Of particular interest for researching the cognitive specializations of neurons is their correlation with environmental variables and animal behavior. Mutual information (MI) is a preferable method for measuring such correlations, as it allows for the assessment of non-linear relationships between variables, detects synchronization, and provides both significance and strength quantification. However, calculating MI for real data is significantly challenging. In this study, we used updated MI calculation techniques to analyze the connection between calcium fluorescence signaling and behavioral variables. Our approach encompasses novel strategies which we compiled into a software program known as INTENS (Information-Theoretic Evaluation of Neuronal Specializations), and it enabled to identify specialized neurons in mice hippocampal calcium activity data while they explored the arena with varying levels of novelty.
Numerous methods exist for analyzing the relationship between neuron spikes and behavioral variables, including information-theoretical approaches [1]. Extracting information about the relationship between calcium fluorescent signals and behavior is of particular interest due to the signal’s ability to provide crucial information about subthreshold activations of the neuron. In this study, we use the GCMI Gaussian copula entropy method to calculate mutual information [2]. This method relies on the fact that mutual information between two random variables is independent of their marginal distributions and only depends on the type of copula used (a multidimensional distribution where each marginal distribution is uniform).
The actual MI was compared to its corresponding values computed on the time-shifted signals for assessing the statistical significance of the computed information association between the calcium signal and the behavioral variable. Additionally, we devised a technique for gauging the strength of the coupling effect. This involved normalizing the mutual information between the fluorescence signal and the behavior with the entropy value of both variables, previously calculated as random variables. Importantly, the approach outlined earlier is effective for analyzing continuous variables such as calcium signal and animal speed, as well as pairs of continuous and discrete variables such as calcium signal and the presence or absence of grooming.
The analysis of calcium signals recorded from the CA1 region of the hippocampus revealed neuronal specializations related to the animal’s external environment, such as place cells, and specializations related to its behavioral activities, including neurons activated during running, rearing, and freezing. Some neurons selectively activated in response to discrete parameters included the animal’s location within the arena (center, walls, and corners) and its speed (rest, slow, and fast). A total of 781 specializations were detected across 472 neurons throughout all four sessions of the experiment. Notably, a single neuron could have several specializations. However, more than half (55%) of the neurons were found to have only one specialization.
В работе представлены результаты исследования нейрофизиологических характеристик выполнения вербальных и невербальных творческих задач, а также сравнительный анализ некоторых подходов к классификации временных рядов и частотно-временных карт ЭЭГ-сигнала на основе непрерывного вейвлет-преобразования.
В исследованиях приняли участие несколько групп испытуемых, выполнявших разные творческие задачи одновременно с регистрацией ЭЭГ или вызванных потенциалов (ВП): придумывание оригинальных окончаний к известным пословицам «ПОСЛОВИЦЫ» [1–3] (парадигма ВП), придумывание сюжета по картинке «РАССКАЗ» [4] (здесь и далее — непрерывная деятельность при смене состояний); завершение эскизов (тест Торренса) «ЭСКИЗЫ», свободное художественное творчество профессионального художника «эскизирование, холст, смотр и другая деятельность» [5].
Показано, что поиск оригинального окончания в сравнении с контрольной задачей — «вспомнить окончание пословицы» — характеризуется бόльшими значениями мощности 8–9 Гц в правой лобной и левой теменной областях коры. Придумывание рассказа по картинке по сравнению с задачей «описания картинки» также характеризовалось бόльшим процентом отдельных частот альфа-диапазона в структуре ЭЭГ. В условиях свободного эскизирования выявлен более высокий процент тета- (5–6 Гц) и альфа-частот (12–13 Гц) в лобных и теменных зонах коры художника в сравнении с контрольной задачей рисования заданных линий.
Помимо анализа ЭЭГ/ВП-характеристик при выполнении творческих заданий ставилась задача исследовать возможность наиболее точной классификации состояний творческой деятельности для дальнейшей разработки машинного алгоритма различения стадий/состояний творческого процесса по характеристикам ЭЭГ/ВП.
В работе использовали инструменты «линейной» классификации временных рядов («сырого сигнала») в референтном монтаже и при преобразовании к источнику тока (CSD). Для классификации «временных рядов» непрерывные ЭЭГ разделяли на фрагменты по 2 с, а для классификации ВП использовали интервалы 1500 мс после предъявления стимула. Данные ЭЭГ/ВП также представляли в виде частотно-временных карт на основе расчёта непрерывного вейвлет-преобразования (Морле) для частот от 3 до 30 Гц. Каждое изображение генерировалось для интервала 4 с с шагом 100 мс (для непрерывных записей ЭЭГ) или для интервала 1500 мс после предъявления стимула (для ВП) и состояло из частотно-временных карт зон интереса: лобного (Fz) и теменного (Pz) отведений. Далее изображения частотно-временных карт классифицировали при помощи модифицированной свёрточной нейронной сети (47 слоёв на основе архитектуры SqueezeNet). Для всех процедур классификации ЭЭГ-сигналов использовали опции программного пакета Classifier learning и Deep Network Designer в среде MATLAB. Во всех случаях обучающие и тестовые выборки не пересекались и представляли соотношение 80:20%.
При распознавании состояний использовали модели творческих задач «РАССКАЗ» — 4 класса состояний (описание картинки, придумывание сюжета, продолжение придумывания сюжета, фон с открытыми глазами) — с лучшим результатом 53,4% для SqueezeNet.
При распознавании стадий творческой деятельности «СВОБОДНОЕ ХУДОЖЕСТВЕННОЕ ТВОРЧЕСТВО» использовали 3 состояния профессионального художника для классификации (фон с открытыми глазами, живопись по холсту, просмотр и оценка работы по холсту). Классифицировали также 3 состояния (фон с открытыми глазами, творческое рисование в тесте Торренса, рисование заданных объектов) в модели выполнения классического творческого задания на невербальную креативность «ЭСКИЗЫ».
В первом случае свободного рисования и оценки произведения точность классификации временных рядов составила 86.9 при CSD преобразовании для Kernel Naive Bayes. Во втором случае точность разделения состояний фона и творческого/нетворческого рисования составила 66.9% при использовании классификатора на основе машины опорных векторов (Гауссовская радиальная базисная функция (SVM fine Gaussian)). Использование для классификации частотно-временных карт и свёрточной нейронной сети приводило к повышению точности классификации до 98% в первом случае и до 96,5% — во втором.
В исследованиях в парадигме вызванных потенциалов (модель «ПОСЛОВИЦЫ») для классификации использовали подход single-trial для трёх состояний: нахождение собственного «нового» окончания общеизвестной пословицы, нахождение смыслового синонима окончания и вспоминание исходного окончания пословицы. Классификацию проводили для каждого участника (15 человек) индивидуально. У всех результаты при помощи линейного дискриминантного анализа были выше порога случайного распознавания (минимум — 37,8%, максимум — 58,5%, в среднем по группе — 46±6%).
Так как в модели «ПОСЛОВИЦЫ» каждое задание содержало не более 100 проб, возможность получить достаточную выборку образцов частотно-временных карт для обучения свёрточной нейронной сети отсутствовала, была предпринята попытка формирования обучающей выборки с использованием образцов изображений всех испытуемых (922 образца для нахождения собственного варианта ответа, 1102 — для нахождения синонима и 1180 — для вспоминания окончания). В этом случае, классификация общей по группе выборки образцов не превышала случайного порога (36%), что, по всей видимости, связано с межсубъектной вариабельностью данных.
На данный момент использование свёрточных нейронные сетей показало сравнительно лучший результат для классификации «непрерывных», длительных состояний творческой деятельности, в то время как оценка быстрых «переходных» процессов более эффективна при классификации «временных рядов».