ЭЭГ-прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования

Щукин, Тимур Николаевич

Темы диссертаций по психологии » Психофизиология

автореферат и диссертация по психологии 19.00.02 для написания научной статьи или работы на тему: ЭЭГ-прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования

Автореферат

Автор научной работы: Щукин, Тимур Николаевич
Ученая степень: кандидата психологических наук
Место защиты: Москва
Год защиты: 2004
Специальность ВАК РФ: 19.00.02

Диссертация

Автореферат диссертации по теме "ЭЭГ-прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования"

На правах рукописи

Щукин Тимур Николаевич

ЭЭГ-ПРОГНОЗ УСПЕШНОСТИ ВЫПОЛНЕНИЯ ПСИХОМОТОРНОГО ТЕСТА ПРИ СНИЖЕНИИ УРОВНЯ БОДРСТВОВАНИЯ

Специальность 19.00.02 - «Психофизиология»

Автореферат

Диссертации на соискание ученой степени кандидата психологических наук

Москва - 2004

Работа выполнена в лаборатории когнитивной психофизиологии ИП РАН

Научный руководитель:

Кандидат биологических наук, Дорохов В. Б.

Официальные оппоненты:

Доктор психологических наук, Черноризов А.М. Кандидат медицинских наук, Шеховцев И.К.

Ведущая организация:

Институт нормальной физиологии имени П.К.Анохина

на заседании диссертационного

Защита состоится 2 декабря 2004 г. в_

совета Д002.016.03 при Институте психологии РАН по адресу: г.Москва, ул.Ярославская, д.13.

С диссертацией можно ознакомиться в библиотеке Института психологии РАН Автореферат разослан « »_2004 г.

Ученый секретарь диссертационного совета кандидат психологических наук Е.А.Никитина

224У9

Обшая характеристика работы

Трудно переоценить важность прогнозирования успешности действий человека в реальном времени. Особенно остро стоит эта проблема в условиях снижения уровня бодрствования, перехода от бодрствования ко сну. Ошибки, связанные с сонливостью и дремотными состояниями, могут приводить и приводят к негативным последствиям в различных областях жизни и деятельности человека.

Данное исследование представляет собой попытку решения задачи прогнозирования успешности действий человека с помощью анализа параметров электроэнцефалограммы (ЭЭГ), предшествующей наступлению ошибок в действиях человека при изменении его уровня бодрствования. Актуальность этой работы определяется огромной важностью ее результатов для предотвращения сбоев, аварий, катастроф в производстве, на транспорте, в различных экстремальных и чрезвычайных ситуациях.

В зависимости от уровня регуляции деятельности необходима различная скорость реагирования на возникающие проблемы. Если высшие уровни регуляции проявляются в целостности взаимодействия индивидуума с миром и могут быть идентифицированы на этапе профессионального отбора, то проблемные моменты низких уровней регуляции возникают стремительно и требуют методов идентификации и прогноза в режиме реального времени.

Идентификация и прогноз состояний человека являются одним из этапов управления его состояниями. Управление может осуществляться как внешними средствами, например, тревожным сигналом, так и с использованием внутренних средств - например, с помощью метода биологической обратной связи (БОС).

Традиционно в тренингах БОС в качестве объекта управления используются физиологические функции, лишь косвенно связанные с сиюминутной эффективностью профессиональной деятельности - КГР, температура конечностей и т.д. Использование в качестве объекта управления паттерна психофизиологических сигналов, непосредственно связанных с эффективностью конкретного профессионального действия, на сей день невозможно ввиду отсутствия метода, позволяющего быстро выделять из потока физиологической информации нужный сигнал или паттерн сигналов. Создание такого метода представляется нам актуальной задачей психофизиологии. Решение этой задачи базируется на наших предыдущих исследованиях БОС, а также влияния бинауральной стимуляции на засыпание и изменение уровня бодрствования.

Эффект воздействия особых и экстремальных условий на человека определяется множеством факторов, среди которых его личностные и индивидуальные свойства, а также особенности индивидуальных механизмов психической регуляции деятельности и саморегуляции (Л.Г.Дикая 2003; 1999.).

Качественный и количественный анализ уровней регуляции деятельности традиционно проводится методами нейрофизиологии, психофизиологии и психологии. К ним относятся методы, направленные на исследования отдельных психических функций, оценку возможностей различных анализаторов, а также анализ таких параметров деятельности, как психическая напряженность, психофизиологические ресурсы и т.д. Для этих целей используются оценки разных психофизиологических показателей, данные субъективного шкалирования и тестов, регистрации исполнительных действий. К общепсихологическим относится группа методов, предназначенных для анализа таких психических процессов, как мотивация,

РОС. НАЦИОНАЛЬНАЯ БИБЛИОТЕКА

» оэ

принятие решений, целеобразование, планирование и прогнозирование, формирование концептуальных моделей.

Существуют и системные методы анализа, позволяющие анализировать сложную нестационарную деятельность человека за счет организации взаимодействия различных методов. (Ю.Я.Голиков, Л.Г.Дикая, А.Н Костин 1999.. Костин А.Н. 1992.).

В работах отечественных исследователей (Ю.Я.Голиков, Л.Г.Дикая, А.Н.Костин 1999.) психическую активность человека (а, следовательно, и психическую регуляцию) рассматривают как состоящую из трех видов: текущей, ситуативной и долгосрочной.Система текущей регуляции подразделяется на три разнородных уровня: 1) Активационно - энергетической стабилизации; 2) Непосредственного взаимодействия; 3) Опосредованной координации; она способна порождать проблемные моменты и проблемные ситуации разного рода.

Наша работа лежит в русле отечественных исследований в области псхологии и психофизиологии. Общий контекст нашей проблемы заключается в изучении принципов регулирования психомоторной деятельности, представленной системой уровней. Именно прогноз проблемных моментов, порождаемых системой текущей регуляции, представляет собой конкретизацию задачи изучения динамики успешности выполнения психомоторного теста в связи с изменениями ЭЭГ.

Паттерны признаков ЭЭГ отражают эффективность саморегуляции в разрешении проблемных моментов, порождаемых системой текущей регуляции при изменении уровня бодрствования. Задача идентификации этих паттернов требует особой тестовой модели для своей реализации. Подобная тестовая модель, предназначенная для исследования психофизиологических механизмов нарушений деятельности при засыпании, была разработана В.Б.Дороховым (Дорохов В.Б.. 2003 Дорохов В.Б. 2002). В нашем эксперименте мы использовали психомоторный непрерывно-дискретный тест, который довольно скоро вызывает дремотное состояние, а при углублении дремоты - «микросон». Данная экспериментальная модель обладает массой положительных сторон. Монотонный характер теста очень быстро вызывает дремотное состояние, а закрывание глаз и выполнение теста в заглушённой комнате в положении лежа с минимумом двигательной активности позволяет безартефактно регистрировать электрофизиологические показатели, что особенно существенно при регистрации электрической активности мозга человека.

Мы предполагаем, что электроэнцефалограмма, сопровождающая выполнение психомоторного теста, является источником наиболее информативных данных для решения проблемы идентификации классов различной успешности в выполняемой деятельности. В пользу этого предположения говорят данные многочисленных исследований, в которых удалось на основе данных ЭЭГ производить успешное различение микросостояний ЭЭГ, характера выполняемых задач (например-пространственные и логические задачи (А.Р.Николаев, Г. А Иваницкий, АМ.Иваницкий. 1998.)), уровня сложности задачи и т.д. С точки зрения этой модели наибольшей информативностью обладают параметры пространственной корреляции.

Отбор параметров ЭЭГ, который производится на первых этапах работы программного комплекса, обоснован в целом ряде работ и базируется на психофизиологической модели восприятия и памяти, разрабатываемой в лаборатории когнитивной психофизиологии ИПРАН под руководством А. Н Лебедева на протяжении нескольких десятков лет.

Применение именно этой модели позволяет надеяться на положительный результат в решении задачи данной работы, т.к. с помощью этой модели уже решены

задачи идентификации интеллектуальной и музыкальной одаренности человека по его ЭЭГ, а также построены модели, позволяющие идентифицировать особенности индивидуального восприятия музыкальных произведений по ЭЭГ слушателей.

Применение этой модели для расчетов в условиях реального времени ранее не производилось. Применение модели в таких условиях развивает и продолжает логику исследований лаборатории когнитивной психофизиологии.

Рассматривая задачу идентификации и прогноза состояний в более широком контексте - контексте управления состояниями, мы осознаем следующее: Для того, чтобы получить возможность управления тем или иным процессом с помощью, например, БОС, необходимо в информационном потоке (в данном случае ЭЭГ) вычленить объекты, соответствующие состояниям, которыми мы планируем управлять. Решение этой задачи позволят немедленно перейти к вопросу прямого управления процессами, соответствующими выделенным паттернам ЭЭГ.

В исследованиях БОС было многократно показано, что использование паттерна физиологических функций в качестве сигнала обратной связи значительно увеличивает успешность обучения (E.Green. Beyong Biofeedback, B.Brown The Art of Biofeedback и т.д.).

Из результатов работы лаборатории Лебедева А.Н. следует, что скорость обработки информации и работа кратковременной памяти кодируется паттернами пространственной корреляции в диапазоне альфа-ритма. Период биения альфа ритма составляет одну секунду. Это значит, что анализ односекундного отрезка ЭЭГ захватывает все коды, относящиеся к кратковременной памяти и вниманию, а также обработке информации о принятии решения в нашей экспериментальной ситуации.

Также из результатов работы лаборатории следует, что содержание паттерна (порядок и смысл нейронных «букв» в слове), кодирующего тот или иной объект восприятия, формируется индивидуально и во многом случаен. Инвариантами являются законы формирования и поддержания таких ЭЭГ- паттернов. Мы предполагаем, что полученные нами паттерны признаков, кодирующие различные события в ЭЭГ испытуемого, будут индивидуальными.

Пель исследования:

Создать алгоритм построения правил прогноза (паттерна ЭЭГ) успешности действия по ЭЭГ для отдельного испытуемого.

На основании анализа экспериментальных и литературных данных были выдвинуты следующие гипотезы:

1. Короткие отрезки ЭЭГ длительностью менее одной секунды обладают достаточной информативностью для идентификации и прогноза некоторых действий человека при изменении его уровня бодрствования.

2. Признаки, на основе которых осуществляется успешный прогноз, являются индивидуальными.

В соответствии с выдвинутыми гипотезами в работе были поставлены и решались следующие задачи:

1. Обнаружить параметры ЭЭГ, позволяющие осуществлять успешный прогноз

действий человека при дремоте в реальном времени.

2. Экспериментально проверить эффективность прогноза времени реакции

человека на стимул при дремоте по отрезку фоновой ЭЭГ длительностью

меньше одной секунды.

3. Экспериментально проверить эффективность прогноза типа ответа (правильный-неправильный) на стимул при дремоте по отрезку фоновой ЭЭГ длительностью менее одной секунды

Результаты проведенного исследования позволяют вынести на защиту следующие положения:

1. В индивидуальных характеристиках электроэнцефалограммы содержатся информативные признаки, обеспечивающие прогноз времени реакции на стимул в психомоторном тесте.

2. В индивидуальных характеристиках электроэнцефалограммы содержатся информативные признаки, обеспечивающие прогноз типа ответа (правильный-неправильный) на стимул в психомоторном тесте

3. Признаки, обеспечивающие прогноз характера ответа на стимул, индивидуальны.

Методологическую основу исследования составили положения системного анализа и комплексного подхода в психологических и психофизиологических исследованиях, а также принцип активности субъекта, являющийся базовым для исследований субъекта в отечественной психологии, в соответствии с которым активность личности по преобразованию окружающей реальности является мерой устойчивости субъекта к влияниям окружающей среды и мерой влияния на среду. Также мы опирались на теоретические представления системного и полисистемного подходов об уровнях и характере взаимодействия систем, формах и принципов межсистемного взаимодействия, развиваемых в работах отечественных психологов: Б.Г.Ананьева, Л.С.Выготского, А.Н.Леонтьева, Б.ФЛомова, ВАБарабанщикова, ДН.Завалишиной, Ю.Я.Голикова, А.ККостина, др.

Методы исследования, применявшиеся в процессе исследования:

1. Диагностика сонливости, функциональной ассиметрии испытуемого с помощью специализированных опросников.

2. Регистрации электроэнцефалограммы

3. Методы статистической обработки данных

4. Методы обработки данных системой распознавания образов

Научная новизна исследования состоит в том, что впервые

1. Показано, что идентификация латентности ответа человека может быть проведена по участку фоновой ЭЭГ шириной 700 мс, предшествующей стимулу и\или включающему в себя предыдущий стимул и ответ на него.

2. Показано, что идентификация правильности счета может быть определена по участку фоновой ЭЭГ шириной 700 мс, предшествующей стимулу и\или включающему в себя предыдущий стимул и ответ на него.

3. Показано, что параметры пространственной корреляции ЭЭГ предшествующей стимулу, играют важную роль в задачах идентификации могут служить важной мерой психофизиологической надежности человека в простых задачах.

Практическая значимость. Результаты проведенного исследования могут быть использованы в инженерно-психологических разработках, в системах компьютеризированного обучения и контроля операторской деятельности, специфика которой связана с вероятностью появления дремоты. Полученные материалы позволяют предложить критерий определения надежности выполнения человеком действий в состоянии дремоты.

Апробаишрезультатов исследования:

Основные результаты докладывались и обсуждались на расширенном заседании лаборатории психологии и психофизиологии творчества (2000 - 2004 гг.), а также на следующих конференциях:

1. Школа- семинар по практической полисомнографии и критическим состояниям в неврологии" Ялта-Гурзуф.2002

2. Школа - конференции Сон-окно в мир бодрствования Москва 2001

3. XII конференция по космической биологии и авиакосмической медицине. Москва. 2002

4.2-ая Школа конференция Сон-окно в мир бодрствования Москва 2003

5. Научно практическая конференция Проблемы общей биологии Ростов на-Дону, 2003.

Структура и объем диссертации:

Диссертация состоит из введения, двух глав, заключения и выводов, списка литературы.

Содержание работы отражено в 10 печатных работах.

Основное содержаниеработы:

Во введении обосновывается актуальность поставленной и исследуемой в диссертации задачи, ее цели и новизна, теоретическая и практическая значимость, формулируются гипотезы исследования, излагается методологический подход к решению этой задачи, а также положения, выносимые на защиту.

В первой главе «Современное состояние проблемы ЭЭГ-прогнозирования успешности действий при изменении уровня бодрствования» приводится обзор литературных данных по исследуемой проблеме, анализируется состояние изучаемой проблемы на данном этапе. Выделяются аспекты проблемы, нуждающиеся в дальнейшем теоретическом и экспериментальном исследовании. Подчеркивается важность решения проблемы прогноза действий человека по коротким участкам ЭЭГ.

Анализируются существующие методы идентификации и или прогноза ошибок в деятельности человека, вызванных снижением уровня бодрствования.

Важность решения проблемы прогноза успешности действий человека в реальном времени велика. Особенно остро стоит эта проблема в условиях динамики состояний человека, и в особенности - в условиях изменения уровня бодрствования. Последствиями ошибок, связанных с сонливостью и дремотными состояниями, являются аварии и катастрофы на производстве и транспорте. Заблаговременная идентификация наступающих ошибок позволит их избегать.

Для многих профессий в настоящее время ограничены возможности технического и эргономического повышения функционального комфорта и оптимизации условий деятельности. Поэтому, как показали исследования отечественных психологов, основные резервы повышения эффективности и

надежности деятельности находятся в области разработки научно - обоснованных методов оптимизации функционального состояния субъекта труда, которые в существенной мере определяют его работоспособности и надежность.

Как показал анализ литературы, спектр исследований, посвященных проблематике прогноза ошибок и изменения состояния человека довольно обширен. Возможности оптимизации деятельности за счет влияния на функциональное состояние внешними средствами хорошо изучены, но реальные условия профессиональной деятельности не всегда позволяют их применять.

Возможности оптимизации деятельности за счет влияния на функциональное состояние внешними средствами хорошо изучены, но реальные условия профессиональной деятельности не всегда позволяют их применять. В этих условиях наиболее эффективными становятся методы саморегуляции самоуправления, в том числе и методы адаптивного биоуправления или биологической обратной связи (БОС).

Основной тенденцией в практике инженерно-психологических подходов к регуляции ФС является работа над созданием и поддержанием наиболее благоприятных режимов работы систем «человек-машина» (СЧМ), в особенности, через большую автоматизацию таких систем, а также разработка методик профессиональной подготовки и профессиональной диагностики и отбора персонала

Некоторые специалисты предлагают в качестве альтернативы проблему психической саморегуляции состояния.

Управление и самоуправление (саморегуляция) требуют в качестве необходимого компонента системы управления образа управляемого объекта или системы (Луценко Е В. 2002 и др.). Регуляция функционального состояния требует существования обратных связей, которые позволяют построить образ состояния как управляемого объекта, а обратная связь в первую очередь подразумевает идентификацию состояний (характеристик) управляемой системы в ответ на управляющие воздействия.

Традиционные методики самоуправления, позволяющие построить такой образ - например йога и некоторые виды аутотренинга, не всегда эффективны в сложных и экстремальных условиях, провоцирующих быструю смену состояний, обеспечивающих эффективную деятельность. Но в ситуациях высоко динамичной деятельности со сложной когнитивной структурой, идентификация ключевых характеристик управляемой системы и собственного состояния представляет большую сложность.

Идентификация характеристик системы и особенностей деятельности по регуляции и саморегуляции представляет собой процесс со сложной структурой, происходящий на разных уровнях деятельности. Высшие уровни регуляции (произвольный и осознаваемый, осознаваемый и целенаправленный уровни саморегуляции. Ведущие компоненты структурыуровней поЛ.Г.Дикоп: когнитивно-эмоциональный и когнитивно-коммуникационный) проявляются в целостности взаимодействия индивидуума с миром и могут быть идентифицированы на этапе профессионального отбора, то есть не требуют регулярного принятия по ним моментальных решений в процессе осуществления профессиональной деятельности.

Состояния готовности и активационные паттерны на низких уровнях регуляции (Непроизвольный и неосознаваемый, произвольный и неосознаваемый уровни саморегуляции. Ведущие компоненты структуры уровней по Л.Г.Дикой: активационный и активационно-эмоциональный), обеспечивающие действия человека как в системе профессиональной деятельности, так и в системе деятельности по

саморегуляции собственного состояния, могут меняться радикально быстро - в особенности при изменении уровня бодрствования.

Необходимы методы идентификации и прогноза этих состояний в режиме реального времени. Результаты такого прогноза могут быть использованы как для оповещения оператора о вероятности наступления того или иного события в деятельности, так и для автоматизированного принятия решения на основе этой информации.

А также результаты прогноза могут быть использованы в качестве источника информации для сигнала обратной связи, объединяющего преимущества биологической обратной связи (БОС) и обратной связи от результатов деятельности (ДОС), или встроены в структуру адаптивного интерфейса.

Задача идентификации и прогноза успешности текущей деятельности человека нуждается в решении.

Метод решения поставленной задачи должен обладать некоторыми обязательными свойствами:

1. Метод должен быть специфичным, т.е. осуществлять вычленение из всей информации о деятельности и состояниях, на фоне которых она осуществляется, лишь то, что имеет отношение непосредственно к выбранным классам успешности.

2. Метод должен быть в состоянии осуществлять успешную идентификацию и прогноз на основе анализа коротких (менее 1 сек.) участков данных о психофизиологическом состоянии.

3. Метод должен работать в режиме реального времени, предоставляя результаты идентификации системному комплексу человек-машина или в систему регуляции состояния человека с помощью биологической обратной связи (БОС) или систему обратной связи от деятельности (ДОС).

4. Метод должен быть не параметрическим и обеспечивать взвешенную параллельную оценку многих параметров исходных данных, преодолевая недостатки статистического подхода.

5. Метод должен обеспечивать системный анализ идентифицируемых состояний и предоставлять результаты в виде портрета признаков, преодолевая недостатки таких обучаемых классификаторов, как искусственные нейронные сети.

Наиболее важными свойствами метода являются:

1.Возможность работы с короткими участками данных

2.Возможность работы в режиме реального времени (т.е. без

суммирования и обработки всего пакета данных).

Как показал анализ литературы, нашим критериям соответствуют лишь методы идентификации различных состояний по электроэнцефалограмме. Эти методы могут быть достаточно специфичными, т.е. осуществлять вычленение из всей информации о деятельности и состояниях, на фоне которых она осуществляется, лишь то, что имеет отношение непосредственно к выбранным классам успешности. Это подтверждается целым спектром рассмотренных результатов экспериментальных исследований.

Статистическое исследование быстро меняющихся ритмов во множестве областей мозга невозможно с помощью традиционных методов анализа ЭЭГ, учитывающих изменения одного параметра. Поэтому особый интерес представляет применение методов многопараметрической оценки свойств ЭЭГ - сигнала, которое стало возможным с конца 80-х годов в связи с распространением компьютерной техники, обеспечивающей достаточный объем сопутствующих вычислений. Одним из

таких методов является использование обучаемых классификаторов, в том числе искусственных нейронных сетей.

Для решения задачи дифференцированного анализа признаков требуется циклический перебор набора входных параметров нейронной сети. Только так можно установить, какие из используемых параметров содержат наибольшее количество информации о целевых состояниях. Даже в случае перебора количество информации устанавливается косвенно - по успешности распознавания целевого состояния на основе того или иного набора признаков. Перебор параметров не позволяет проводить синтез модели в реальном времени, а применение оптимальной модели, полученной в результате перебора, возможно только в строго определенных условиях - т.е. такая модель не обладает свойствами адаптивности.

В использованной в работе системе «Эйдос» используется модель нелокального нейрона, являющаяся обобщением классической модели Дж. Маккалоки и У. Питта Эта модель обеспечивает один из вариантов решения традиционных для нейронных сетей проблем: содержательной интерпретации смысла интенсивности входных сигналов и весовых коэффициентов, содержательной интерпретации и обоснования аддитивности аргумента и вида активационной (передаточной) функции нейрона, "Комбинаторного взрыва" при определении структуры связей нейронов, подборе весовых коэффициентов и передаточных функций.

Большая часть работ в описываемой предметной области ориентирована на идентификацию различных психофизиологических и психологических состояний, о связи которых с успешностью деятельности хорошо известно. Для идентификации самых крупных состояний используются специализированные вопросники. Для идентификации более динамичных состояний - данные по вариабельности КГР и данные кардиограммы. Искусственные нейронные сети используются для идентификации микросостояний ЭЭГ, проявляющихся в окнах анализа менее двух секунд, что позволяет надеяться на успех и в задачах прогноза на основе анализа еще более коротких (менее 1 сек.) участков данных при условии использования более совершенных программных алгоритмов.

По итогам анализа, в качестве признаков, на основе которых осуществлялась идентификация успешности действий, были отобраны следующие параметры ЭЭГ:

• спектральные характеристики ЭЭГ

• амплитудные характеристики ЭЭГ (моментальные амплитуды, стандартные отклонения амплитуд, средние значения амплитуд в окне анализа)

• параметры пространственной корреляции ЭЭГ

Последний вид параметров был выбран нами, исходя из мнения множества специалистов о высокой значимости функциональных связей, устанавливаемой синхронной ритмикой между различными участками скальпа, для осуществления различных мыслительных операций.

Выбор параметров пространственной корреляции ЭЭГ также обоснован успехами нейрофизиологической модели восприятия и памяти, разрабатываемой в лаборатории когнитивной психофизиологии и основанной на гипотезе о возможности динамического кодирования воспринимаемых стимулов нейронными ансамблями в

виде периодически повторяющихся устойчивых узоров биоэлектрической активности. Данная модель, базирующаяся на привлечении нейрофизиологических данных, информационного и системного подходов развивалась и исследовалась в широком диапазоне условий в течении последних 20 лет в лаборатории когнитивной психофизиологии Института Психологии РАН. Данная работа проводилась во взаимодействии с сотрудниками лаборатории и с активным участием А.Н.Лебедева как научного консультанта.

Необходима экспериментальная проверка этой модели для проверки роли параметров пространственной корреляции в паттернах, позволяющих проводить прогноз успешности деятельности человека при снижении уровня бодрствования. Подтверждение важной роли этих параметров позволит на следующем этапе провести более детальное исследование и расширить возможности применения модели, разрабатываемой в лаборатории.

Вторая глава посвящена экспериментальному исследованию прогнозирования успешности действий человека в психомоторном тесте по его ЭЭГ и состоит из трех параграфов.

В первом параграфе излагается организация и ход эксперимента, а такжею. обосновывается корпус методик, применявшихся в ходе эксперимента.

В исследовании принимали участие здоровые испытуемые (N=41) с амплитудой альфа ритма среднего и высокого индекса. Мужчин - 23, женщин - 18, возраст от 17 до 33 лет (средний возраст составил 25 лет) и один испытуемый в возрасте 55 лет.

Эксперименты в рамках многостороннего исследования проводились в вечернее время с 17 до 20 часов с регистрацией многоканальной (8 каналов) электроэнцефалограммы (ЭЭГ). Использовалось 4 пары отведений (по системе 10/20) относительно объединенных референтных мастоидных электродов А1, A2 (монополярный монтаж) и полиграфических данных (ЭКГ, ЭМГ, дыхание, показания пульсоксиметра). Использованные отведения: ¥р1,¥р2, С3.С4, РЗ, Р4,01, 02;

Частота квантования ЭЭГ равнялась 200 Гц. Испытуемые находились в звукоизолированном помещении, в положении лежа в течение 2-3 часов. С испытуемыми поддерживалась видео - и аудио связь.

В качестве экспериментальной модели использовался психомоторный непрерывно-дискретный тест, разработанный В.Б.Дороховым который через 5-15 минут вызывает дремотное состояние, а при углубление дремоты - «микросон».

Звуковые стимулы, генерируемые компьютером, подавали бинаурально через наушники: интенсивностью 60 дб, длительностью 50 мс, частотой 1000 Гц. Стимулы подавались нерегулярно. Промежутки между стимулами варьировались в диапазоне 2.4 - 2.8 сек. Промежутки варьировались случайно. Промежутков в подаче стимулов не было.

Испытуемый каждые десять стимулов сопровождал одновременным нажатием кнопок указательными пальцами обеих рук, потом пять стимулов пропускал и т.д. Всего каждый испытуемый произвел около тысячи нажатий на кнопки.

С помощью опросников контролировались: ситуативная и общая сонливость, функциональная ассиметрия. Опросники применялись до начала эксперимента с целью допустить до эксперимента только испытуемых, которые хорошо выспались, не принимали в течении последних суток лекарств, алкоголя и не пили напитков, содержащих кофеин или иные стимулирующие вещества

В результате отбора годными были признаны данные 26 испытуемых. Остальные испытуемые были исключены из обработки по критериям, не имеющим отношения к тематике данной работы (ошибки регистрирующей программы и программы экспорта данных).

Первый этап:

На первом этапе работы из сырых ЭЭГ данных был произведен отбор параметров. Расчет параметров проводился в 700 мс окне (140 моментальных значений сигнала при частоте квантования ЭЭГ = 200 ГЦ.).

Ранняя граница окна отстояла от момента стимула на 700 мсек. до стимула. Поздняя граница совпадала с моментом стимула

Всего для каждого нажатия было рассчитано 34 параметра ЭЭГ. Для каждого из 8 отведений ЭЭГ рассчитывались:

1.Средняя амплитуда сигнала

2. Моментальная амплитуда сигнала в момент стимула

3. Стандартное отклонение сигнала в окне расчета

4. Корреляции сигнала в отдельном отведении с виртуальным (обобщенным)

девятым отведением.

Два дополнительных параметра представляли собой обобщенное стандартное отклонение по всем каналам и обобщенную моментальную амплитуду сигнала в момент стимула.

Постановка задачи-

С помощью двух методов - регрессионного анализа и использования системы «Эйдос» -нами решалась задача предсказания по параметрам ЭЭГ двух видов переменных:

1. Время реакции

2. Правильность счета (выполнения инструкции)

В зависимости от времени реакции (латентности ответа) были сформированы десять классов:

1. Время реакции (ВР) Меньше -0.5 сек. (сильное опережение)

2. ВР между -0.5 и -0.3 сек. (опережение)

3. ВР между -0.3 и -0.1 сек. (опережение)

4. ВР между -0.1 и 0.1 сек. (совпадение)

5. ВР между 0.1 и 0.2 сек.

6. ВР между 0.2 и 0.3 сек.

7. ВР между 0.3 и 0 5 сек.

8. ВР между 0 5 и 0.75 сек.

9. ВР между 0.75 и 1 сек.

10. ВР более 1 сек. (сильное опоздание)

Среднее время реакции по всем испытуемым составило 230 мс.

В зависимости от правильности выполнения инструкции (На десять стимулов реагировать нажатием, на следующие 5 - не реагировать) данные были распределены по четырем ячейкам в соответствии с правильностью счета:

11. Нормальные пропуски. Правильные серии пропусков в ответ на стимулы - т.е. по пять пропусков.

12. Ошибочные пропуски. Ошибочные серии пропусков в ответ на стимулы -т.е. пропуски количеством меньше или больше пяти.

13. Нормальные нажатия. Правильные серии нажатий в ответ на стимулы -т.е. нажатия по десять раз.

14. Ошибочные нажатия. Ошибочные серии нажатий в ответ на стимулы -т.е. нажатия более или менее десяти раз.

Таким образом, по каждому испытуемому был сформирован файл с 14 столбцами данных, в каждом из которых находилось время события-стимула, ответ на который относился к одному из 14 классов и 34 столбцами, в которых содержались параметры ЭЭГ, соответствующие каждому стимулу.

В качестве проверки нами было проведено параллельное исследование с альтернативным набором параметров ЭЭГ.

В программе, с помощью которой осуществлялась регистрация полиграфических показателей ("Sagura") были построены спектры в шести диапазонах (Дельта1-[0.5-2Гц.]; Дельта2-[2-4Гц.];Тета-[4-8Гц.]; Алъфа-[8- 12Гц.]; Сигма-[12-18Гц.]; Бета-[18-70Гц.]). Спектры были посчитаны в десятисекундных окнах с помощью алгоритма быстрого преобразования Фурье, рассчитанного по стандартной формуле. Были получены абсолютные значения спектров для шести диапазонов.

Параграф № 2 Полученные результаты и их обсуждение

Далее в работе была поставлена и решена задача прогноза на основе параметров ЭЭГ (амплитуда, среднее, корреляции, а также отдельно спектральные показатели) ожидаемое ВР и класс реакции.

Первым использовался стандартный алгоритм множественного регрессионного анализа. В результате были получены уравнения с тремя наиболее значимыми параметрами. Менее значимые параметры были отброшены.

На основе таблиц с данными ЭЭГ по программе А.Н.Лебедева было построено 233 регрессионных уравнения. Уравнения для каждого испытуемого были построены для 8 классов-событий (из 10 латентностей в обработку взяты были только 6 - те, для которых существовало минимальное количество примеров.)

В результате применения уравнения к исходным данным по каждому событию были получены три вида ответов. При попадании полученного с помощью уравнения числа в один из двух крайних диапазонов, принималось решение о принадлежности («да» - положительный ответ) или о не принадлежности («нет» - отрицательный ответ) события к классу событий, для прогноза которых было создано уравнение. При попадании полученного числа в интервал между зонами ответов «да» и «нет» событие описывалось как нераспознанное.

Для 91% предсказываемых параметров из 14 параметров для 26 испытуемых удалось построить уравнения, корреляции которых с динамикой описываемого признака являются значимыми на уровне 0.05. Уравнения для различных испытуемых имели существенно различные коэффициенты корреляции с динамикой предсказываемых признаков.

Результаты применения регрессионного анализа были представлены в виде четырех видов коэффициентов.

1. Точность ответов «да»: отношение количества случаев, когда система принимала решение «да» правильно к случаям, когда система принимала решение

«да» ошибочно, (общее количество решений «да» деленное на верное количество решений «да» в процентах).

2. Точность ответов «нет»: отношение количества случаев, когда система принимала решение «нет» правильно к случаям, когда система принимала решение «нет» ошибочно, (общее количество решений «нет» деленное на верное количество решений «нет» в процентах).

3. Процент верных ответов «да» (валидность положительного решения): Процент правильных идентификаций реальных событий «да».

4. Процент верных ответов «нет» (валидность отрицательного решения): Процент правильных идентификаций отсутствия событий («нет»).

Таблица 1. Результаты применениярегрессионного анализа

точность {г 4« II очность [в алидиость а Эапндностъ I юг [

Среднее 99 2639в| 96.42797| 77.17115 99.55112

Медиана 100| 87.81837| 84.88372 1оа|

стандартное ошииим 1.556358) 4.8308т| 23.60377 1.154278

количество 234 231 234)

Мин 87.Я 63.76812) 0 89.0411

Макс 100( юо| ЮС 100|

Также в результате обработки была построена таблица, аналогичная таблице № 1 для каждого типа события в отдельности. Из нее следует, что наибольшая валидность отрицательных ответов (процент правильных распознаваний отрицательных ответов, т.е. отсутствия события) наблюдается у класса ТЗ (ВР между -0.3 и -0.1 сек.) У этого же класса наибольшая точность ответов «да» - более 99.9 %. Это означает, что когда система принимает решение о положительном ответе, то это почти всегда правильная идентификация.

Наибольшая валидность положительных ответов (процент правильных распознаваний положительных ответов, т.е. наличия события) наблюдается у класса Т13 (Верное количество нажатий) - 95%.

Наибольшая точность ответов «нет» наблюдается у класса Т11 (верное количество пропусков) - 97.4%. Это означает, что когда система принимает решение об отсутствии события, то почти всегда имеет место правильная идентификация.

В целом, точность ответов «да» и «нет» по всем испытуемым очень высока -если система осуществляет идентификацию события как имеющего место или не имеющего места, то вероятность ошибки крайне мала. Валидность распознавания событий (процент правильно опознанных событий, имевших место) также довольно высок и составляет более 77%. Валидность распознавания отсутствия событий (процент правильно распознанных отсутствий событий) еще более высока и составляет более 99.5%.

В целом с помощью регрессионных уравнений хуже всего удалось предсказывать наступление событий классов «ВР между -0.3 и -0.1 сек» и «ВР между 0.3 и 0.5 сек.». Лучше всего удавалось предсказывать класс «ВРмежду 0.2 и 0.3 сек.» из видов латентностей ответов и классы 11 и 13 («верное количество пропусков» и «верное количество нажатий») среди разных видов счета

Второй для компенсации известных недостатков регрессионного анализа использовалась универсальная аналитическая система «Эйдос». Система использовалась дважды: сначала для обработки данных, ранее обработанных с

помощью регрессионного анализа, потом - для обработки таблиц со спектральными параметрами.

На основе таблицы с данными каждого испытуемого формировалась обучающая выборка, включающая в себя половину строк таблицы, отобранных по принципу «четные строки - обучающая выборка, нечетные строки - распознаваемая выборка».

На основе обучающей выборки система обучалась, формируя обобщенные образы классов распознавания (правила, на основе которых система относит участок ЭЭГ к тому или иному классу).

На основе обобщенных образов классов распознавания, сформированных на первой половине выборки, проводилось распознавание второй половины выборки.

Объект считался отнесенным к классу, с которым у него наибольшее сходство. Образы классов, по которым процент верных распознаваний был ниже 65%, считались не сформированными. Нами рассматривались модели, построенные не менее, чем на 20 примерах. Аналогичным образом были обработаны данные по параметрам спектральных характеристик ЭЭГ, сопровождающих действия человека.

В результате проявилась закономерность, заключающаяся в том, что спектральные показатели позволяют лучше предсказывать правильность счета (правильность выполнения инструкции), а другие показатели ЭЭГ позволяют лучше предсказывать латентность ответа. Это выражается в том, что для спектральных показателей больше количество предсказаний с высоким уровнем прогноза (более 65%), а также выше средний процент верных распознаваний правильности счета. Для фоновых показателей выше аналогичные показатели для латентности ответа.

7т?Г

Рис.1. График сравненияэффективностираспознавания по двумнаборам

параметров (скорректировано по количеству испытуемых) Причины разной эффективности расчетов на основе разных данных в задачах предсказания правильности счета могут быть объяснены. Участки спектров, используемые в расчете, построены на основе 10 секундных окон электроэнцефалограммы, в то время, как расчеты по фону производились на основе данных, полученных на 700 мс. окне. Полученные результаты говорят о том, что классы правильности счета различаются между собой спектральными параметрами ЭЭГ, посчитанными на больших окнах в большей степени, чем амплитудно-корреляционными параметрами, посчитанными на окнах длительностью менее одной секунды.

Признаки, определяющие время реакции испытуемого на стимул, напротив, заключены в динамике амплитудно-корреляционных параметров ЭЭГ и несколько хуже отражены в спектральных параметрах, посчитанных на больших отрезках ЭЭГ.

Средняя степень распознавания у испытуемых различна. Есть испытуемые, количество хорошо (более 65%) распознанных классов у которых доходит до шести. Одновременно, существуют испытуемые, у которых хорошо не распознается ни один класс. Этот факт говорит о том, что в ЭЭГ испытуемых, для которых не удалось построить модель удовлетворительного прогноза, представляет собой в значительной степени «случайный сигнал» - в ней не содержатся устойчивые комбинации признаков из числа отобранных нами для анализа. Причиной этого может быть как низкое качество записи сигнала, так и характер самой электроэнцефалограммы. Прояснение этого вопроса требует дальнейших исследований.

При этом у некоторых испытуемых для некоторых классов результаты распознавания по настолько высоки, что позволяют использовать методику для прямой идентификации наступающего события по ЭЭГ. По признакам ЭЭГ, предшествующей стимулу, достаточно хорошо предсказываются в среднем два класса из (в среднем) восьми, по которым существовало более двадцати примеров электроэнцефалограммы. Для прогноза использовали программу А.Н. Лебедева Аналогична успешность распознавания по спектрам (программа "Эпдос").

Это говорит о том, что при наличии достаточного количества примеров, хорошо предсказываются более четверти классов распознавания. Классы, представленные недостаточным количеством примеров (менее 20), как правило, предсказываются еще лучше (до 100 % правильных распознаваний).

Сравнивая результативность метода регрессионного анализа и метода, реализованного в системе «Эйдос», можно увидеть, что их эффективность вполне сопоставима, когда в результатах, полученных с помощью регрессионного анализа, не учитывается доверительный интервал. Особенностью системы «Эйдос» является развитый аппарат анализа результатов распознавания, что является неоспоримым преимуществом этого метода по отношению к методу регрессионного анализа, по А.Н. Лебедеву.

Таблица 2.Результатыраспознавания с помощью системы Эйдос.

Реальными распознавания с помощь» системы «Эйдос»

Повшшшепе Г7о ешллитуЛю-щзрептмнным ютвтетш

Коптеетео фмммрмс яедиЛюанш еытеККе юоцентех общая ипибиость ответов ■1» Кмшми фимвроес вапидиостью выше 96% е «КН|*ММГ эбщея ылидн хгпь ответ 2в*де»

ВР ме*ду -03 и -01 сен 375« 56 5% 5046 601%

ВР между -0 1 и 0 1 сек 20* 505« 21« 570«

ЗР «МЙ0У 0 1 V 0 2 С9К 29« 577« 347« 561%

ЗРиежву02и0Эсек 21 05263% 53 8* 43 5« 580«

ЗРиежОуОЗиОЯсек 1333333« 533« 294« 562«

Верное хо/ьео юотское 4347828* 59 9« 115« 514«

Ошибочное коп-ео 10О/№СХО4 42.85714* 73 5« 20« 525«

Ошибочное кыуво чшзттия 4210520% 616« 18» 560«

Верное кол^о незкятиИ 2808666« 547« 308« 56 8«

Таблица 3. Результатыраспознавания с помощью системырегрессионныхуравнений.

Результаты распознавания с помощью регрессионных Ювтешш

Капич*ст«о притро« с пяАмямв ми КМ « процштах децм мтдноагь зтм то4шдв* звщвя швтднасть олмвтое «8« 5м учтя Сомратилново жтермл*

3040« 58% 501%

«1 50« 71% 660%

784 78% 58 4%

83 304 78« 532%

57 «Ж 70% 61 2%

100« 94% 570«

68% 72% 875»

8460% 75% 682%

100% 85% 537«

Если же мы посмотрим на результаты, полученные на данных вне доверительного интервала, то мы увидим, что точность ответов «да» и ответов «нет» очень высока Это означает, что этот метод предпочтительнее использовать в задачах с высокой ценой ошибки - «ложной тревоги».

В результате применения регрессионного анализа были получены уравнения с тремя наиболее значимыми параметрами в каждом. Наборы наиболее информативных параметров (признаков) являются индивидуальными для каждого испытуемого и являются разными для разных классов предсказания.

Для разных классов успешности в психомоторном тесте существуют комбинации параметров ЭЭГ, повторяющиеся от испытуемого к испытуемому.

Так, чаще всего в уравнения регрессии, предсказывающие динамику класса 3, входили параметры 8 -стандартное отклонение (5 из шести наиболее часто встречающихся параметров). В уравнениях, предсказывающих динамику класса 6, чаще всего содержится параметр С (4 из 6 наиболее часто встречающихся).

Тем не менее, нельзя без дополнительной проверки сказать, что существуют отчетливые тенденции к предпочтению одних параметров другим во всех классах, что говорит о высокой вариабельности параметров, определяющих успешность в выполнении психомоторного теста.

Особенностью системы «Эйдос» является развитый аппарат анализа результатов распознавания, что является неоспоримым преимуществом этого метода по отношению к методу регрессионного анализа. В результате работы системы «Эйдос», были получены портреты паттернов амплитудных и корреляционных параметров ЭЭГ, предшествующей моменту стимула, которые определяли тип и характер реакции на стимул (10 классов времени реакции и 4 класса правильности счета). Аналогичные портреты были получены и для спектральных паттернов.

Для набора амплитудных и корреляционных признаков нами была показана индивидуальность набора информативных параметров - т.е. характеристик информационных портретов. Это относится как к паттернам, обуславливающим различные латентности ответа, так и к паттернам, обуславливающим типы правильности счета Для последних замечены лишь самые общие закономерности.

На приведенных далее двух примерах (по два портрета от каждого класса -«ошибочное количество нажатий» и «верное количество нажатий») видно, что паттерны каждый раз индивидуальны, но некоторые параметры имеют большее, чем другие, значение для различения этих двух классов.

Таблица 4. Соответствие используемыхв иллюстрацияхнаименований отведений системе 10-20.

Fpl Fp2 СЗ С4 РЗ Р4 01 02

1 2 3 4 11 12 13 14

Так, на следующем примере видно, что параметры пространственной корреляции (параметр «С») имеют большое значение для различения двух указанных классов. Диаграммы «модель нелокального нейрона» представляют собой портрет класса, на основе которого система проводит его идентификацию. Если в ЭЭГ встречаются признаки в конкретных градациях, перечисленные в портрете, это является основанием для отнесения объекта (участка электроэнцефалограммы, описанной рядом параметров) к классу. Причем отсутствие признака также является признаком и служит основанием для отнесения к классу. Такие признаки соединены с центральной фигурой (номером выходного нейрона) темной (отрицательной) связью.

га - модель нелокального нейронэ>

[26] - ИКК-Т13-130

|»пяЯц«В—— ■ | Тсуи|имш|н [ ЗВвс сЛмеяв - тонем» ят

Рис.2 Класс 13 - «Верное количество нажатий»

Рис.3 Класс 14-«Ошибочное количество нажатий»

Интересно отметить, что три параметра регрессионного уравнения, прогнозирующего появление того или иного события имеют соответствия результатам, полученным с помощью системы «Эвдос».

Так, для класса 13 двум приведенным выше портретам соответствуют два уравнения (приведены параметры без коэффициентов):

66 Т13| 64 143 S04 С04 С11 Ошибочное Нажатие / Безошибочное Нажатие, &4Т1з| 64 95М13 S11 М14 Ошибснное Нажатие / Безошибочное Нажатое,

Обращаясь к портретам тех же классов, можно увидеть, что из трех параметров первого уравнения два входят в информационный портрет соответствующего класса Из трех параметров второго уравнения в портрет входят также два.

Для второй пары уравнений в портрет входят два признака из трех для первого уравнения и лишь один - для второго.

|2S5 Т14 1 64 107 С02 S14 S03 Безоилбочное нажетие / Ошибочное нажатие, ¡315 Т14 I 64 76С13 С14 С12 Безошибочное нажатие/Ошибочное нажэтиа,

Нет сомнений, что вклад паттернов признаков и градаций признаков в информационные портреты классов различен для разных испытуемых. И структура этих паттернов требует дальнейшего анализа.

В качестве примера приведем анализ информативности признака СП у испытуемого 166 (корреляция канала РЗ с обобщенным каналом, являющимся суммой всех восьми каналов).

ПРОФИЛЬ ПРИЗНАКА Е23]-С11 {[114]-в11( (40» 67>>

Рис 4Профиль признака СП

Из данного рисунка видно, что признак СП в градации (40-67) вносит наибольшее количество информации в портреты классов 6 и 20 (ТОЗ- «латентность ответа в диапазоне -0 3 сек-0 1 сек» и Т10 - «латентность ответа более 1 сек») На следующем рисунке приведен профиль двух градаций признака СП

СопЯдЬЕ 1с1 МепМПг Я 1п*<1М|| еШега^ае ЙПКВ кпЬ, 1«! 2М1 ■Ш1Ы Аш! Но ««¿Ю АН Падки Нплм4

ПРОФИЛЬ ПРИЗНАКА

С233 ~С11

..н Д

( * Т П1Я г Ы1ИГ-Г Ятлмяяг 1 тп: «4-ЯШ

Рис 5Профил ь 2-х градаций пр изнака СП

Приведем также пример признака С14 (корреляция канала 02 с обобщенным каналом) для испытуемого 315

Рис.6Профиль признака С14

Видно, что профиль информативности признака С14 испытуемого 315 во многом соответствует профилю признака СП для испытуемого 166 Аналогичен пик для класса «латентность более 1 секунды» и обратный пик на классе 6 - латентность ответа между -О 3 и -0 1 сек

Система позволяет строить также обобщенные профили признаков и семантические сети (сети сходства) для признаков и классов, а также так называемые «интегральные когнитивные карты» В ее верхней части располагается семантическая сеть классов распознавания Сила связи между ними говорит о степени сходства участков ЭЭГ, соответствующих различным классам В нижней части расположена аналогичная сеть для подмножества признаков - параметров ЭЭГ Сила связи также означает степень сходства вклада различных признаков (фактически корреляцию профилей) в классы Связи между верхним и нижним уровнями соответствуют информационному портрету отдельного класса (точнее выборке корреляционных параметров)

Применение этих инструментов анализа на последующих этапах работы позволяют надеяться на обнаружение закономерностей, общих для одинаковых классов у различных испытуемых

В результате применения системы «Эйдос» к спектральным данным, также были получены результаты В среднем из каждых восьми классов, представленных достаточным количеством примеров, хорошо (т е выше 65% верных распознаваний) распознавались два класса, т е четверть Классы, представленные недостаточным количеством примеров, распознавались, как правило, лучше

Также, как и для распознавания на основе набора амплитудных и корреляционных параметров, для распознавания на основе спектров не удалось найти общих паттернов для десяти классов - разных латентностей ответов Судя по всему, причиной этого может быть искусственное выделение фиксированных градаций латентности ответа Результатом этого могло служить то, что одинаковые паттерны признаков соответствовали различным «ячейкам» - выделенным классам латентности ответа И, таким образом, различным латентностям ответа у одного испытуемого может соответствовать один и тот же паттерн признаков Подобным паттернам признаков могут соответствовать различные «ячейки» у разных испытуемых.

Решением этой проблемы может стать выделение градаций ответа на основе равномерного разделения кривой распределения ответов (например, по площади под

функцией) или на основе предварительно проведенного кластерного анализа. Мы проделали эту процедуру: система «Эйдос» позволяет осуществлять операцию формирования классов на основе конструктов, полученных в результате кластерного анализа, выполняемого одной из подсистем программы. Предварительные результаты весьма хороши.

Портреты четырех классов правильности счета (классы 11-14), сформированные на основе данных о спектрах, однако, обладают общей структурой, повторяющейся от человека к человеку.

На основе анализа отдельных портретов классов правильности счета, повторяющиеся от испытуемого к испытуемому моменты были сведены в таблицы 4,5,6,7.

Класс 11 - «анализируемый участок относится к серии пропусков с правильным их количеством»

Класс 12 - «анализируемые участок относится к серии пропусков с неправильным их количеством»

Класс 13 - «анализируемый участок относится к серии нажатий с правильным их количеством»

Класс 14 - «анализируемый участок относится к серии нажатий с неправильным их количеством».

Классу 11 (правильное количество пропусков) соответствуют в целом высокие значения мощности в альфа-диапазоне, а классу 12 (неверное количество пропусков) соответствуют в целом низкие значения мощности в альфа-диапазоне. Эта закономерность проявляется по всем каналам.

Классу 11 соответствуют в целом высокие значения мощности в диапазоне бета-ритма, а классу 12 соответствуют в целом низкие значения мощности в диапазоне бета-ритма

Классу 11 соответствуют в целом низкие значения в диапазоне тета-ритма. Классу 12 не соответствуют определенные характеристики в диапазоне тета-ритма

Классу 11 соответствуют в целом более высокие значения мощности в диапазоне сигма-ритма, причем как правило в каналах [СЗ,О1,О2]. Классу 12 соответствует ровно противоположное поведение мощности сигма-ритма в точности в тех же каналах.

Классу 13 (верное количество нажатий) характерны высокие значения в диапазоне альфа ритма, и не характерны высокие значения в диапазоне тета-ритма. Класс ошибочных нажатий (14) обладает противоположной комбинацией этих параметров Классу 13 свойственен выраженный сигма-ритм в канале 8, что не свойственно классу 14.

Таким образом, в целом соотношения классов 13 и 14 соответствуют таковым у классов 11 и 12. То есть классы верного выполнения задания характеризуются выраженным альфа ритмом и низкими значениями тета-ритма. Классы ошибок связаны с обратной картиной.

В свете полученных результатов особенно интересно сравнить попарно классы

11 и 13 (верное количество пропусков и верное количество нажатий), а также классы

12 и 14 (ошибочное количество нажатий и ошибочное количество пропусков).

В результате сравнения портретов классов 11 и 12 мы обнаружили, что картина различения не столь четкая, как между классами 11 и 12 или 13 и 14. Можно заметить, что классы различаются тем, что классу 13 более, чем классу 11, свойственны сверхвысокие значения альфа-ритма в некоторых отведениях. Также значительны

¥й2 СЗ С4 РЭ Р4 01 02

Дедов важний Характером высоте высокие

Нехарактерны высоте высокие «ысмм высокие

Дедов верхний Характерны

Нехарактерны высоте высоте «ЫС0ЮС*

Тл» Хцшсп|ян

Нехарактерны высокие высокие высокие высокие высокие высокие

А»4* Хцшщш И1ИИМ ВЫООНК высот высокие выюкае

Неяфактлрмы таким нижхе мтаи низкие низкие мою« низкие низюе

Сигма Характерны высокие высока« высох»

Нехарактерны низкие низкие чизпм мвш

Бет» Характерны

Нехарактерны мимом ннзхие низкие низкие тжке также

Таблица 6. Ощибочное количество пропусков

Р»1 РИ СЗ С4 РЗ Р4 01 02

Дельт» нижний У^гаут^аем Средние ТЬкоцк»

Нехарактерны Яюкм Высокие

Делив верхний \ТГ"ГГСИН Средние Средам

Нехарактерны Вьмдахм« ЯИУКИ« ¿ЫССЖН* Низкие //хмм Низкие

Тт Характерны

Нехарактерны

Хаоакксиы Нехарактерны £ыажке к ¿вшсские к свгылжие Высокие и се высокие Высоте и св высокие Высокие и се высокие Высокие и св высокие -высоки« ж « 9МЛЖМ Высокие и се «дожде

Сит Хзмктеуяц Среднее Средние Средние

Нехарактерны высокие Высокие Высокие Высоки Высоте

Бета Характерны Низкие Игакве Низкие Нюхие

Нехарактерны Высоте Низкие Высоте Низкие Низкие

Таблица 7. Верное количество нажатий

Рв1 РВ2 О С4 РЭ Р4 01 02

Деяыашшннй

Нехарактерны смдмм средние

Дельта верхний Хмтлптям Фйонве средяяе

Не характерны Судные ииэкне сее/квысокм средние средни

Тетя высокие

Нехарактерны мдокк« •ысош« высоки« высокие

Альфв высокие Св вькокяе Св высокие Св высокие

Нехарактерны сресные средние средние Средние Се высоте Сре&Ш

Сиги»

Нехарактерны высокие высоте высокие

Бет» Характерны среднее

Нехарактерны высокие высокие Низкие, высокие еыеонм высокие Низкие, высокие

Таблица 8. Ошибочное количество нажатий.

( Р»1 Рв2 СЗ С4 РЗ Р4 01 02

Делив Хавагтеовы сверхвысокие «еряшеокке

Не характера высокие низкие а™ вшене

Дельта верхний Характерны

Не хараггерны высокие низкие кткне ягаяе

Тете Хасаетериы среда не средам сверхвысокие сверхвысокие средние

Не характерны высоте высокие средние высокие высвокие высоте среди» средние

Альфе ^аректсрны выемок средам Св высокие среднее высоте высокЕе Св высокие Св высокие Свлысокие Св высокие средние

Не характерны высокие средам высокие Св высокие Свшсокие высока« высокие С« .высокие среда» Св высокие высокие средние Св выстою въкчют»

Сигма Характерны

Нехарап-ерш высокие Св высокие Св высот высокие высокие высокие высоте Св высокие

Бета ХВЯШВНЫ

Не характерны высокие высокие высокие высот высоте

различия в диапазоне сигма-ритма, но какой-то определенной тенденции, свойственной всем испытуемым, на первый взгляд не видно. Скорее можно говорить о индивидуальных паттернах в диапазоне сигма-ритма, отличающих классы друг от друга.

Также видно, что классу 13 (правильные нажатия) свойственны в целом более высокие значения в диапазоне бета-ритма и тета-ритма Хотя в целом это не является общей тенденцией и можно сказать, что различия между классами заключаются в разной структуре пространственно-амплитудных паттернов в диапазоне сигма и дельта - ритмов.

Сравнивая портреты и когнитивные диаграммы классов 12 и 14 у различных испытуемых, можно сказать, что классы отличаются в первую очередь различной топографической картиной активности в альфа-диапазоне, а также в сигма-диапазоне. В сигма диапазоне также прослеживается некоторая тенденция - классу 12 более свойственны высокие значения активности в сигма-диапазоне, и не свойственны сверхвысокие значения в этом диапазоне. Класс 14 обладает противоположной картиной - ему свойственны сверхвысокие значения в сигма-диапазоне и не свойственны высокие значения. Наиболее информативными в сигма-диапазоне являются каналы [СЗ,Р4,О1,О2].

Также заметна тенденция к различиям в активности дельта-диапазона. Классу 12 свойственны высокие значения в верхнем и нижнем дельта диапазонов канала [РЗ] и не свойственны средние значения в нижнем дельта диапазоне канала [С4]. Классу 14 характерны средние значения в нижнем дельта-диапазоне каналов [С4,РЗ] и не свойственны высокие значения в нижнем и верхнем дельта-диапазонах канала [РЗ].

В целом же можно сказать, что различия этих двух классов содержатся в топографии активности сигма и дельта-диапазонов. При этом паттерны различны для разных испытуемых.

Заключение:

Результаты проведенных экспериментов показали, что прогноз успешности выполнения психомоторного теста может осуществляться по параметрам 700мсек. участка ЭЭГ. В результате проведенного анализа мы можем сделать несколько выводов:

1. В индивидуальных характеристиках электроэнцефалограммы содержатся информативные признаки, обеспечивающие прогноз характера ответа на стимул в психомоторном тесте.

2. Признаки, обеспечивающие прогноз характера ответа на стимул, индивидуальны.

3. Прогноз характера ответа на стимул стабилен и при изменении функционального состояния.

Результаты работы говорят о том, что полученные паттерны может использоваться в качестве сигнала, соответствующего управляемому объекту (состоянию) как в системах внешнего управления, так и в тренингах с использованием биологической обратной связи. Мы планируем подтвердить это предположение в дальнейших экспериментах.

Также мы можем сделать вывод о предпочтительной применимости регрессионного анализа в задачах с высокой ценой «ложной тревоги». Эта предпочтительность является следствием существования доверительных интервалов в процедуре предсказания с помощью регрессионного анализа, по А.Н.Лебедеву. Система «Эйдос» обладает аналогом доверительных интервалов - достоверностью распознавания, но во время проведения исследования интерфейс системы не позволял легко использовать эту возможность.

С другой стороны, система «Эйдос» позволяет осуществлять детальный анализ паттернов признаков. Эта система также является адаптивной и способна осуществлять пересинтез рабочей модели в автоматическом режиме.

Кроме этого, нам удалось увидеть, что существуют некоторые повторяющиеся паттерны признаков, повторяющиеся у различных испытуемых. В дальнейшем мы планируем провести расчеты с большим количеством признаков, концентрируясь на тех из них, которые показали наибольшую информативность в данном исследовании -а именно на параметрах пространственной корреляции. Также мы планируем совместить в одном наборе амплитудно-корреляционные признаки и спектральные признаки. Спектральные признаки мы планируем рассчитывать в узких окнах и сделать спектры более детализированными.

Список работ, опубликованных по материалам диссертации:

1) Регуляция уровня бодрствования методом бинауральной аудиостимуляции. Материалы Школы конференции Сон-окно в мир бодрствования Москва 2001, стр.83. (Соавторы: Шумов Д.Е., Иваницкий ГА, Дорохов В.Б.)

2) Методы определения сонливости. Материалы международной конференции «Новые информационные технологии в медицине». Школа- семинар по практической полисомнографии и критическим состояниям в неврологии. Ялта-Гурзуф.2002, с.513-516. (Соавторы: Дорохов В.Б.)

3) Психофизиологические механизмы нарушения деятельности при дремотных изменениях сознания. Материалы XII конференции по космической биологии и авиакосмической медицине. Москва 2002 с. 138-139. (соавторы: Дорохов В.Б., Вербицкая Ю.С., Иваницкий ГА)

4) Динамика электрической активности мозга при появлении ошибок в психомоторной деятельности, вызываемых развитием дремотного состояния. Актуальные вопросы сомнологии С-П 2002. (Соавторы: Дорохов В.Б., Иваницкий ГА)

5) Психомоторная деятельность и ЭЭГ при развитии дремотного состояния. Материалы 2-ой Школы конференции Сон-окно в мир бодрствования Москва 2003, с. 73-74. (Соавторы: Дорохов В.Б.)

6) Психомоторная деятельность и ЭЭГ при развитии дремотного состояния. Материалы Научно практической конференции Проблемы общей биологии 2003. Ростов на-Дону, с. 35-36. (Соавторы: Дорохов В.Б.)

7) ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: анализ результатов исследования. Политематический сетевой электронный научный журнал Кубанского Государственного Аграрного университета. Номер 6(04), июль 2004. И1ф://акиЬаСГО.ги/ее1 аф?1с1=130&1=1 (Соавторы: Дорохов В.Б., Лебедев А.Н., Луценко Е.В.)

8) ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: анализ результатов исследования. Политематический сетевой электронный научный журнал Кубанского Государственного Аграрного университета. Номер 6(04), июль 2004. Мр://д'. киЬаего ш/ее1.а8р?1сС= 129&1= 1 (Соавторы: Дорохов В.Б., Лебедев А.Н., Луценко Е.В.)

9) ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: анализ результатов исследования. Политематический сетевой электронный научный журнал Кубанского Государственного Аграрного университета. Номер 6(04), июль 2004. Ийр://е1.киЬааго.ш/ее1.аф?1с1=128&1= 1 (Соавторы: Дорохов В.Б., Лебедев А.Н., Луценко Е.В.)

10) Концепция циклических нейронных кодов в приложении к практическим задачам в области психологии и медицины. Материалы Международного симпозиума. Белгород, 2004. с. 115-117. (Соавторы: Лебедев АН., Артеменко О.И., Шеховцев И.К., Киселева ЕА, Стакина Ю.М.)

Принято к исполнению 26/10/2004 Исполнено 28/10/2004

Заказ № 403 Тираж: 100 экз..

ООО «11-й ФОРМАТ» ИНН 7726330900 Москва, Балаклавский пр-т, 20-2-93 (095)747-64-70 (095)318-40-68 www.autoiefeiat.ru

№20 3 06

РНБ Русский фонд

2005-4 22499

Содержание диссертации автор научной статьи: кандидата психологических наук, Щукин, Тимур Николаевич, 2004 год

Введение.

Глава 1: Современное состояние проблемы ЭЭГ-прогнозирования успешности действий при изменении уровня бодрствования.

1.1. Введение и постановка проблемы.

1.2. Проблема надежности как центральная в задании широкого 15 контекста решения поставленной в работе задачи.

1.2.2 Методологические проблемы саморегуляции

1.3. Методы оценки надежности

1.3.1. Классические методы

1.3.2. Надежность как информация

1.3.3. Саморегуляция как критерий оценки надежности

1.3.4. Методики оценки выраженности состояния

1.4.

Глава 1: выводы

Глава 2: Экспериментальное исследование методик прогноза 98 успешности выполнения психомоторного теста при снижении уровня бодрствования

2.1. Организация и ход эксперимента.

2.2. Результаты эксперимента и их обсуждение.

Введение диссертации по психологии, на тему "ЭЭГ-прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования"

Традиционно в тренингах БОС в качестве объекта управления используются физиологические функции, лишь косвенно связанные с сиюминутной эффективностью профессиональной деятельности - КГР, температура конечностей и т.д. Использование в качестве объекта управления паттерна психофизиологические сигналов, непосредственно связанных с эффективностью конкретного профессионального действия, на сей день невозможно ввиду отсутствия метода, позволяющего быстро выделять из потока физиологической информации нужный сигнал или паттерн сигналов. Создание такого метода представляется нам актуальной задачей психофизиологии. Решение этой задачи базируется на наших предыдущих исследованиях БОС, а также влияния биноуральной стимуляции на засыпание и изменение уровня бодрствования.

Существуют и системные методы анализа, позволяющие анализировать сложную нестационарную деятельность человека за счет организации взаимодействия различных методов. [171,199].

В работах отечественных исследователей [171] психическую активность человека (а, следовательно, и психическую регуляцию) рассматривают как состоящую из трех видов: текущей, ситуативной и долгосрочной.Система текущей регуляции подразделяется на три разнородных уровня: 1) Активационно - энергетической стабилизации; 2) Непосредственного взаимодействия; 3) Опосредованной координации; она способна порождать проблемные моменты и проблемные ситуации разного рода.

Паттерны признаков ЭЭГ отражают эффективность саморегуляции в разрешении проблемных моментов, порождаемых системой текущей регуляции при изменении уровня бодрствования. Задача идентификации этих паттернов требует особой тестовой модели для своей реализации. Подобная тестовая модель, предназначенная для исследования психофизиологических механизмов нарушений деятельности при засыпании, была разработана В.Б.Дороховым [180,182] В нашем эксперименте мы использовали психомоторный непрерывно-дискретный тест, который довольно скоро вызывает дремотное состояние, а при углублении дремоты - «микросон».Данная экспериментальная модель обладает массой положительных сторон. Монотонный характер теста очень быстро вызывает дремотное состояние, а закрывание глаз и выполнение теста в заглушённой комнате в положении лежа с минимумом двигательной активности позволяет безартефактно регистрировать электрофизиологические показатели, что особенно существенно при регистрации электрической активности мозга человека.

Мы предполагаем, что электроэнцефалограмма, сопровождающая выполнение психомоторного теста, является источником наиболее информативных данных для решения проблемы идентификации классов различной успешности в выполняемой деятельности. В пользу этого предположения говорят данные многочисленных исследований, в которых удалось на основе данных ЭЭГ производить успешное различение микросостояний ЭЭГ, характера выполняемых задач (напримерпространственные и логические задачи [227], уровня сложности задачи и т.д. С точки зрения этой модели наибольшей информативностью обладают параметры пространственной корреляции.

Отбор параметров ЭЭГ, который производится на первых этапах работы программного комплекса, обоснован в целом ряде работ и базируется на психофизиологической модели восприятия и памяти, разрабатываемой в лаборатории когнитивной психофизиологии ИПРАН под руководством А.Н.Лебедева на протяжении нескольких десятков лет.

Применение именно этой модели позволяет надеяться на положительный результат в решении задачи данной работы, т.к. с помощью этой модели уже решены задачи идентификации интеллектуальной и музыкальной одаренности человека по его ЭЭГ, а также построены модели, позволяющие идентифицировать особенности индивидуального восприятия музыкальных произведений по ЭЭГ слушателей.

Рассматривая задачу идентификации и прогноза состояний в более широком контексте - контексте управления состояниями, мы осознаем следующее: Для того, чтобы получить возможность управления тем или иным процессом с помощью, например, БОС, необходимо в информационном потоке в данном случае ЭЭГ) вычленить объекты, соответствующие состояниям, которыми мы планируем управлять. Решение этой задачи позволят немедленно перейти к вопросу прямого управления процессами, соответствующими выделенным паттернам ЭЭГ.

Также из результатов работы лаборатории следует, что содержание паттерна (порядок и смысл нейронных «букв» в слове), кодирующего тот или иной объект восприятия, формируется индивидуально и во многом случаен. Инвариантами являются законы формирования и поддержания таких ЭЭГ-паттернов. Мы предполагаем, что полученные нами паттерны признаков, кодирующие различные события в ЭЭГ испытуемого, будут индивидуальными.

ЦЕЛЬ исследования:

На основании анализа экспериментальных и литературных данных были выдвинуты следующие ГИПОТЕЗЫ:

2. Признаки, на основе которых осуществляется успешный прогноз, являются индивидуальными.

В соответствии с выдвинутыми гипотезами в работе были поставлены и решались следующие задачи:

1. Обнаружить параметры ЭЭГ, позволяющие осуществлять успешный прогноз действий человека при засыпании в реальном времени.

2. Экспериментально проверить эффективность прогноза времени реакции человека на стимул при засыпании по отрезку фоновой ЭЭГ длительностью меньше одной секунды.

3. Экспериментально проверить эффективность прогноза типа ответа (правильный-неправильный) на стимул при засыпании по отрезку фоновой ЭЭГ длительностью менее одной секунды

Результаты проведенного исследования позволяют вынести на защиту следующие положения:

3. Признаки, обеспечивающие прогноз характера ответа на стимул, индивидуальны.

Методологическую основу исследования составили положения системного анализа и комплексного подхода в психологических и психофизиологических исследованиях, а также принцип активности субъекта, являющийся базовым для исследований субъекта в отечественной психологии, в соответствии с которым активность личности по преобразованию окружающей реальности является мерой устойчивости субъекта к влияниям окружающей среды и мерой влияния на среду. Также мы опирались на теоретические представления системного и полисистемного подходов об уровнях и характере взаимодействия систем, формах и принципов межсистемного взаимодействия, развиваемых в работах отечественных психологов: Б.Г.Ананьева, Л.С.Выготского, А.Н.Леонтьева, Б.Ф.Ломова, В.А.Барабанщикова, Д.Н.Завалишиной, Ю.Я.Голикова, А.Н.Костина, др.

Методы исследования, применявшиеся в процессе исследования:

1. Диагностика сонливости, функциональной ассиметрии испытуемого с помощью специализированных опросников.

2. Регистрации электроэнцефалограммы

3. Методы статистической обработки данных

4. Методы обработки данных системой распознавания образов

Научная новизна исследования состоит в том, что впервые:

1. Показано, что идентификация латентности ответа человека может быть проведена по участку фоновой ЭЭГ шириной 700 мс., предшествующей стимулу и\или включающему в себя предыдущий стимул и ответ на него.

2. Показано, что идентификация правильности счета может быть определена по участку фоновой ЭЭГ шириной 700 мс., предшествующей стимулу и\или включающему в себя предыдущий стимул и ответ на него.

Апробация результатов исследования:

1. Школа- семинар по практической полисомнографии и критическим состояниям в неврологии 11 Ялта-Гурзуф.2002

2. Школа - конференции Сон-окно в мир бодрствования Москва 2001

3. XII конференция по космической биологии и авиакосмической медицине. Москва. 2002

4. 2-ая Школа конференция Сон-окно в мир бодрствования Москва 2003

5. Научно практическая конференция Проблемы общей биологии Ростов на-Дону, 2003.

Структура и объем диссертации:

Диссертация состоит из введения, четырех глав, заключения и выводов, списка литературы и приложения, содержащего таблицы с экспериментальными данными.

Заключение диссертации научная статья по теме "Психофизиология"

Выводы:

В результате проведенного анализа мы можем сделать несколько выводов:

1. Обнаружены комбинации ЭЭГ-признаков, обеспечивающие прогноз характера ответа на стимул в психомоторном тесте по 700 мс. участкам электроэнцефалограммы, предшествующим стимулу.

2. Выявлены индивидуальные признаки, обеспечивающие прогноз характера ответа на стимул по 700 мс. участку ЭЭГ, предшествующему стимулу.

3. Обнаружено, что комбинации признаков, характеризующие ошибочные ответы, соответствуют состояниям дремоты и засыпания.

4. Экспериментальная проверка показала наибольшую адекватность метода регрессионного анализа для задача с высокой ценой «ложной тревоги».

5. Экспериментальная проверка показала наибольшую адекватность системы «Эйдос» в аналитических задачах, т.к. она позволяет осуществлять детальный содержательный анализ паттернов признаков.

Заключение:

Было проведено распознавание по ЭЭГ латентности ответа и ошибок счета. Для этих целей нами применялись два различных метода: метод регрессионного анализа и метод системно-когнитивного анализа, реализованный в системе распознавания образов «Эйдос».

В целом применение системы АСК-Анализа «Эйдос» вместе с регрессионным анализом или независимо от него позволяет преодолеть некоторые ограничения традиционного регрессионного анализа. Кроме того, очевидным преимуществом системы является то, что используется информация, содержащаяся в большем количестве признаков, чем при регрессионном анализе и непараметричность подхода. В этом подходе, как и при применении регрессионного анализа, существует возможность оценки вероятности совершения ошибки (количество информации о том, что данный отрезок ЭЭГ похож на отрезок ЭЭГ, предшествующий ошибочным действиям)

Методика прогноза характера ответа на стимул является также методикой прогноза изменения функционального состояния (уменьшения уровня бодрствования), т.к. ошибки-пропуски связаны с ЭЭГ картиной, соответствующей картине засыпания.

Модель АСК-анализа адаптивна и способна настраиваться на меняющуюся деятельность в режиме реального времени, причем при регистрации снижения валидности распознавания автоматически происходит пересинтез модели. Кроме того, система обладает такой немаловажной особенностью, как устойчивость к шуму; это обеспечивается робастными процедурами фильтрации артефактов. Система не содержит ни одного из основных недостатков регрессионного анализа, не требует нормальности распределения признаков и предсказываемых параметров, линейности зависимости предсказываемого параметра от признаков, а также является адаптивной и способна осуществлять пересинтез рабочей модели в автоматическом режиме

Методика, использованная нами, является адаптацией системы «Эйдос» к задачам анализа ЭЭГ (автором системы было специально написано около семи новых реализаций программы). Она позволяет напрямую анализировать информацию о психофизиологической надежности действий человека в психомоторном тесте при изменении уровня бодрствования. Это становится возможным потому, что данная методика способна, во-первых, присваивать признакам (и их комбинациям) численную меру их информативности о прогнозируемых состояниях системы, и , во-вторых, вычислять характерность наступления того или иного состояния надежности системы путем вычислений с использованием количества информации в признаках.

Кроме отмеченных ранее моментов, в будущем нами планируется ввести многоуровневую систему вложенных друг в друга классов.

Подчеркнем: классификация различных классов успешности в психомоторном тесте по фоновому участку ЭЭГ, предшествующему стимулу с высокой вероятностью неслучайна, и в некоторых случаях уже сейчас позволяет использовать полученные наборы параметров для практического применения. К числу этих случаев относятся ситуации с высокой ценой ошибки первого рода. Применяемая методика позволяет, при возможности получить данные о работе испытуемого, на основе анализа этих данных построить и постоянно адаптировать модель, позволяющую предсказывать действия человека при выполнении психомоторного теста или других аналогичных задач по параметрам короткого участка ЭЭГ.

Связь определенных комбинаций признаков с различными классами распознавания допускает множественные качественные интерпретации.

Наблюдаемая нами принципиальная разница между двумя классами ошибочных действий и двумя классами верных действий заключается в том, что ошибочным классам в целом свойственен более низкие значения в альфа-диапазоне и более высокие - в тета диапазоне. Действительно, наиболее показательными изменениями электрической активности мозга при переходе от бодрствования ко сну является исчезновение альфа и появление тета-ритма электроэнцефалограммы. Этот факт заслуживает особенного внимания в силу следующих причин:

По современным представлениям, генез альфа-ритма определяется таламо-кортикальными нейронными сетями мозга и связан с взаимодействием субъекта с внешним миром. А генез тета-ритма более ориентирован на прием и обработку информаии от внутренней среды организма, он обуславливается гипоокампально-кортикальной системой. Эти нейрофизиологические представления косвенно подтверждают наше предположение о том, что при наступлении дремоты меняется состояние сознания, а именно внимание переключается с внешнего мира на внутренний.

Анализ работ, в которых исследовалась динамика альфа-ритма ЭЭГ при переходе от бодрствования ко сну [13,112,115,123], показывает, что увеличение мощности в низкочастотном альфа-диапазоне (6-9 гц) связано с наличием «усилий» для поддержания субъектом определенного уровня бодрствования, необходимого для взаимодействия с внешней средой.

В частности, показано [179,180], что при засыпании испытуемые, получившие инструкцию нажимать кнопку при подаче звукового щелчка, продолжали выполнять эту инструкцию до тех пор, пока мощность альфа-ритма была довольно высокой, несмотря на увеличения мощности ЭЭГ в тета и дельта-диапазонах. Прекращение нажатий сопровождалось резким снижением мощности ЭЭГ в альфа-диапазоне.

Следует отметить, что переход от бодрствования ко сну является циклическим процессом, для которого характерно периодическое появление активационных процессов в ЭЭГ на фоне тета и дельта активности, характерных для «дремотной» электроэнцефалограммы. По существующим представлениям, переодическое появление фазических активационных процессов во время сна обеспечивает гибкий контакт спящего с окружающей средой, сохраняя возможность экстренного пробуждения при изменении нешней или внутренней среды организма.

Известно, что активационные процессы в зависимости от глубины сна имеют различное электрофизиологическое проявление. При развитии дремотного состояния и на перой стадии сна электроэнцефалографическая активация мозга проявляется в виде альфа-веретен. Во второй стадии сна основным активационным паттерном ЭЭГ становится К-комплекс.

Основываясь на вышеизложенном, можно предположить, что наличие альфа-ритма ЭЭГ при сниженном уровне бодрствования является необходимым условием для моторного взаимодействия организма с внешней средой. Эту гипотезу, изложенную в исследованиях В.Б.Дорохова [178-182], подтверждают и результаты, полученные в нашей работе. Соответствующая разница в выраженности альфа-ритма является одним из признаков, которыми различаются классы ошибочных и верных нажатий и пропусков.

Существует предположение, что каждый раз, когда происходит фазическая активация мозга, осуществляются психологические процессы, связанные с анализом всей доступной информации и принятием решения просыпаться или продолжать спать [179,180].

На нейрофизиологическом уровне этому соответствует процесс объединения и синхронизации различных структур мозга («binding process»), обеспечивающий доступ к оперативной памяти всей необходимой информации от внешней и внутренней сред организма для последующего выполнения адаптивной деятельности.

В последние годы "binding process" рассматривают, как один из возможных нейрофизиологических механизмов функционаирования сознания. Предполагают, что в разных функциональных состояниях организма ЭЭГ-коррелятом такой синхронизации могут быть как высокочастотные ритмы (от 40 Гц и выше), так и ритмы в альфа диапазоне (8-12 Гц). Полученные результаты служат аргументом в пользу того, что при низком уровне бодрствования ЭЭГкоррелятом "binding process" может быть альфа-ритм, который запускается эндогенными механизмами и создает условия для доступа моторной команды из оперативной памяти к исполнительным моторным структурам.

Нейрофизиологическая модель восприятия и памяти, разрабатываемая в лаборатории А.Н.Лебедева [202,203] и основанная на гипотезе о возможности динамического кодирования воспринимаемых стимулов нейронными ансамблями в виде периодически повторяющихся устойчивых узоров биоэлектрической активности, также хорошо согласуется с полученными результатами.

В работах лаборатории А.Н.Лебедева было показано, что спектральные показатели ЭЭГ и показатели пространственных корреляций в полосе альфа-ритма не просто напрямую связаны с процессами внимания и памяти, а очень точно определяют такие параметры, как объем внимания, характеристики кратковременной памяти и скорость обработки информации. Работы А.Н.Лебедева и его сотрудников позволяют объяснить и результаты, полученные в данном исследовании.

Полученные результаты позволяют предположить, что спектральные и топографические паттерны в диапазоне альфа-ритма, формирующие наборы наиболее информативных признаков для большой части классов распознавания, объясняются пространственно-временной синхронизацией и десинхронизацией нейронных ансамблей.

Даже при низкой детализации спектра и малом количестве используемых в данном исследовании корреляционных характеристик нам удалось подтвердить роль пространственно-временной синхронизации нейронных ансамблей в успешности выполнения психомоторного теста.

В ближайшем будущем мы намереваемся использовать более высокую детализацию спектра и большее количество корреляционных характеристик, для того, чтобы еще более уверенно подтвердить гипотезу о роли пространственно-временной синхронизации.

Паттерны ЭЭГ активности в бета, сигма- и дельта-диапазонах, вносящие значительный вклад в различие классов нажатий и пропусков, могут быть обусловлены различными причинами, среди них:

Изменение активации по тормозному или стрессовому типу: Изменение активации по тормозному типу заключается в увеличении мощности дельта-ритма при одновременном ументшении мощности бета-ритма ЭЭГ.

Изменение активации по стрессовому типу выражется в депрессии альфа-ритма при увеличении мощности дельта и бета-ритмов ЭЭГ.

Паттерны ЭЭГ активности также может являться следствием различных типов адаптации к условиям монотонии [176]:

Первый тип: на первом этапе адаптации высокая активация в ЭЭГ в целом, потом декомпенсация - появление генерализованных вспышек альфа-ритма и нарастание низкочастотных ритмов по мере падения эффективности деятельности.

Второй тип заключается в следующем: сначала имеет место невысокая активация, доминирование альфа-ритма в лобном отведении. Потом напряженность возрастает, снижение активации ЭЭГ, появление и увеличение длительности альфа и сигма-ритмов, вспышках альфа ритма во всех отведениях, уменьшение доли тета-ритма. Спустя еще некоторое время работоспособность восстанавливается, вновь появляется тета-ритм в лобных отведениях и альфа-ритм в моторной области. На следующем этапе наблюдается распространение сигма-ритма и появление вспышек альфа-ритма. В лобных отведениях появляются дельта-волны.

Также известно, например, что увеличение сигма-ритма в процессе деятельности человека связано с возрастанием субъективного чувства усталости и с трудностью выполняемой деятельности [176 с. 107]. Увеличение количества альфа и сигма ритмов - признак утомления. Также отражением эмоционального напряжения является увеличение альфа-активности и значительный рост удельного веса энергии и тета-волны, повышенный уровень которых (ССЫЛКА 107), является отражением эмоционального напряжения.

Отсутствие в спектре пика в области сигма ритма и преобладание в лобных долях бета-ритма совпадает с резким ухудшением эффективности деятельности, появлением ошибок, увеличением временных характеристик деятельности [176, с. 117].

В целом мы считаем перспективным развитие использованных методик для идентификации различных состояний человека, сопровождающих различную успешность в психомоторном тесте при изменении уровня бодрствования, а также, возможно, и в других задачах.

Даже существующий набор признаков позволяют использовать полученные результаты в практических целях в среднем для четверти классов. Расширение количества признаков, без сомнения, увеличит этот процент.

Для некоторых постановок задачи уже сейчас возможно полноценное использование методики в существующем виде.

Использование уровневой организации структуры классов, а также многоэтапное распознавание также может существенно повысить успешность распознавания, о чем говорят результаты предварительных экспериментов.

Также проведены успешные предварительные эксперименты, в которых была показана возможность успешного распознавания характеристик деятельности человека во второй половине эксперимента системой, обученной на данных первой половины эксперимента.

В дальнейшем мы планируем провести расчеты с большим количеством признаков, концентрируясь на тех из них, которые показали наибольшую информативность в данном исследовании - а именно на параметрах пространственной корреляции. Также мы планируем совместить в одном наборе амплитудно-корреляционные признаки и спектральные признаки. Спектральные признаки мы планируем рассчитывать на более коротких, чем в данном исследовании, участках, а также сделать спектры более детализированными. Возможен переход от FFT к вейвлет- анализу.

Наиболее эффективным подходом нам кажется увеличение количества предикторов, за счет добавления к существующим параметрам дополнительных, тонко и дифференцированно описывающих частотные, фазовые и другие характеристики ЭЭГ. Это планируется сделать на следующих этапах работы. Тогда же будет осуществлена проверка устойчивости найденных паттернов во времени и получен ответ на вопрос, действительно ли паттерны ЭЭГ, характерные для различной эффективности действий, устойчивы и сохраняются во времени. В дальнейшем мы также планируем разработку методики оценки эффективности распознавания с помощью регрессионных уравнений, более точно отражающую эффективность распознавания, чем коэффициенты корреляции уравнений, описывающие связь предсказанных значений по каждому классу с истинными. Такая методика позволит определять возможности практического применения системы предсказания эффективности человека в психомоторном тесте при засыпании.

Также планируется использовать существующий в системе «Эйдос» механизм кластерного анализа для переформирования классов распознавания по границам наибольшего различия, развитые инструменты анализа для детального изучения взаимодействия вклада различных признаков в информационные портреты.

Результаты предварительных экспериментов также позволяют надеяться на существенное увеличение эффективности методики при использовании двух дополнительных приемов построения моделей предсказания:

5. Постоянная переадаптация модели - «модель бегущего окна».

6. Использование поэтапного распознавания, при котором сначала распознается уровень бодрствования, имеющий место в данный момент, а далее используется отдельная модель, адаптированная именно для этого конкретного уровня бодрствования.

Список литературы диссертации автор научной работы: кандидата психологических наук, Щукин, Тимур Николаевич, Москва

1. Aguirre, М., Broughton, R.J., 1987. Complex event related potentials (P300 and CNV) and MSLT in the assessment of excessive daytime sleepiness in narcolepsy-cataplexy. Elec-troencephogr. Clin. Neurophysiol. 67, pp.298-318.

2. Akerstedt, Т., 1995. Work hours, sleepiness and underlying mechanisms. J. Sleep Res. 4 (Suppl. 2), pp. 15-22.

3. Akerstedt, Т., Gillberg, M., 1990. Subjective and objective sleepiness in the active individual. Int. J. Neurosci. 52, pp.29-37.

4. Aldrich, M.S., 1994. Parkinsonism. In: Kryger, M.H., Roth, Т., Dement, W.C. (Eds.), Principles and Practice of Sleep Medicine, 2nd edn Saunders, Philadelphia.

5. Glass A.M., Campbell K., Event-related potential measures of the inhibition of information processing: Selective attention in the waking state. International Journal of Psychophysiology 46 (2002) pp. 177-195

6. Mercedes A., Cantero J.L., Domingues-Marin E. Mismatch negativity (MMN):and objective measure of sensory memory and long-lasting memories during sleep. International Journal of Psychophysiology 46 (2002) pp. 215-225.

7. Baddeley, A., 1968. A 3 minute reasoning task based on grammatical transformation. Psychon. Sci. 10, pp.341-342.

8. Banquet, J .P. "EEG and Meditation" Electroencephalography and Clinical Neurophysiology, Vol 33,, 1972, pp. 449-458.

9. Banquet, J.P. "Spectral Analisys of the EEG in Mediatation", electroencephalography and Clinical Neurophysiology, Vol 35, , 1973 pp. 143151.

10. Basar E, Demiralp T, Schurmann M, Basar-Eroglu C, Ademoglu A. Oscillatory brain dynamics, wavelet analysis, and cognition. Brain Lang. 1999 Jan;66(l): pp. 146-83.

11. Basar E. (Ed) Dynamics of Sensory and Cognitive Processing by the Brain, Springer Verlag, Berlin, Germany 1988.

12. Basar E., EEG Brain Dynamics, Elsevier, Amsterdam, 1980.

13. Basar.E, et al. Alpha oscillations in brain functioning: anintegrative theory. International Journal of Psychophysiology, 1997, vol. 26, pp. 5-29.

14. M.Bastien C.H., Ladoucheur C., Campbell K.B. EEG Characteristics Prior to and Following the Evoked K-Complex. Canadian Journal of Experimental Psychology, 2000, 54:4, pp.255-265.

15. Bastien C.H., Crowley K.E., Colrain I.M. Evoked potential components unique to non -Rem sleep relationship to evoked K-complexes and vertex waves 1992.

16. Bastien, C., Campbell, K. The evoked K-Complex all-or-none phenomenon? Sleep, 15, pp.23 6-245.

17. Bastuji H., Perrin F., Larrea L.G. Semantic analysis of auditory input during sleep: studies with event related potentials. International Journal of Psychophysiology 46 (2002) pp.243-255.

18. Beatty J. Greenberg, A., Deibler, W.P., and O'Hanlon, J.F. Operant control of occipital theta rhythm affects performance in a radar monitoring task. Science, 1974, 183: pp.871-873.

19. Bond, A., Lader, M., 1974. The use of analogue scales in rating subjective feelings. Br. J. Med. Psychol. 47, pp.211-218.

20. Broughton R, Hasan J. Quantative topographic electroencephalographic mapping during drowsiness and sleep onset. J. Clin Neurophysiology 1995 Jul: 12(4): pp.37-86.

21. Broughton, R.J., 1989. Sleep attacks, naps, and sleepiness in medical sleep disorders. In: Dinges, D.F., Broughton, R.J. (Eds.), Sleep and Alertness, Raven Press, New York.

22. Broughton, R.J., Aguirre, M., 1987. Differences between REM and NREM sleepiness measured by event-related potentials (P300 and CNV), MSLT and subjective estimate in narcolepsy-cataplexy. Electroencephogr. Clin. Neurophysiol. 67, pp.317-326.

23. Brown B.B. Infinite well-being., Irvington publishers, inc., New York, 1985.• 24.Brown B.B. New Mind, new Body., Biofeedback: new directions for the mind.

24. Harper & Row., New York 1974.

25. Buchsbaum, M.S., Mendelsohn, W.B., Duncan, W.C., Coppola, R., Kelsoe, J., Gillin, J.C., 1982. Topographical cortical mapping of EEG sleep stages during afternoon naps in normal subjects. Sleep 5, pp.248-255.

26. Campbell K., Bell L., Bastien C., Evoked potential measures of information processing during natral sleep. In R.J. Broughton and R.D. Oglivie (Eds.) Boston. Birkhauser 1992, Sleep, Arousal and performance (pp. 376-378).

27. Carskadon, M.A., Dement, W.C., 1979. Effects of total sleep loss on sleep tendency. Percept. Mot. Skills 48, pp.495-506.

28. Carskadon, M.A., Harvey, K., Dement, W.C., 1981. Sleep loss in young adolescents. Sleep 4, pp.299-312.

29. Casagrande M, Violani C, De gennaro L, Braibanti P, Bertini M. Which hemisphere falls asleep first? Neuropsychologia 1995 Jul; 33(7): pp.81-122.

30. Dement, W.C., Gelb, M., 1993. Somnolence: its importance in society. Neurophysiol. Clin. 23, pp.5-14.

31. Demiralp T, Basar E.Theta rhythmicities following expected visual and auditory targets. Int J Psychophysiol. 1992 Sep;13(2): pp.147-60.

32. Dinges, D.F., 1987. The nature of sleepiness: causes, context and consequences. In: Strunkard, A., Baum, A. (Eds.), Eating, Sleeping and Sex, Academic Press, New York.

33. Dinges, D.F., 1992. Probing the limits of functional capacity: the effects of sleep loss on short duration task. In: Ogilvie, R., Broughton, R. (Eds.), Sleep, Arousal and Performance, Birkhauser, Boston.

34. Dinges, D.F., 1995. An overview of sleepiness and accidents. J. Sleep Res. 4 (Suppl. 2), pp.4-14.

35. Dinges, D.F., Kribbs, N.B., 1991. Performing while sleepy: effects of experimentally-induced sleepiness. In: Monk, Т.Н. (Ed.), Sleep, Sleepiness and Performance, John Wiley and Sons, Chichester.

36. Dinges, D.F., Powell, J., 1989. Sleepiness impairs optimum response capability — it's time to move beyond the Lapse Hypothesis. Sleep Res. 18, pp.366.

37. Evans R.A. Reliability optimization. J.WE.J.Henley, J.W.Lynn, eds. Generic techniques in systems reliability assessment. Leyden, The Netherlands, Noodhoff International Publishing. 1976. pp. 117- 131.

38. Fernandez T, Harmony T, Silva-Pereyra J, Fernandez-Bouzas A, Gersenowies J, Galan L, Carbonell F, Marosi E, Otero G, Valdes SI. Specific EEG frequencies at specific brain areas and performance. Neuroreport. 2000 Aug 21 ;11(12):2663-8.

39. Folstein, M.F., Luria, R., 1973. Reliability, validity and clinical application of the visual analogue mood scale. Psychol. Med. 3, pp.479-486.

40. Fruhsthorfer, H., Bergstrom, R., 1969. Human vigilance and auditory evoked responses. Electroencephogr. Clin. Neuro-physiol. 27, pp.346-355.

41. Ray G.C. HigherStages of Rajayoga and its Possible Signature of Electroencephalogram // Journal of the Institution of Engineers (India), Vol 74, March 1994, pp 22-31.

42. Gennaro Luigi De, Michele Ferrara, Giuseppe Curcio, Riccardo Cristiani. Antero-Posterior EEG changes during the wakefulness sleep transition. Clinical Neurophysiology 112 (2001) pp.1901-1911.

43. Gevins A, Smith ME, McEvoy L, Yu D. High-resolution EEG mapping of cortical activation related to working memory: effects of task difficulty, type of processing, and practice. Cereb Cortex. 1997 Jun;7(4): pp.374-85.

44. Gevins A., A Raymond (Eds), Handbook of EEG and Clinical Neurophysiology. Vol 1 Methods of analisys of brain electrical and magnetic signals, Elsevier Science Publishers, Amsterdam, Holland, 1987.

45. Gulberg, M., Kecklund, G., Akerstedt, Т., 1994. Relations between performance and subjective ratings of sleepiness during a night awake. Sleep 17, pp.236-241.

46. Green E. Comments on "Cartography of consciousness" a functional reexamination of theta, alpha, and beta" // Subtle energies 1994 vol 5.

47. Green E. Green A. Biofeedback and states of consciousness // Handbook of states of consciousness New York 1986.

48. Green E. Mind over matter: volition and the cosmic connection in yogic theory. // Subtle energies vol.4, no.3 1993.

49. Green E.E. Green A.M. And Walters E.D. Self regulation of internal states.// J.Rose. (Ed) Progress of cybernetics proceedings of the international Congress of Cybernetics. London. 1970.

50. Green E.E. Green A.M. Beyond Biofeedback., New York. Delacorte 1977.

51. Gtenville, M., Broughton, R., Wing, A.M., Wilkinson, R.T., 1978. Effects of sleep deprivation on short duration performance measures compared to the Wilkinson auditory vigilance task. Sleep 1, pp. 169-176.

52. Hajsak G, Simons R.F. Error-related brain activity in obsessive-cumpulsive undergraduates. Psychiatri Res 2002 May 15; 110(1): pp.63-72.

53. Hale A.R., Glendon A.J. Individual Behavior in the control of danger. N.Y. 1970. pp. 79- 130.

54. Hartse, K.M., Roth, Т., Zorick, F.J., 1982. Daytime sleepiness and daytime wakefulness: the effect of instruction. Sleep 5, pp. 107-118.

55. Hirai Т., "Electroencephalographic Study of Zen Meditation" 1960 Psychiat. Neurol. Jap, 62, pp.76- 105

56. Hobson J.A., Pace-Schott E., Stickgold R. Dreaming and the brain: toward a cognitive neuriscoence of conscous states. Behavioral and Brain Sciences. 2000. 23 (6). pp. 54-138.

57. Hoddes, E., Dement, W.C., Zarcone, V., 1971. The history and use of the Stanford Sleepiness Scale. Psychophysiology 9, pp.150.

58. Home, J.A., Reyner, L.A., 1995. Driver sleepiness. J. Sleep Res. 4 (Suppl. 2), pp.23-29.

59. Johns, M.W., 1991. A new method for measuring daytime sleepiness: the Epworth Sleepiness Scale. Sleep 14, pp.540-545.

60. Johns, M.W., 2000. Sensitivity and specivity of the multiple sleep latency test (MSLT), the maintenance of wakefulness test and the Epworth sleepiness scale: failure of the MSLT as a gold standard. J. Sleep Res. 9, pp.5-11.

61. Johnson, C.W., Diller, L., 1983. Error evaluation ability of right-hemisphere brain-lesioned patients who have had perceptual-cognitive retraining. J. Clin. Neuropsychol. 5, pp.401-402.

62. Kamiya, J., 1961. Behavioral, subjective and physiological aspects of drowsiness and sleep. In: Fiske, D.W., Maddi, S.R. (Eds.), Functions of Varied Experience, Dorsey Press, Homewood.

63. Kecklund, G., Akerstedt, Т., 1993. Sleepiness in long distance truck driving: an ambulatory EEG study of night driving. Ergonomics 36, pp. 1007-1117.

64. Campbell K.B. Colrain I.M. Event- related potential measures of the inhibition of information processing: II. The sleep onset period. International Journal of Psychophysiology 46 (2002) pp.197 214

65. Cote K.A., Probing awareness during sleep with the auditory odd-ball paradigm. International Journal of Psychophysiology 46 (2002) pp.227-241

66. Klimesch W, Doppelmayr M, Pachinger T, Russegger H., Event-related desynchronization in the alpha band and the processing of semantic information. Brain Res Cogn Brain Res. 1997 Oct;6(2): , Cambridge University Press. Printed in the USA. pp.83-94.

67. Klimesch W, Doppelmayr M, Schimke H, Ripper B. Theta synchronization and alpha desynchronization in a memory task. Psychophysiology. 1997 Mar;34(2): pp. 169-76.

68. Klimesch W. EEG alpha and theta pscillations reflect cognitive and memorey performance: a review and analysis // Brain Res. Rev. 1999. 29 (2-3) pp. 169195.

69. Klimesch W. Memory processes, brain oscillations and EEG synchronization. Int J Psychophysiol. 1996 Nov;24 (1-2): pp.61-100.

70. Knippenberg van, F.C.E., Passchier, J., Heysteck, D. et al., 1995. The Rotterdam Daytime Sleepiness Scale: a new daytime sleepiness scale. Psycholog. Rep. 76, pp.83-87.

71. S.H.Strogatz, L. Stewart, "coupled Oscillators and Biological Synchronization" Scientific American, December 1993,, 1993. pp 68-75

72. Lebedev A.N., Mayorov V.V., Myshkin I.Y. The wave model of memory. //Neurocomputers and attention, vol.1, Manshester, 1990, pp.53-59.

73. Lebedev A.N. Mayorov V.V. Myshkin I.Y. The wave model of memory. //Neurocomputers and attention, vol.1, Manshester, 1990, pp.53-59.

74. Makeig S. Elliot F.S. Inlow, M., Kobus D.A. Predicting lapses in vigilance using brain evoked responces to irrelevant auditory probes, Technical Report 90-39, 1990, Navak health research Center, San Diego.

75. Makeig S., Auditory event-related Dynamics of the EEG Spectrum and Effects of Exposure to Tones, Electroencephalography and Clinical Neurophysiology 1993., 86: pp.283-293

76. Makeig Scott, Lapses in Alertness:Coherence of Fluctuactions in Performance and EEG Spectrum. Electroencephalography and Clinical Neurophusiology 1993 86: pp.23-35.

77. Makeig Scott, Tzyy-Ping Jung, Changes in Alertness are a Principal Components of Variance in the EEG spectrum. NeuroReport 1995, 7: pp.213217

78. Makeig Scott, Tzyy-Ping Jung. Tonic, Phasic and Transient EEG Correlates of Auditory Awareness in Drowsiness, Cognitive Brain Research 1996.4: pp. 15-25

79. Makeig. S.„ and Neru P. "A proposal for integrated shipboard alertness management," In: Countermeasures for Battlefield Stressors, Pennington Center

80. Nutrition Series, Vol. 10, LTC K. Friedl, H. Lieberman, D. H. Ryan and G. A. Bray, Eds. (Louisiana State University Press, Baton Rouge LA), 2000, pp. 1-8

81. Makeig, Scott, Awareness during Drowsiness: Dynamics and Electrophysiological Correlates, candian Journal of Experimental Psychology, 2000, 54(4): pp.26-73

82. Meister D. Human reliability. In: F.A.Muckler, ed. Human Factors review. 1984. Santa Monica. C.A.:Human Factor Society.

83. Michele Ferrara, Luigi De Gennaro, Giuseppe Curcio, Riccardo Cristiani, Mario Bertini Regional differences of the temporal EEG dynamics during the first 30 min of human sleep., Neuroscience Research 44 (2002) pp.83-89

84. Miller, M.M., Gujavarty, K.S., Browman, C.P., 1982. Maintenance of wakefulness test: a polysomnographic technique for evaluating treatment efficacy in patients with excessive somnolence. Electroencephogr. Clin. Neurophysiol. 53, pp.658-666.

85. Morris, T.L., Mitler, J.C., 1996. Electrooculographic and performance indices of fatigue during simulated flight. Biol. Psychol. 42, pp.343-360.

86. Mullaney, D.J., Fleck, P.A., Okudaira, N., Kripke, D.F., 1985. An automated system for administering continuous workload and for measuring sustained continuous performance. Behav. Res. Meth. Instr. Сотр. 17, pp. 16-18.

87. Myshkin I.Yu., Mayopov V.V. Individual variations of correlation dimension EEG and short-term memory capacity in man. /IY European Congress of Psychology. Abstracts. (Editors A.Hantzi, M.Solman) Athens, Greece, 1995, pp.463-464.

88. Naitoh, P., 1983. Signal detection theory as applied to vigilance performance of sleep-deprived subjects. Sleep 6, pp.359-361.

89. Neisser, U., 1957. Cognitive Psychology, Appleton-Century-Crofts, New York

90. Pailing P.E, Segalowitz S.J, Dywan J, Davies P.L., Error negativity and response control. Psychophysiology 2002 Mar; 39 (2): pp. 198-206

91. Peled, N., Lavie, P., 1994. Monitoring oprator's performance — the role of blinking. J. Sleep Res. 3 (Suppl. 1), pp.196.

92. Penzel T and Petzoid J. A new method for the classification of subvigil stages, using Fourier transform, and its application to sleep apnea. 1989, J. Comput.Biol.Med., 1989, 19: pp.7-34

93. Pfurtscheller G, Flotzinger D, Mohl W, Peltoranta M. Prediction of the side of hand movements from single-trial multi-channel EEG data using neural networks. Electroencephalogr Clin Neurophysiol. 1992 Apr;82(4): pp.313-5

94. Ranzjin, R., Lack, L., 1997. The pupillary light reflex cannot be used to measure sleepiness. Psychophysiology 34, pp. 17-22.

95. Richardson, G.S., Carskadon, M.A., Orav, E.J., Dement, W.C., 1982. Circadian variation of sleep tendency in elderly and young adult subject. Sleep 5, pp.S82-S92.

96. Roberta Claude b,*, Jean-Franc,ois Gaudyb, Aime' Limogea Electroencephalogram processing using neural networks Clinical Neurophysiology 113. 2002. pp.694-701

97. Rosenthal, L., Roehrs, T.A., Rosen, A., Roth, Т., 1993b. Level of sleepiness and total sleep time following various time in in bed conditions. Sleep 16, pp.226-232.

98. Rosenthal, L., Roehrs, Т., Roth, Т., 1993a. The sleep-wake activity inventory, a self-report measure of daytime sleepiness. Biol. Psychiat. 34, pp.810-820.

99. Roth, Т., Nemsivalova, S., Sonka, K., Docekal, P., 1984. A quantitative poligraphic study of daytime somnolence and sleep in patients with excessive diurnal sleepiness. Arch. Suisse Neurol. Neurochir. Psychiat. 135, pp.265-272.

100. Roth, Т., Nemsivalova, S., Sonka, K., Docekal, P., 1986. An alternative to the Multiple Sleep Latency Test for determining sleepiness in narcolepsy and hypersomnia: a polygraphic score of sleepiness. Sleep 9, pp.243-245.

101. Sannita WG. Stimulus-specific oscillatory responses of the brain: a time/frequency-related coding process. Clin Neurophysiol. 2000 Apr;l 11(4): pp.565-83.

102. Santamaria J., Chiappa K.H. The EEG of Drowsiness in normal adults. J. Clin. Neurphysiol. 1987,4: pp.327-382

103. Schack B, Weiss S, Rappelsberger P. Cerebral information transfer during word processing: where and when does it occur and how fast is it? Hum Brain Mapp. 2003 May; 19(1): pp.18-36.

104. Scheffers M.K, Coles M.G, Performance monitoring in a confusing world: error-related brain accuracy judjements of response accuracy, and type of errors. J. Exp Psychol Hum Persept Perform 2000 Feb; 26(1): pp. 141-51.,

105. Schurmann M, Basar E. Topography of alpha and theta oscillatory responses upon auditory and visual stimuli in humans. Biol Cybern. 1994;72(2): pp. 161-74.

106. Schwartz Mark S.and Olson R.Paul. A historical perspective on the Field of Biofeedback and Applied Psychophysiology // Biofeedback- a practitioner's guide Mark S.Schwartz and Associates The Guilford Press New York London 1995.

107. Schwartz Nancy M. and Mark S.Schwartz -Defenitions of biofeedback and applied psychophysiology // Biofeedback- a practitioner's guide Mark S.Schwartz and Associates The Guilford Press New York London 1995.

108. Seashore C.E. and Kent G.H. Pereodicity and progressive change in continuous mental work. J. Psychol. Reviews. 1905. 6: pp.47-101

109. Singleton W.T. Methods of analisis the errors // Aerospace medecine. v. 53. N3. 1976.

110. Singleton W.T. Theoretical Approaches to Human Error // Ergonomics, v. 16. N6. 1973.

111. Stam С J. Brain dynamics in theta and alpha frequency bands and working memory performance in humans. Neurosci Lett. 2000 Jun 2;286(2): pp.115-8.

112. Stampi, C., Aguirre, A., Macchi, M., Hashimoto, S., 1995b. Relationship between pupillary/oculomotor measures, and physiological (EEG) and behavioral indices of sleepiness. Sleep Res. 24A, 454.

113. Stampi, C., Stone, P., Michimori, A., 1993. The alpha attenuation test: a new quantitative method for assessing sleepiness and its relationship to the MSLT. Sleep Res. 22, pp.115.

114. Stampi, C., Stone, P., Michimori, A., 1995a. A new quantitative method for assessing sleepiness: the alpha attenuation test. Work Stress 9, pp.368-376.

115. Stebel J. and Sitz R. On central Nervous minute-periodicity and its coordination. J. Interdisciplinary Cycle Res. 1971, 2: pp.63-72

116. Stroud J.M. The fine structure of psychological time. Ann NY Acad. Sci. 1966 138: pp.623-631.

117. Sullivan C. Event-related brain potentials and attention during simultaneous performance of two tasks. Percept Mot Skills 1996 Oct; 83 (2): pp.65-71.

118. Surwillo W.W. Frequency of the alpha rhythm, reaction time and age. Nature (Lond.) 1961,191: pp.823-824

119. Surwillo W.W. Some observations on the relation of response speed to frequency of photic stimulation under conditions of EEG synchronization. Electroenchephalogy and clinical Neurophysiology. 1964, 17: pp. 194-198.

120. Surwillo W.W. The relation of simple response time to brain-wave frequency and the effects of age. Eelectroenceph. Clin. Neurophysiology 1963, 15: pp.104-114.

121. Swain A.D.Guttmann H.E.Handbook of human reliability analysis with emphasis on nuclear power plant application. Washington, Dc:US.Nuclear Regulatory Commission. 1983.

122. Tanaka, H., Hayashi, M., Hori, Т., 2000. Topographical characteristics of slow wave activities during the transition from wakefulness to sleep. Clin. Neurophysiol. Ill, pp.417-427.

123. Torsvall, L., Akerstedt, Т., 1988. Extreme sleepiness: quantification of EOG and spectral EEG parameters. Int. J. Neurosci. 38, pp.435-441.

124. Torsvall, L., Akerstedt, Т., 1988. Extreme sleepiness: quantification of EOG and spectral EEG parameters. Int. J. Neurosci. 38, pp.435-441.

125. Townsend R.E. and Johnson L.C. Relation of frequency analysed EEG to monitoring behavior. Electroenceph. Clin. Neurophysiolo., 1979, 47: pp.272279

126. Treisman M. Temporal rhythms and cerebral rhythms in J.Gibbon and L.Allan (Eds.) Timing and Time Perception. New York Academy of Sciences. 1984, 423: pp.542-565.

127. Turbes CC. EEG dynamics. Brain processing of sensory and cognitive information. Biomed Sci Instrum. 1992;28: pp.51-58

128. Vidal F, Hansbroucq T, Grapperon J, Bonnet M. Is the "error negativity" specific to errors? Biol. Psychol 2000 Jan; 51 (2-3); pp. 109-128.

129. Wallace R.K., H.Benson, "The Physiology of Meditation" Scientific American, 1972, pp. 226:84

130. Walsh, J.K., Muelbach, M.J., Schweitzer, P.K., 1992. Simulated assembly line performance following ingestion of cetirizine or hydroxyzine. Ann. Allerg. 69, pp.195-200.

131. Walter. W. Surwillo. The relation of response-time variability to age and the influence of brain wave frequency. Electroencephalography and clinical neurophysiology. 1963. 15: pp. 1029-1032

132. Warner R.M. Periodic rhyms and cerebral rhythms in J.Gibbon and L.Allan (Eds.) Timing and Time Perception. New York Academy of Sciences. 1984, 423: pp.542-565.

133. Webb, W.B., 1992. Problems in measuring performance: dangers in difference scores. In: Ogilvie, R., Broughton, R. (Eds.), Sleep, Arousal and Performance, Birkhauser, Boston.

134. Webb, W.B., Levy, СМ., 1982. Age, sleep deprivation, and performance. Psychophysiology 19, 272-276.

135. Wechsler, D., 1958. The Measurement and Appraisal of Adult Intelligence, 4th edn Williams Wilkins, Baltimora.

136. Weiss S, Muller HM, Rappelsberger P. Theta synchronization predicts efficient memory encoding of concrete and abstract nouns. Neuroreport. 2000 Aug 3;11(11): pp.2357-61

137. Weitzman, E.D., Kremer, H., 1965. Auditory evoked responses during different stages of sleep in man. Electroencephogr. Clin. Neurophysiol. 18, pp.65-70.

138. Werheimer M. An investigation of the randomness of threshold measurements. J. Exp. Psychol. 1953,45: pp.294-301,

139. Wesensten, N.J., Badia, P., 1988. The P300 component in sleep. Physiol. Behav. 44, pp.215-220.

140. Wilkinson, R.T., 1965. Sleep deprivation. In: E'dholm, O.G., Bacharach, A.L. (Eds.), The Physiology of Human Survival, Academic Press, London.

141. Wilkinson, R.T., 1969. Some factors influencing the effect of environmental stresses upon performance. Psychol. Bull. 72, pp.260-272.

142. Williams, H.L. Granda, A.M. Jones, R.C., Lubin A. and Armington, J.C. EEG frequency and finger pulse volume as predictors of reaction time during sleep loss. Electroenchephalogy and clinical Neurophysiology, 1962, 14: pp.6470.

143. Zhang J.Z, Zhao,J, He,Q.N, "EEG findings during spectial psychical state Qi gong state) by means of compressed spectral array and topographic mapping" Computers in Biology and Medicine Col 18. No 6, pp. 455 464. 1988

144. Алишев H.B. Егоров A.C. Некоторые методологические подходы к оценке работоспособности человека / Актуальные вопросы изучения режимов труда и отдыха учащихся профтехучилища Л.:ВНИИпрофтехобразования. 1984. С. 6-16.

145. Андреев Н.И. Теория статистически оптимальных систем управления. М.: Наука, 1980. -155с.

146. Андрющенко В.А. Теория систем автоматического управления: Учебное пособие. Л.: ЛГУ, 1990. - 256с.

147. Анохин П. К. Очерки по физиологии функциональных систем. М.: Медицина, 1975. - 231с.

148. Антонюк Б.Д. Информационные системы в управлении. М.: Радио и связь, 1986. - 125с.

149. Афанасьев В.Н., Колмановский В.Б., Носов В.Р. Математическая теория конструирования систем управления. М.: Высшая школа, 1989. -447с.

150. Бернштейн Н.А. Очерки по физиологии движения и физиологии активности. -М.: Медина 1966.

151. Берталанфи Л. фон. Общая теория систем критический обзор. //Системные исследования: Ежегодник. - М.: Наука, 1969. - С.23-95.

152. Бовин Б.Г. и др. Основные виды деятельности и психологическая пригодность к службе в системе органов внутренних дел. М., изд-во НИЦПМО МВД РФ, 1997,344 с.

153. Бодров В. А., Орлов В .Я. Психология и надежность: человек в системах управления техникой. М.: Изд-во «Институт психологии РАН», 1998.-288 с.

154. Ганзен В.А. Системный подход в психологии. -JL: ЛГУ, 1983.

155. Глазкова В.А. Обратная биологическая связь как важнейший механизм в условиях обучения человека управлению RUH // Методика и техника экспериментальных исследований. М.: Наука, 1982, с.37-41.

156. Голиков Ю.А. Костин А.Н. Особенности психической регуляции и классы проблемностей в сложной операторской деятельности // Психол.журнал. 1994. Т. 15. N 2. С. 3- 16.

157. Голиков Ю.А. Метод выделения проблемных моментов и ситуаций в психологическом анализе операторской деятельности // Методики анализа и контроля трудовой деятельности и функциональных состояний. М.: Институт психологии РАН, 1992. С. 6- 13.

158. Голиков Ю.А., Костин А.Н. Психология автоматизации управления техникой. М.: 1996, ИП РАН.

159. Губинский А.И. и др. Принципы количественной оценки надежности систем «человек-техника» //В кн: Надежность комплексных систем «человек-техника». ч.1-2. Ленинград, 1969.

160. Губинский А.И., Евграфов В.Г. Эрногономическое проектирование судовых систем управления. Л. Судостроение, 1977. 224 с.

161. Дементиенко В.В., Дорохов В.Б., Коренева Л.Г., Марков А.Г., Шахнарович В.М. Гипотеза о природе электродермальных реакций // Физиология человека. 2000. Т. 26. 2. С.124 - 131.

162. Дикая Л.Г. Принцип полсистемности: реализация в исследованиях психической саморегуляции в триаде «деятельность личность -состояние» // современная психология: состояние и перспективы. - М.: ИП РАН, часть 1, с 124- 158.

163. Дикая Л.Г. Психическая саморегуляция функционального состояния человека (системно-деятельностный подход). — М.: Изд-во «Институт психологии РАН», 2003. -318 стр.

164. Дикая Л.Г., Семикин В.В. Произвольная саморегуляция состояний человека-оператора как вид психической деятельности. М.: Наука, 1986.

165. Дорохов В. Б., Нуер М. Р. Топографическое картирование мозга. Методологические проблемы. // Физиология человека. 1992, Т. 18., N.6., С.16-21

166. Дорохов В .Б. Альфа активность ЭЭГ при дремоте, как необходимое условие эффективного взаимодействия с внешним миром. // Электронный журнал «Исследовано в России». 2290. http://zhurnaI.ape.relarn.ru/articles/2003/192.pdf

167. Дорохов В.Б. Альфа- веретена и К-комплекс — фазические активационные паттерны при спонтанном восстановлении нарушений психомоторной деятельности на разных стадиях дремоты // Журн. Высшей нервной деят. 2003. Т. 53. с. 503-512.

168. Дорохов В.Б., Дементиенко В.В., Коренева Л.Г., Марков В.Г., Шахнарович В.М. Электродермальные показатели субъективного восприятия ошибок в деятельности при наступлении дремотного состояния // Журн. Высш. Нервн. Деят. 2000. Т. 50. 2.- С. 206-218.

169. Дорохов В.Б. Применение компьютерных сомнологических полиграфов в психофизиологии и для клинических исследований // Физиология человека. 2002. Т 28 С. 105-112.

170. Дорохов В.Б. Применение компьютерных сомнологических полиграфов для психофизиологических и клинических исследований. Материалы «XVIII Съезда Физиологического общества им. И.П. Павлова», Казань, 2001, с. 79.

171. Дорохов В.Б. Психомоторный тест для оценки дневной сонливости. // Материалы XXX Всероссийского совещания по проблемам высшей нервной деятельности». Санкт-Петербург. 2000. с. 663-664.

172. Дорохов В.Б. Психофизиологические механизмы нарушения деятельности при дремотных изменениях сознания.). // Материалы 1-ой Российской школы-конференции по фундаментальным и прикладным проблемам сомнологии "Сон-окно в мир бодрствования", Москва, с.25.

173. Дружинин В.Н. Психодиагностика общих способностей. М., изд-во «Академия», 1996, 12 п.л.

174. Дружинин В.Н. Психология общих способностей. М., изд-во «Латерна Вита», 1995,16 п.л.

175. Забродин Ю.М., Лебедев А.Н. Психофизиология и психофизика. М., Наука, 1977,286 е.,

176. Забродин Ю.М. Методологические проблемы исследования и моделирования функциональных состояний человека-оператора. // Психические состояния и эффективность деятельности. Вопросы кибернетики. 1983. Вып. 101. М.: наука, с.З -27.

177. Завалишина Н.Д. Барабанщиков В.А. Детерминация и развитие психики //принцип системности в психологических исследованиях. 2003 М.: Наука, с. 3- 9.

178. Зараковский Г.М. Психофизиологический анализ трудовой деятельности. М.:Наука, 1966. 138 с.

179. Захарова В.В. Колл Р., Сохадзе Э.М. Штарк М.Б. "Биоуправление-итоги и перспективы развития". 1993 сборник «Биоуправление, теория и практика- 2»

180. Зейгарник Б.В. Саморегуляции в норме и патологии // Психол. Журнал Т. 10, N2,1989

181. Зильберман П.Б. Эмоциональная устойчивость оператора // Очерки психологии труда оператора. М., 1974.

182. Зимин В.А. Надежность работы стандартных элементов БЭСМ // Надежность радиоэлектронной аппаратуры. М., 1958.

183. Ильин Е.П. Проблемы монотонии и пути ее решения // Психофизиологические основы физического воспитания и спорта. М.: ФиС, 1972., с. 127-141.

184. Ковальзон В.М. К чему приводит длительное лишение сна? «Природа» 1986, N 4, с.97-98

185. Ковальзон В.М. Природа сна. «Природа», 1999, N 8, с. 172-179

186. Костин А.Н. Метод таксономии межсаккадических интервалов движений глаз для оценки операторской деятельности//Методики анализа и контроля трудовой деятельности и функциональных состояний. М.: Институт психологии РАН, 1992. С.14-20

187. Котик М.А, Емельянов A.M. Ошибки управления. Таллин: Валгус, 1985.390 с.

188. Котик М.А, Саморегуляция и надежность человека оператора. Таллин: Валгус, 1974 167 с.

189. Лебедев А.Н., Луцкий В.А. Расчет закономерностей зрительного восприятия по частотным характеристикам электроэнцефалограммы / Эргономика. Труды ВНИИТЭ. Вып.4., 1972, стр. 95-134.

190. Лебедев А.Н., Б.Г. Бовин и др. Отражение индивидуальных психологических особенностей человека в его электроэнцефалограмме. В кн.: Инженерно-физические проблемы новой техники. М., изд-во МГТУ, 1998, с. 371-373.

191. Левитов Н.Д. О психических состояниях человека. М.: Просвещение, 1964, 344 с.

192. Левитов Н.Д. Проблема психических состояний // Вопросы психологии. №2. 1955.

193. Ломов Б.Ф. Человек и техника. М.: Советское радио, изд-е 2-е, 1966. 464 с.

194. Ливанов М.Н. Анализ биоэлектрических колебаний в коре головного мозга млекопитающих.- Труды Ин-та мозга, 19386 тЗ\4, с.478

195. Ливанов М.Н. Пространственная организация процессов головного мозга. М.Наука,1972

196. Луценко Е.В. Автоматизированная система распознавания образов: математическая модель и опыт применения. //В сб.: "В.И. Вернадский и современность (к 130-летию со дня рождения)". Краснодар: КНА, 1993. -С.37-42.

197. Луценко Е.В. Разработка методологии синтеза адаптивных АСУ сложными объектами на основе применения моделей распознавания образов и принятия решений. Дис. к.т.н. (05.13.06) Краснодар: КубГТУ. 1999. - 187с.

198. Луценко Е.В. Рефлексивн£г модель управления качеством подготовки специалиста. //В сб.: "Материалы II межвузовской научно-технической конференции".-Краснодар: КВИ, 2001.-С.129-131.

199. Луценко Е.В. Синтез экстремальных систем "человек-машина" на основе принципа многоуровневой адаптивности. /Труды Краснодарского ВАИ. Вып. 4. Краснодар: КВАИ, 1999. - С. 186-190.

200. Луценко Е.В. Системно-когнитивный анализ детерминстско-бифуркационной динамики активных систем. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". -Краснодар: КВИ, 2002. С.64-70.

201. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). Краснодар: КЮИ МВД РФ, 1996. - 280с.

202. Малогабаритная аппаратура. М., 1954.

203. Маныпин Г.Г. Управление режимами профилактики сложных систем. Минск. 1976. 256 с.

204. Мышкин И.Ю., Майоров В.В. Модель динамической кратковременной памяти. /Психол.журн., 1995, т. 16, N6, С.83-86.

205. Надежность наземного радиоэлектронного оборудования. М, 1957.

206. Наживин Ю.С. Характеристики саморегуляции сенсомоторной деятельности в адаптационный период // Материалы V Всесоюзного симпозиума по эффективности, качеству и надежности систем «человек-техника». Л., 1978.

207. Небылицин В.Д. К изучению надежности работы оператора в автоматизированных системах // Вопросы психологии 1961. N6 С.9-18.

208. Небылицин В.Д. Надежность работы оператора в сложной системе управления / Инженерная психология. Под ред. Леонтьева А.Н., Зинченко В.П, Панова Д.Ю. М.: МГУ, 1964. С. 358-367

209. Никифоров Г.С. Самоконтроль как механизм надежности человека-оператора. Л.: Изд-во ЛГУ, 1977. 112 с.

210. Николаев А.Р., Иваницкий Г.А., Иваницкий A.M. Воспроизводящиеся паттерны альфа-ритма ЭЭГ при решении психологических задач. Физиология человека 1998. том 24, N3, с.5-12

211. Обознов А.А. Психическая регуляция операторской деятельности в особых условиях рабочей среды. М.: Изд-во «Институт психологии РАН», 2003, - 127 стр.

212. Пископпель А.А. Наука и техника как формы социально значимой деятельности Вопросы методологии №1-2, 1995

213. Пископпель А. А., Научно-техническая концепция в ее дисциплинарном и междисциплинарном выражениях Вопросы методологии, № 3-4, М., 1997, с. 3-14

214. Пископпель А.А. Научная концепция: структура, генезис. Электронный сборник трудов Московского методологического кружка. 2000, стр. 365

215. Проблемность в профессиональной деятельности: теория и методы психологического анализа. Под ред. Дикой Л.Г — М.: Издательство «Институт психологии РАН», 1999. 385 с.

216. Проблемность в профессиональной деятельности: теория и методы психологического анализа. Издательство «Институт психологии РАН» 1999. Москва. 358 стр.

217. Психологический словарь. М.: Педагогика, 1983. 448 с.

218. Русалов В.М. Опросник формально-динамических свойств личности (ОФДСК). Методическое пособие. М., изд-во ИП РАН, 1997, 50 с.

219. Русалов В.М. Биологические основы ндивидуально-психологических различий. М., Наука, 1979, 352 с.

220. Русалов В.М. Компьютерный вариант опросника формально-динамических свойств индивидуальности.- В кн.: Инженерно-физические проблемы новой техники. М., изд-во МГТУ, 1998, с. 377-380.

221. Русалов В.М. О единой природе темперамента и общего интеллекта. В кн.: Ежегодник Российского общества. 2 Съезд психолгического общества. Психология и практика, т.4 в. 1 стр. 154-155, Ярославль, 1998

222. Русалов В.М. О роли темперамента в интеллектуальном поведении человека. В кн.: «Труды ИПРАН», вып. 2, отв.ред. Брушлинский . А.В., 1997., 25 е.,

223. Смирнов Б.А., Надежность оператора и системы «человек-машина» / Основы инженерной психологии. Под ред. Б.Ф.Ломова 2-е изд. М.: Высшая школа. 1986. С. 324-346.

224. Справочник по инженерной психологии. Под ред. Ломова Б.Ф., М.: Машиностроение, 1982. 368 с.

225. Фокин Ю.Г. Принципы оценки психологической сложности информационного поля аппаратуры / Прикладные вопросы военно-инженерной психологии. М.:Воениздат, 1968. С.43-47.

226. Харкевич А.А. О ценности информации. //В сб.: "Проблемы кибернетики" Вып. 4. М.: Физматгиз, 1960. - С.53-57

227. Чайлд. Общие понятия и требования, предъявляемые к надежности электронного оборудования (Материалы IV Национального симпозиума по надежности и контролю качества, США, 1958 // Вопросы надежности радиоэлектронной аппаратуры. М., 1959. с 32-34.

228. Чирков В.И. Праксические состояния и мотивация деятельности // проблемы индустриальной психологии. Ярославль: ЯрГу, 1989, с 20 -31.

229. Шапкин С.А., Л.Г.Дикая. Человек в экстремальных условиях Психологический Журнал том 17, номер 1,1996.

230. Щукин Т.Н. Методологические проблемы зарубежных исследований биологической обратной связи. Дипломная работа, выполненная на факультете психологии МГУ. Москва, 2000

231. Эргономика в определениях. М.: ВНИИТЭ, 1980. 136 с.

232. Юрченко В.Н. Исследования психического состояния человека в процессе производственной деятельности // Автореферат канд. дисс. Л. 1980