TY - JOUR

T1 - Использование методов машинного обучения для анализа паттернов активности мозга в процессе оценки себя и других людей

AU - Knyazev, Gennady G.

AU - Савостьянов, Александр Николаевич

AU - Рудыч, Павел Дмитриевич

AU - Бочаров, Андрей Викторович

N1 - Князев Г.Г., Савостьянов А.Н., Рудыч П.Д., Бочаров А.В. Использование методов машинного обучения для анализа паттернов активности мозга в процессе оценки себя и других людей // Журнал высшей нервной деятельности им. И.П. Павлова. – 2023. – Т. 73. - № 2. – С. 242-255.

PY - 2023

Y1 - 2023

N2 - Изучение активности мозга в процессе обработки самореферентной информации, в сравнении с обработкой информации, относящейся к другим людям, базируется на применении массового одномерного анализа, основанного на предположении, что активность в одном регионе не зависит от активности в других регионах. В последнее время в нейровизуализации растет интерес к исследованию пространственно распределенной информации с помощью многомерных подходов, таких как многовоксельный анализ паттернов (МВАП). В данной работе мы использовали МВАП для анализа фМРТ-данных, записанных при выполнении задания по оцениванию себя и других людей разной степени близости. Тестирование выявленных в процессе машинного обучения паттернов показало, что они позволяют в 75–88% случаев предсказать по активности мозга, оценивает ли испытуемый себя или другого человека. Прогностически значимые структуры были широко распределены по разным областям мозга и, помимо корковых срединных структур, дававших наибольший вклад, включали области зрительной, латеральной префронтальной и многих других корковых зон. При классификации “Я”–”Другие” наиболее информативными для выбора варианта “Я” являлись вентральные области медиальной префронтальной и поясной коры, а для выбора варианта “Другие” – теменные и затылочные срединные области. Анализ главных компонент позволил выявить комбинацию структур мозга, включающую переднюю часть поясной извилины и обе миндалины, факторные оценки которой коррелировали положительно с психометрической шкалой чувствительности к награде и отрицательно со шкалами нейротизма. Активность этой комбинации структур может рассматриваться в качестве фактора защиты от аффективных расстройств. В целом полученные результаты показывают плодотворность использования методов машинного обучения для анализа данных такого рода экспериментов.

AB - Изучение активности мозга в процессе обработки самореферентной информации, в сравнении с обработкой информации, относящейся к другим людям, базируется на применении массового одномерного анализа, основанного на предположении, что активность в одном регионе не зависит от активности в других регионах. В последнее время в нейровизуализации растет интерес к исследованию пространственно распределенной информации с помощью многомерных подходов, таких как многовоксельный анализ паттернов (МВАП). В данной работе мы использовали МВАП для анализа фМРТ-данных, записанных при выполнении задания по оцениванию себя и других людей разной степени близости. Тестирование выявленных в процессе машинного обучения паттернов показало, что они позволяют в 75–88% случаев предсказать по активности мозга, оценивает ли испытуемый себя или другого человека. Прогностически значимые структуры были широко распределены по разным областям мозга и, помимо корковых срединных структур, дававших наибольший вклад, включали области зрительной, латеральной префронтальной и многих других корковых зон. При классификации “Я”–”Другие” наиболее информативными для выбора варианта “Я” являлись вентральные области медиальной префронтальной и поясной коры, а для выбора варианта “Другие” – теменные и затылочные срединные области. Анализ главных компонент позволил выявить комбинацию структур мозга, включающую переднюю часть поясной извилины и обе миндалины, факторные оценки которой коррелировали положительно с психометрической шкалой чувствительности к награде и отрицательно со шкалами нейротизма. Активность этой комбинации структур может рассматриваться в качестве фактора защиты от аффективных расстройств. В целом полученные результаты показывают плодотворность использования методов машинного обучения для анализа данных такого рода экспериментов.

KW - “Я”

KW - САМООЦЕНКА

KW - ОЦЕНКА ДРУГИХ ЛЮДЕЙ

KW - ФМРТ

KW - МАШИННОЕ ОБУЧЕНИЕ

KW - МНОГОВОКСЕЛЬНЫЙ АНАЛИЗ ПАТТЕРНОВ

KW - fMRI

KW - machine learning

KW - multi-voxel pattern analysis

KW - other-evaluation

KW - self

KW - self-evaluation

UR - https://www.scopus.com/record/display.uri?eid=2-s2.0-85177197369&origin=inward&txGid=dd0cf016e0ee9de17ac58984dea709e3

UR - https://www.elibrary.ru/item.asp?id=50435775

UR - https://www.mendeley.com/catalogue/90b16f12-40af-3c8d-9437-0a8c59d0b812/

U2 - 10.31857/S0044467723020065

DO - 10.31857/S0044467723020065

M3 - статья

VL - 73

SP - 242

EP - 255

JO - Zhurnal Vysshei Nervnoi Deyatelnosti Imeni I.P. Pavlova

JF - Zhurnal Vysshei Nervnoi Deyatelnosti Imeni I.P. Pavlova

SN - 0044-4677

IS - 2

M1 - 6

ER -