. Этот подход можно сравнить с измерением краткосрочной памяти слуховой коры. Если бы мозг интегрировал информацию, опираясь на речевые структуры, интеграционные окна должны были бы растянуться вместе с фонемами и словами.
Однако обнаружилось, что интеграционные окна увеличились всего на ~5% при трёхкратном изменении длительности структур. То есть слуховая кора практически полностью остаётся привязанной к абсолютному времени. Даже в областях, связанных с речью (напр., верхняя височная извилина), зависимость от структуры оказалась минимальной.
Что это значит:
🔸Слуховая кора устроена как часы, а не как словарь: она режет поток звука на фиксированные временные отрезки.
🔵При быстрой речи в одно окно попадает больше фонем, при медленной — меньше.
🔸Работа со смыслами и грамматикой (фонемы, слова, фразы) происходит выше по иерархии: вероятно, в височно-теменных и лобных областях.
Что из этого следует:
✅Многие психолингвистические и вычислительные модели речи предполагают, что мозг интегрирует информацию “по структурам” (фонемам или словам). Полученные же данные показывают, что в слуховой коре такой механизм практически отсутствует.
✅В рамках декодирования речи по сигналам мозга те архитектуры искусственных нейросетей, которые опираются на фиксированные временные окна, более физиологически обоснованы, чем те, что пытаются встроить явные фонемные или пословесные границы на ранних уровнях.
При этом исследование обладает рядом ограничений. Во-первых, использовалось равномерное масштабирование всех слов и фонем, что не вполне соответствует естественной речи. Однако авторы проверили свой подход и на реальных записях естественно быстрой и медленной речи: результат оказался тем же. Во-вторых, авторы анализировали активность в широкополосном диапазоне гамма-ритма (70–140 Гц), потому что его можно надёжно извлечь короткими фильтрами без искусственного “размазывания” во времени. Для низких частот, напротив, нужны длинные фильтры, которые сами создают иллюзию длинных интеграционных окон. Поэтому вопрос о том, как низкие частоты участвуют в обработке речи, остаётся открытым. Кроме того, анализ ограничивался субсекундными отрезками, поскольку именно в этом диапазоне слуховая кора интегрирует звук. Поэтому пока нельзя утверждать, как мозг обрабатывает речь на более длинных временных масштабах на уровне предложений или фраз, где интеграция может работать иначе. | 1 131 |
| 9 |  (Продолжение)
4️⃣Large Language Models Show Signs of Alignment with Human Neurocognition During Abstract Reasoning
✳️Данные: высокоплотная ЭЭГ (64 канала) и движения глаз во время выполнения задачи на завершение абстрактных последовательностей (напр., ABBAABBA). Каждая последовательность подчинялась своему внутреннему правилу.
✳️Подход: сравнение геометрии различий между абстрактными паттернами в мозговых сигналах (потенциалы ЭЭГ, связанные с фиксацией взгляда) и в скрытых представлениях разных слоёв нескольких открытых LLM.
✳️Результаты:
- Крупные LLM (70B параметров) справлялись с задачей почти так же, как люди, тогда как мелкие модели показывали значительно худший результат.
- Те же правила, которые вызывали трудности у людей, оказывались трудными и для LLM.
- Внутренние состояния LLM группировались по смыслу правил, а не случайным образом: чем более выраженной была группировка, тем лучше модель справлялась.
- Структура различий между паттернами в средних слоях LLM частично совпадала со структурой различий в мозговых сигналах у людей, что говорит о схожих принципах обработки абстрактных правил.
Представленные работы показывают, что LLM возможно использовать как инструмент для выявления тех вычислительных принципов, которые, вероятно, лежат в основе работы человеческого мозга. | 1 387 |
| 10 |  Мозг и LLM: совпадение представлений
#ai #neuroscience
В этой подборке я описала несколько свежих работ, в которых большие языковые модели (LLM) оказываются полезным инструментом для фундаментальной нейронауки. В этих исследованиях используются скрытые векторные представления (так называемые эмбеддинги) — внутренние числовые коды, в которых модель фиксирует содержание входной информации. Именно эти представления соотносятся с данными мозговой активности или поведения, а выявленные совпадения позволяют по-новому взглянуть на то, как мозг кодирует информацию.
1️⃣ High-level visual representations in the human brain are aligned with large language models
✳️Данные: фМРТ участников, которые смотрели на тысячи естественных изображений. Каждому изображению соответствовали подписи с описанием их содержания.
✳️Подход: сопоставление векторных представлений из LLM (полученных по текстовым подписям к изображениям) с мозговой активностью, а также обучение нейросетей, которые по самим изображениям предсказывают эти LLM-представления.
✳️Результаты:
- Представления LLM хорошо совпадают с активностью в высокоуровневых зрительных областях.
- По активности мозга можно восстановить текстовое описание сцены: значит, в изучаемых областях действительно присутствует семантический уровень кодирования.
- Нейросети, обученные предсказывать такие представления LLM по самим картинкам, объясняют мозговые данные лучше, чем многие современные модели зрительного восприятия.
- Авторы специально проверили разные варианты входных данных (категории объектов, отдельные существительные или глаголы из подписи) и показали, что именно полные описания, на основе которых LLM учитывают весь контекст, дают наилучшее совпадение с мозговой активностью.
- Хотя LLM вообще не имеют зрительного опыта, их представления могут совпадать с мозговыми потому, что они кодируют статистические закономерности окружающего мира, усвоенные с использованием языка.
2️⃣Contextual feature extraction hierarchies converge in large language models and the brain
✳️Данные: инвазивные записи ЭЭГ пациентов во время прослушивания естественной речи, 707 электродов в слуховых и речевых зонах.
✳️Подход: сравнение представлений разных слоёв LLM с иЭЭГ-сигналами и оценка того, какие слои лучше всего предсказывают активность разных участков слуховой и речевой коры.
✳️Результаты:
- Более сильные модели лучше предсказывали нейронные ответы.
- Важным оказалось не только совпадение по точности предсказания в целом, но и совпадение по организации: у сильных моделей иерархия слоёв отражает иерархию обработки в мозге — от ранних слуховых областей к более высокоуровневым.
- При этом такие модели не только более “похожи на мозг”, но используют меньше слоёв для достижения адекватного уровня кодирования.
- Таким образом, улучшение качества моделей сопровождается сближением их вычислительных принципов с мозгом, а не только ростом точности предсказаний.
3️⃣Human-like object concept representations emerge naturally in multimodal large language models
✳️Данные: изображения более 1800 предметов, по которым были собраны миллионы суждений “odd-one-out” (какой из трёх объектов лишний) у людей, LLM и мультимодальных LLM (MLLM), а также фМРТ-активность зрительных областей мозга в ответ на те же объекты.
✳️Подход: извлечение векторных представлений объектов из суждений людей и моделей и сопоставление их структуры между собой и паттернами мозговой активности в зрительных областях.
✳️Результаты:
- И у людей, и у моделей представления объектов складываются в понятные сематические кластеры (напр., живое VS неживое, естественное VS искусственное).
- Мультимодальные модели (MLLM), обученные одновременно на текстах и изображениях, особенно близки к людям: их представления объясняют поведенческие ответы почти на уровне верхней границы.
- Те же представления объясняют фМРТ-активность в областях мозга, чувствительных к категориям объектов.
- Таким образом, модели без прямого доступа к человеческим нейроданным самостоятельно развивают концептуальные схемы объектов, близкие к тем, что использует мозг. | 1 328 |
| 11 |  Иммунитет в режиме предсказания
#neuroscience
Публикация: Trabanelli, S., Akselrod, M., Fellrath, J., Vanoni, G., Bertoni, T., Serino, S., ... & Serino, A. (2025). Neural anticipation of virtual infection triggers an immune response. Nature neuroscience, 1-10
Когда мы думаем об иммунитете, упрощённо представляется физический контакт: вирус попадает в организм, а иммунные клетки атакуют. Но новое исследование, опубликованное в Nature Neuroscience, показывает, что всё гораздо интереснее.
😎Помещенным в VR участникам демонстрировали “заражённые” аватары с симптомами инфекционных заболеваний. Дополнительно в качестве контроля предъявлялись нейтральные и пугающие аватары без инфекции. Оказалось, что мозг реагирует на инфицированные аватары как на реальную угрозу. Активировались зоны, отвечающие за периперсональное пространство (PPS) — ту невидимую защитную зону вокруг тела,в которой всё воспринимается как потенциально опасное. Причём реакция возникала ещё тогда, когда аватар был далеко: мозг заранее выявлял угрозу и активировал сеть значимости, которая фильтрует все важные стимулы.
🦠Однако наиболее важный результат заключается в том, что организм и запустил реальный иммунный ответ без какого-либо контакта с патогеном. После VR-сессии в крови участников действительно менялся состав клеток иммунной системы. Больше всего реагировала группа так называемых врождённых лимфоидных клеток, которые включаются при любой инфекции быстрее всего. Интересно, что такие иммунные изменения были сопоставимы с тем, что происходит после настоящей прививки от гриппа. Таким образом, мозг, заметив виртуальную угрозу, дал команду, и иммунитет перестроился почти так же, как если бы в организм ввели вакцину.
🧪При этом другие иммунные защитники — NK-клетки — почти не реагировали. Это логично, если вспомнить их роль: они активизируются, когда вирус уже успел внедриться в клетку. Поскольку в эксперименте никакого реального заражения не было, перестройка пошла за счёт более универсальных лимфоидных клеток. Такая “перестраховка” организму нужна с учётом быстрого воздействия вирусов. Мозг в этом случае выступает как ранний сигнализатор: заметив угрозу ещё на подступах к телу, он запускает иммунные механизмы заранее. Это напоминает принцип дымового датчика: лучше пусть тревога сработает зря, чем не прозвенит в нужный момент. Эволюционно это выгодно: организм экономит время, создавая задел для защиты ещё до контакта с патогеном.
Конечно, взаимодействие нервной и иммунной систем давно не секрет, но до сих пор речь шла в основном о реакциях на уже случившееся событие — болезнь, травму, инфекцию. Новизна же этой работы в том, что, как выяснилось, иммунный ответ можно запустить ещё до контакта с патогеном на основании предсказанных мозгом сенсорных сигналов об угрозе. Получается, что наш иммунитет — это не только система реагирования на факт заражения, но и система прогнозирования, тесно связанная с мозгом. | 2 342 |
| 12 |  +6(Продолжение)
6. Научное СДВГ как стратегия 🤪
По своему опыту могу сказать, что в аспирантуре легко оказаться распростёртой между десятком проектов. Логично, что это мешает сконцентрироваться и максимизировать «выхлоп» из основной темы. Но у такого распыления есть оборотная сторона: оно даёт насмотренность, тренирует гибкость, позволяет опробовать разные методы и расширить взгляд на ваши основные исследования. Очень часто бывало так, что набив шишки в одном из проектов, я могла увидеть выход из тупика в другом. В результате, как ни странно, к концу аспирантуры вы сможете более избирательно подойти к вопросу о том, какие направления вы будете приоритизировать в своей дальнейшей карьере. Однозначно я не рекомендую на все предложения по проектам отвечать утвердительно, но и изолироваться в рамках одной задачи тоже не стоит.
7. Аспирантура как марафон 🐈
Часто можно встретить справедливое утверждение, что аспирантура — это не спринт, а марафон. Но по моему ощущению это скорее марафон, состоящий из серии спринтов. Не продуктивно тянуть все задачи дозированно и параллельно: энергия рассеивается и ничего не двигается. У «научной продукции» есть свой ритм: этап подготовки к исследованию, этап накопления данных, этап анализа, этап написания статей и т. д. Каждый из этих этапов требует разного темпа и разной концентрации. Поэтому эффективнее работать блоками: например, 1-2 недели полностью погружаться в один проект, а затем переключаться на следующий.
8. Не игнорируйте конференции 😎
Публиковаться важно. Но не менее важно уметь рассказывать о своих исследованиях. Конференции — это площадка, на которой вы делаете свою работу заметной. Именно на ней у вас есть возможность рассказать о работе так, чтобы аудитория захотела узнать больше и прочитать статью (если она уже опубликована). При этом доклад — это история, а не свалка технических деталей, какими бы очаровательными они ни казались лично вам. У слушателей должна сложиться ясная картина: зачем вы взялись за эту задачу, что удалось сделать и почему это значимо. Технические подробности нужны, но лишь постольку, поскольку они поддерживают основную линию нарратива.
9. Найдите свою метрику прогресса 👍
У одних это написанные страницы диссертации, у других — количество прогнанных моделей или полученных графиков, у третьих — количество часов сфокусированной работы. Без личной метрики очень легко впасть в иллюзию, что вы топчетесь на месте.
10. Логистика и здравый смысл 🕺
Не забывайте про базовые вещи: спите и ешьте нормально. Делайте бэкапы данных и держите код в чистоте — вы скажете себе за это спасибо в будущем. Не стесняйтесь обращаться за помощью: коллеги, друзья или даже ИИ — всё это ресурсы, которыми стоит пользоваться. Не бойтесь задавать «глупые вопросы», они могут сэкономить месяцы. Всегда имейте запасной план эксперимента на случай, если основной рухнет. И помните: если вы удачно защитите диссертацию, диплом будет радовать ваш глаз и откроет вам некоторые двери, а привычки и вкус к науке останутся с вами надолго. Получается, цель аспирантуры — не только защита сама по себе, а то, кем вы станете, пока до неё доберётесь. | 4 857 |
| 13 | +6 (Продолжение)
6. Научное СДВГ как стратегия 🤪
По своему опыту могу сказать, что в аспирантуре легко оказаться распростёртой между десятком проектов. Логично, что это мешает сконцентрироваться и максимизировать «выхлоп» из основной темы. Но у такого распыления есть оборотная сторона: оно даёт насмотренность, тренирует гибкость, позволяет опробовать разные методы и расширить взгляд на ваши основные исследования. Очень часто бывало так, что набив шишки в одном из проектов, я могла увидеть выход из тупика в другом. В результате, как ни странно, к концу аспирантуры вы сможете более избирательно подойти к вопросу о том, какие направления вы будете приоритизировать в своей дальнейшей карьере. Однозначно я не рекомендую на все предложения по проектам отвечать утвердительно, но и изолироваться в рамках одной задачи тоже не стоит.
7. Аспирантура как марафон 🐈
Часто можно встретить справедливое утверждение, что аспирантура — это не спринт, а марафон. Но по моему ощущению это скорее марафон, состоящий из серии спринтов. Не продуктивно тянуть все задачи дозированно и параллельно: энергия рассеивается и ничего не двигается. У «научной продукции» есть свой ритм: этап подготовки к исследованию, этап накопления данных, этап анализа, этап написания статей и т. д. Каждый из этих этапов требует разного темпа и разной концентрации. Поэтому эффективнее работать блоками: например, 1-2 недели полностью погружаться в один проект, а затем переключаться на следующий.
8. Не игнорируйте конференции 😎
Публиковаться важно. Но не менее важно уметь рассказывать о своих исследованиях. Конференции — это площадка, на которой вы делаете свою работу заметной. Именно на ней у вас есть возможность рассказать о работе так, чтобы аудитория захотела узнать больше и прочитать статью (если она уже опубликована). При этом доклад — это история, а не свалка технических деталей, какими бы очаровательными они ни казались лично вам. У слушателей должна сложиться ясная картина: зачем вы взялись за эту задачу, что удалось сделать и почему это значимо. Технические подробности нужны, но лишь постольку, поскольку они поддерживают основную линию нарратива.
9. Найдите свою метрику прогресса 👍
У одних это написанные страницы диссертации, у других — количество прогнанных моделей или полученных графиков, у третьих — количество часов сфокусированной работы. Без личной метрики очень легко впасть в иллюзию, что вы топчетесь на месте.
10. Логистика и здравый смысл 🕺
Не забывайте про базовые вещи: спите и ешьте нормально. Делайте бэкапы данных и держите код в чистоте — вы скажете себе за это спасибо в будущем. Не стесняйтесь обращаться за помощью: коллеги, друзья или даже ИИ — всё это ресурсы, которыми стоит пользоваться. Не бойтесь задавать «глупые вопросы», они могут сэкономить месяцы. Всегда имейте запасной план эксперимента на случай, если основной рухнет. И помните: если вы удачно защитите диссертацию, диплом будет радовать ваш глаз и откроет вам некоторые двери, а привычки и вкус к науке останутся с вами надолго. Получается, цель аспирантуры — не только защита сама по себе, а то, кем вы станете, пока до неё доберётесь. | 2 |
| 14 | Staying alive? Заметки после защиты
#аспирантское #mental_health #metascience
Прошло почти два месяца с защиты. Всё это время жизнь не стояла на паузе — проекты и задачи шли своим чередом. И лишь сейчас появилось ощущение, что можно попробовать оглянуться назад.
Путь в аспирантуре у каждого складывается уникально, своеобразно обнажая слабые места и испытывая на прочность. Поэтому вместо универсальной инструкции по выживанию ниже я приведу небольшой список советов. Я знаю, что этот канал читают те, кто сейчас в аспирантуре или планирует туда поступать, и надеюсь, что этот список окажется для вас полезным.
1. Не демонизируйте и не превозносите диссертацию 💻
Диссертация — это не magnum opus и не вершина карьеры. Степень — не венец ваших академических достижений, а скорее лицензия, позволяющая полноценно работать в науке дальше наравне с другими. Она подтверждает, что вы способны провести самостоятельное исследование и довести его до результата. Это ваш пропуск в профессию. Поэтому важно помнить, что лучшая диссертация — завершённая.
Также необходимо различать два уровня: диссертация — это формализованный проект со своей логикой и сроками; научная деятельность — более широкое и живое поле, в котором пробуются разные подходы и допускается больше рисков. Если вам удалось совместить эти уровни, вам повезло. Если же в аспирантуре вы не сгенерировали шедевры научной мысли и “великие открытия”, это не должно препятствовать вашей защите.
2. Наука как топливо 🔥
В попытках завершить диссертацию при этом не следует позволять себе халтуру: высокая научная планка — это отдельный критерий, который необходимо соблюдать. Если у вас есть настоящий внутренний мотив заниматься наукой, то в большинстве случаев диссертация станет побочным, но естественным результатом работы. Если же всё подчинено только защите, легко потерять вкус к самому исследованию.
3. Используйте аспирантуру как лабораторию себя ✨
Аспирантура — редкий период, когда ошибки стоят дёшево. Экспериментируйте не только с методами, но и со своим стилем работы: как вы планируете, как пишете статьи, как преподаёте, как говорите об исследованиях. Всё это потом станет вашей «взрослой» научной техникой. Не отказывайтесь от новых ролей, даже если они кажутся «слишком большими»: написать грантовую заявку, попробовать себя в рецензировании, выступить модератором. В аспирантуре это безопаснее всего: от вас ещё не ждут безупречности, а опыт, который вы получите, потом обернётся ощутимым преимуществом.
4. Первый человек, перед которым вы отчитываетесь, — это вы сами 🥰
Несмотря на то что аспирантура — это «всего лишь шаг», с этим шагом приходит и новая ответственность. У вас есть научный руководитель, но отношения с ним — это уже не система опеки, а скорее сотрудничество, в котором именно вы проявляете инициативу и отвечаете за движение вперёд. Речь не о том, чтобы игнорировать руководство, а о внутренней дисциплине: даже если вас никто не подталкивает, именно вы должны требовать от себя максимума. В конце концов, эта диссертация нужна прежде всего вам.
5. Срывайте плоды, которые висят низко 🦋
Не каждый исследовательский замысел подходит для диссертации. Не рискуйте брать темы, которые полностью зависят от чужих данных или оборудования, к которым у вас нет стабильного доступа; опираются на плохо отлаженные методы; настолько широки, что для них сложно сформулировать осязаемый результат. В аспирантуре у вас могут появиться собственные студенты, тема работ которых может пересекаться с вашей. Не делегируйте ключевые куски исследования им: это может сработать для не привязанных к дедлайнам аспирантуры совместных статей, но для диссертации критично, чтобы именно вы владели всей логикой проекта от начала до конца, а методы и результаты находились на кончиках пальцев. Хороший диссертационный замысел — это тот, который вы реально можете самостоятельно довести сами до конца в ограниченные сроки и без внешних «костылей». | 6 952 |
| 15 |  Порой «совы не то, чем кажутся»…
Вчера я защитила диссертацию и стала кандидатом физико-математических наук. В связи с этим скоро на канале появится пост с инструкцией по выживанию в аспирантуре.
Stay tuned. | 646 |
| 16 |  Цвет настроения синий
#psychology
Публикация: Burge, M. T., Lumapas, R. A., Lander, A. C., Thomas, B. G., Phillips, A. J., & Cain, S. W. (2025). Blue light influences negative thoughts of self. Sleep, zsaf034.
Зимний вечер лампу жжет,
день от ночи стережет.
Белый лист и желтый свет
отмывают мозг от бед.
— Иосиф Бродский
Свежее исследование показало, что поэт ошибался: не тёплое, а холодное освещение оказывает на наше мышление положительный эффект, помогая избавиться от самокритики.
Эксперимент
35 участников выполняли задание, в котором нужно было решать, относятся ли к ним характеристики вроде "ужасный" или "добрый". Всё это происходило в двух условиях: при синем освещении (близком к свету экрана или дневному свету) и при жёлтом "тёплом" свете (напоминающем лампы накаливания).
По агрегированным результатам разница между условиями оказалась статистически незначимой. Однако при более точном анализе (на уровне отдельных решений) выяснилось, что в условиях холодного освещения участники легче отвергали негативные слова как не относящиеся к себе. Это особенно важно, потому что речь идёт не просто о количестве таких отказов, а о том, насколько просто мозгу было принять это решение.
Дрейф-диффузионная модель
Когда человек думает, относится ли к нему слово “ужасный”, в мозге начинается процесс накопления доказательств. Это не мгновенное решение: мозг словно взвешивает все “за” и “против,” пока не достигает определённого порога.
Этот процесс описывается дрейф-диффузионной моделью. У неё есть следующие ключевые параметры:
✅Дрейф (drift rate, v) — это скорость, с которой накапливаются аргументы в пользу одного из решений. Чем выше скорость, тем быстрее и увереннее выбор.
✅Порог (boundary separation, a) — объём доказательств, необходимый для принятия решения. Если человек колеблется или хочет принимать решения точнее, этот порог становится высоким.
✅Смещение (bias, z) — предварительный наклон в ту или иную сторону до того, как начнётся накопление. Например, если человек уже склонен считать себя плохим, это характеризуется смещением.
✅Время не принятия решения (non-decision time, t) — время, которое уходит на восприятие слова и нажатие клавиши, не само размышление.
Исследование показало, что только один параметр — drift rate — изменился под воздействием света, причем исключительно при решении отвергнуть негативные слова. То есть в условиях холодного освещения и предъявления негативных слов людям было легче сказать себе: “нет, это не про меня”. Позитивные слова вроде “добрый” остались за пределами влияния: свет никак не изменял отношение к ним.
Почему так происходит?
В сетчатке глаза содержатся особые клетки — фоточувствительные ганглиозные клетки (ipRGCs), содержащие пигмент меланопсин. Они особенно чувствительны к коротковолновому («синему») свету и передают сигнал не в зрительную кору, а в отделы мозга, связанные с эмоциями, мотивацией и самовосприятием. У животных при таком освещении уменьшается активность латеральной хабенулы — зоны, связанной с мотивацией и чувствительностью к негативным событиям (её ещё называют центром “анти-вознаграждения”). У людей изменения в освещении тоже влияют на активность этой области. Более того, рядом расположенная пери-хабенула напрямую получает сигналы от сетчатки и связана с лобными зонами мозга (например, вентромедиальной префронтальной корой), которые участвуют в формировании эмоционального состояния. Именно эти пути, по всей видимости, и объясняют, как свет может влиять на то, насколько легко нам отказаться от негативных мыслей о себе, даже если мы этого не осознаём. | 1 279 |
| 17 | بدون متن... | 0 |
| 18 |  CD-PSIICOS: в погоне за истинными сетями мозга
#neuroimaging #resources
Публикация: Kleeva, D., & Ossadtchi, A. (2025). Context-dependent PSIICOS: A novel framework for functional connectivity estimation accounting for task-related power leakage. NeuroImage, 121268.
Только что в журнале Neuroimage вышла в свет ещё одна наша статья! Нередко в момент публикации, к которому приходишь через страдания, ощущается, что это всего лишь промежуточный этап — метод нужно совершенствовать, тестировать на новых данных и т. д. Но в этот раз ощущение другое: метод уже работает настолько стабильно, понятно и красиво, что хочется делиться им с каждым.
🙀Проблема
Представьте, что у вас есть десятки или сотни датчиков МЭГ или ЭЭГ, и вы хотите понять, какие области мозга работают согласованно. Это соотносится с понятием функциональной связности. Вы вычисляете меры синхронизации между источниками в коре, строите красивую мозговую сеть, но здесь кроется подвох.
Дело в том, что активность каждого источника "растекается” по сенсорам. И когда вы делаете обратное преобразование от сенсоров в пространство источников, этот эффект так называемой объёмной проводимости приводит к тому, что один и тот же источник кажется активным сразу в нескольких соседних точках. А это уже — ложные связи.
Вы видите сеть, но она фантомная. Не потому что в данных шум или прямой артефакт, а потому что даже идеальные данные дают искажённую картину, если не учитывать физику распространения сигналов.
😾Что делать?
Поскольку артефакты протечки сигналов мгновенны, один из самых известных способов обойти эту проблему — просто игнорировать связи с нулевыми задержками. Например, использовать мнимую когерентность. Но у этого подхода есть изъян: он избавляется не только от артефактов, но и от реальных взаимодействий, которые могут происходить с близкими к нулю фазовыми задержками.
Несколько лет назад был разработан метод PSIICOS, который предложил изящное решение. Он устраняет вклад объёмной проводимости, не отсекая связи с нулевой задержкой. Прежде всего мы строим прямую модель — описание того, как активность в каждой точке коры “попадает” на сенсоры. Это модель базируется на анатомии головы, распределении проводимости тканей и прочих параметрах. Метод PSIICOS строит проектор, который, используя прямую модель, подавляет те компоненты, которые соотносятся с артефактами объёмной проводимости.
🕺 Следующий шаг — CD-PSIICOS
Оригинальный PSIICOS опирается на предположение, что все источники равновероятно активны. CD-PSIICOS идёт дальше: он адаптирует проектор к конкретным данным, используя информацию о распределении мощности сигнала по коре. Мы учитываем, какие области действительно были активны во время регистрации данных, и именно на них фокусируем чистку от объёмной проводимости. Это делает проектор гораздо более селективным. Мы словно говорим методу: «Смотри, вот где в коре действительно была активность — убирай артефакты объёмной проводимости именно там». Такой подход делает фильтрацию точнее и позволяет не только подавить ложные связи, но и подчеркнуть настоящие, даже если они слабые и дистальные.
🤸Тулбокс на Github
Ссылка на репозиторий: https://github.com/dkleeva/CD-PSIICOS
Даже если вы не хотите вникать во все тонкости проекций, прямого и обратного моделирования и подавления артефактов — это не страшно. Если у вас есть МЭГ или ЭЭГ с индуцированной активностью (например, до/после стимула) и вы хотите выявить функциональные сети, а также отследить их динамику во времени — просто используйте этот тулбокс. Всё, начиная от загрузки эпох и заканчивая визуализацией активации сетей, уже реализовано (см. демо-скрипт).
А в ближайших обновлениях появятся новые функции! | 2 687 |
| 19 |  FPCM: алгоритм для автоматического поиска эпилептических разрядов теперь в открытом доступе
#neuroimaging #resources
Последние несколько лет я концентрируюсь на разработке алгоритмов для анализа активности мозга. Алгоритмы разрабатывались, статьи публиковались, но инструменты не были оформлены как удобные продукты для прямого использования другими исследователями или клиницистами.
Сейчас я решила формировать версии алгоритмов с минимально необходимым интерфейсом и документацией. Начала с FPCM (Fast Parametric Curve Matching) — инструмента, который мы разработали в Центре биоэлектрических интерфейсов несколько лет назад для автоматического обнаружения эпилептических разрядов в данных МЭГ/ЭЭГ. Такие разряды позволяют выявить, где в мозге возникает патологическая активность, и используются для локализации эпилептогенной зоны при подготовке к хирургическому лечению.
🔥 Ссылка на GitHub: https://github.com/dkleeva/FPCM
Что делает FPCM?
💫Моделирует форму события как три сегмента — два отрезка и одну волну, приближённо описывая типичный эпилептический разряд.
💫Применяет эту модель ко всему сигналу и извлекает параметры формы: амплитуды, наклоны, изгиб.
💫Проверяет логические условия, которые имитируют клинические критерии: куда направлен пик, насколько выражена волна и т.д.
💫Работает без обучения — достаточно задать нужную форму и логические критерии, основанные на её параметрах.
💫Устойчив к артефактам и шуму, подходит для автоматической обработки больших объёмов данных.
Полноценное описание метода представлено в нашей публикации.
Что есть в репозитории:
💻 Основной код метода и логики принятия решений.
💻 Визуализация результатов с отображением топографий обнаруженных паттернов и наложенных моделей сигнала.
💻 Jupyter-ноутбук с примерами детекции и графиками.
💻 Функции для локализации кортикальных источников, т. е. определения, какой очаг в мозге порождает обнаруженные события.
💻 Утилиты для оценки производительности.
Сейчас в репозитории представлен минимальный необходимый функционал, который далее будет расширяться.
Кому может пригодиться репозиторий:
✔️Тем, кто работает с эпилептическими разрядами в ЭЭГ/МЭГ — в клинических или исследовательских задачах.
✅Исследователям, изучающим К-комплексы, вертексные волны, паттерны сна и любые другие короткие события с узнаваемой морфологией.
💟Тем, кому нужна автоматизированная альтернатива ручной разметке больших массивов нейроданных.
✔️Разработчикам, которым нужен гибкий модуль, легко встраиваемый в существующий аналитический пайплайн.
Буду рада, если инструмент окажется полезным. Если возникнут вопросы, предложения или замечания — пишите. | 2 610 |
| 20 |  Может ли нейрон удивляться?
#neuro
Публикация: Liu, B., & Buonomano, D. V. (2025). Ex vivo cortical circuits learn to predict and spontaneously replay temporal patterns. Nature Communications, 16(1), 3179.
Наш мозг — предсказатель. Он не просто реагирует на стимулы — он строит гипотезы о будущем, сверяет ожидания с реальностью и вычисляет ошибки предсказания. Эти допущения легли в основу целой теории предсказательного кодирования (predictive coding) в авторстве Карла Фристона, одного из самых влиятельных нейробиологов.
📌Согласно этой теории, мозг постоянно генерирует внутренние модели мира и использует их, чтобы предугадывать, какие сигналы он вот-вот получит от органов чувств. Когда ожидания не совпадают с тем, что произошло в реальности, возникает ошибка предсказания и мозг обновляет модель, чтобы в следующий раз ошибиться меньше. В более общей версии этой теории Фристон выводит принцип свободной энергии: живой организм выживает, постоянно предсказывая, что с ним будет, и стараясь, чтобы реальность совпадала с этими предсказаниями. Он делает это, минимизируя свободную энергию — доступную ему меру неожиданности/неопределённости. Чем меньше “сюрпризов”, тем лучше.
‼️Казалось бы, для таких сложных процессов — предсказаний, ошибок, обновлений модели — нужна сложная иерархия нейронных связей. Но свежее исследование показало, что достаточно пары десятков нейронов.
Исследование проводилось на органотипических срезах коры мозга мыши — это тонкие участки ткани, выращенные вне организма (ex vivo) и живущие “в чашке Петри”, но сохраняющие архитектуру корковых сетей. В две группы нейронов были внедрены разные светочувствительные белки (опсины): одни активировались красным светом, другие — синим.
В течение 24 часов срез обучали парной стимуляции: сначала подавался красный свет и реагировали “красные” нейроны, затем с задержкой — синий, вызывающий ответ “синих” нейронов. В одних случаях задержка между красным и синим стимулом была короткой (10 мс), в других — длинной (370 мс). Эту процедуру можно рассматривать как ex vivo версию классического обусловливания Павлова: в этой схеме красный свет выполняет роль условного стимула (он запускает первую волну активации), а синий свет — безусловного стимула, к которому сеть постепенно учится привязывать первый по времени.
После обучения исследователи предъявляли только красный свет. Обнаружилось следующее:
✨Нейроны, ранее активировавшиеся на синий свет, начинали активироваться и при подаче только красного, причём с той же задержкой, которая была в период обучения. То есть сеть не просто выучила ассоциацию, но и закодировала временной интервал между стимулами (это наблюдалось только у тех срезов, которые тренировались с длинной задержкой).
✨В некоторых случаях нейронный ответ был сильнее в отсутствие ожидаемого второго стимула, чем когда он действительно предъявлялся — как будто сеть “удивлялась” нарушению привычного паттерна. Это интерпретируется как ошибка предсказания.
✨Даже при полном отсутствии внешней стимуляции нейроны спонтанно воспроизводили выученные временные паттерны, как если бы они "репетировали" то, что запомнили. Это спонтанное воспроизведение (replay) — редкий пример автогенерируемой динамики изолированной ткани.
На важность этих результатов обратил внимание и сам Карл Фристон, написав к работе комментарий “Can a single brain cell be surprised?" Он подчеркивает два ключевых нюанса:
💡Это первое прямое свидетельство формирования ошибок предсказания на уровне отдельных нейронов, зафиксированное ex vivo;
💡Результаты подтверждают, что асимметричная структура связей в микросети способна генерировать динамику с направленностью во времени, необходимую для предсказаний.
Таким образом, способность к предсказанию оказывается не привилегией целого мозга, а фундаментальным свойством самой нейронной ткани. | 1 218 |
