Естественнонаучные основы психогенеза Заведующий лабораторией психофизиологии к.пс. н. Горбунов Иван Анатольевич

Классификация наук (Кедров)

Энтропия Понятие энтропии было впервые введено в 1865 году Рудольфом Клаузиусом. Он определил изменение энтропии термодинамической системы при обратимом процессе как отношение общего количества тепла ΔQ к величине абсолютной температуры T (то есть тепло, переданное системе, при постоянной температуре): Понятие энтропии было впервые введено в 1865 году Рудольфом Клаузиусом. Он определил изменение энтропии термодинамической системы при обратимом процессе как отношение общего количества тепла ΔQ к величине абсолютной температуры T (то есть тепло, переданное системе, при постоянной температуре):

Связь энтропии с вероятностью В 1877 году Людвиг Больцман установил связь энтропии с вероятностью данного состояния. Позднее эту связь представил в виде формулы Макс Планк: В 1877 году Людвиг Больцман установил связь энтропии с вероятностью данного состояния. Позднее эту связь представил в виде формулы Макс Планк: где константа k = 1,38×1023 Дж/К названа Планком постоянной Больцмана, а Ω статистический вес состояния, является числом возможных микросостояний (способов) с помощью которых можно перейти в данное макроскопическое состояние. где константа k = 1,38×1023 Дж/К названа Планком постоянной Больцмана, а Ω статистический вес состояния, является числом возможных микросостояний (способов) с помощью которых можно перейти в данное макроскопическое состояние. Существует мнение, что мы можем смотреть на Ω и как на меру беспорядка в системе. В определённом смысле это может быть оправдано, потому что мы думаем об «упорядоченных» системах как о системах, имеющих очень малую возможность конфигурирования, а о «беспорядочных» системах как об имеющих очень много возможных состояний. Собственно, это просто переформулированное определение энтропии как числа микросостояний на данное макросостояние. Существует мнение, что мы можем смотреть на Ω и как на меру беспорядка в системе. В определённом смысле это может быть оправдано, потому что мы думаем об «упорядоченных» системах как о системах, имеющих очень малую возможность конфигурирования, а о «беспорядочных» системах как об имеющих очень много возможных состояний. Собственно, это просто переформулированное определение энтропии как числа микросостояний на данное макросостояние.

Информационная энтропия Энтропия это количество информации, приходящейся на одно элементарное сообщение источника, вырабатывающего статистически независимые сообщения Энтропия это количество информации, приходящейся на одно элементарное сообщение источника, вырабатывающего статистически независимые сообщения Информационная двоичная энтропия для независимых случайных событий x с n возможными состояниями (от 1 до n, p - функция вероятности) рассчитывается по формуле: Информационная двоичная энтропия для независимых случайных событий x с n возможными состояниями (от 1 до n, p - функция вероятности) рассчитывается по формуле: Таким образом, энтропия события x является суммой с противоположным знаком всех произведений относительных частот появления события i, умноженных на их же двоичные логарифмы[1]. Это определение для дискретных случайных событий можно расширить для функции распределения вероятностей. Таким образом, энтропия события x является суммой с противоположным знаком всех произведений относительных частот появления события i, умноженных на их же двоичные логарифмы[1]. Это определение для дискретных случайных событий можно расширить для функции распределения вероятностей.

Нормальное распределение

Эксцесс нормального распределения

Литература И. Пригожин, Г. Николис Познание сложного, изд. ЛКИ, 2008 И. Пригожин, Г. Николис Познание сложного, изд. ЛКИ, 2008 Г. Хакен : «синергетика, Введение: Неравновесные фазовые переходы и самоорганизация в области физики, химии и биологии", 3-й ред. enl. ЭНЛ. ed. издание New York: Springer-Verlag, Нью-Йорк: Springer-Verlag, Г. Хакен : «синергетика, Введение: Неравновесные фазовые переходы и самоорганизация в области физики, химии и биологии", 3-й ред. enl. ЭНЛ. ed. издание New York: Springer-Verlag, Нью-Йорк: Springer-Verlag, Shannon, Claude E.: Prediction and entropy of printed English, The Bell System Technical Journal, 30:50-64, January Shannon, Claude E.: Prediction and entropy of printed English, The Bell System Technical Journal, 30:50-64, January 1951.

Выводы Постепенное рассеивание энергии во вселенной после большого взрыва с неизбежностью приводит к нарушению статистической равновероятности событий и, таким образом происходят информационные перестройки порождающие «сложные системы» Постепенное рассеивание энергии во вселенной после большого взрыва с неизбежностью приводит к нарушению статистической равновероятности событий и, таким образом происходят информационные перестройки порождающие «сложные системы» В «сложной системе» невозможно прогнозировать ее состояние на далекий промежуток времени. В «сложной системе» невозможно прогнозировать ее состояние на далекий промежуток времени. Сложная система характеризуется фазовыми переходами, когда внезапно происходит переупорядочивание элементов системы и возникают локальные участки, обладающие особыми свойствами Сложная система характеризуется фазовыми переходами, когда внезапно происходит переупорядочивание элементов системы и возникают локальные участки, обладающие особыми свойствами Поведение «сложных систем» по некоторым параметрам очень похоже на психические явления. Поведение «сложных систем» по некоторым параметрам очень похоже на психические явления.

Модель психогенеза Психофизический канал (информация о закономерностях, картина мира) Психофизиологический канал (система потребностей) Устойчивые структуры преобразующие систему потребностей под влиянием внешней информации, и картину мира под воздействием потребностей.

Треугольник Серпинского

Папоротник x (n+1) = a x n + b y n + c y (n+1) = d x n + e y n + f -set1set2set3set4 a b c d e f p

Изменение меры сложности мозга при осознании смысла текста

Электрические процессы и нервная система

Нервный импульс и модель нейрона Поро г

Модель нейрона

Нейросети Все модели нейронных сетей основаны на нескольких биологических фактах [Hebb D. O. 1949, Hubel D. H.. Wiesel T. N. 1977, Perreto P. Niez I. 1986]: а) минимальным структурным элементом является "нейрон", состояние которого может быть описано одним числом S, соответствующим частоте паттерна импульсации реального нейрона. В эксперименте обычно наблюдается два состояния нейрона (торможение и активность) с плавным переходом между ними. Это можно смоделировать введением энергетической функции Н0(f) с двумя минимумами при f=S1,S2, благодаря которой нейрон большую часть времени находится в состоянии, близком к S1 или S2. Часто используется другое (изинговское) представление (S1,2 =+1;-1). Иногда используется более традиционное для нейробиологии представление изинговских переменных S=2V1 (V=0; 1), где V=0 и V=1 отвечает заторможенному и активному нейронам соответственно; б) процесс распознавания осуществляется через параллельную нейронную динамику с начальной конфигурацией, соответствующей входному образу (состояния нейронов соответствуют поступившему неполному или зашумленному образу), при которой конечная (стабильная) конфигурация отвечает идеальному записанному образу. в) информация о записанных образах содержится в свойствах межнейронных взаимодействий [McCulloch W. A; Pitts W. 1943, Hebb D. O. 1949]. Имеется по крайней мере два типа синаптических контактов (возбуждающие и тормозные), их число обеспечивает возможность записи достаточного количества информации. Сила синаптической связи модифицируется при обучении для записи требуемой информации. В большинстве из рассматриваемых моделей сила синаптической связи описывается вещественным числом J, принимающим бесконечное число возможных значений. г) ассоциативность памяти: полный образ может быть восстановлен при предъявлении его фрагмента; д) разрушение небольшой части нейронов не влияет на возможность потери записанной информации.

Нейросети модель Хопфилда В модели Хопфилда каждая изинговская спиновая пере­менная S i, описывающая нейрон i, направлена параллельно полю h i, которое определяется влиянием других нейронов: S i =sign(h i ), h i =S j J ij S j, константы J ij выбираются в соответвии с правилом Хебба, чтобы обеспечить правиль­ное воспроизведение записанных образов где индекс α нумерует различные образы (α=l...k). В аль­тернативной формулировке стабильные конфигурации S i явля­ются минимумами гамильтониана

Нейронная сеть ColorYX Z

Примеры поведения моделей сложных систем

Литература Ходжкин А. Нервный импульс. М., Мир, 1965 Ходжкин А. Нервный импульс. М., Мир, 1965 Доценко Вик. С., Иоффе Л. Б., Фейгельман М. В., Цодыкс М. В. Статистические модели нейронных сетей // В кн.: Итоги науки и техники. Серия «Физические и математические модели нейронных сетей». Том 1. Часть I. «Спиновые стекла и нейронные сети» / Ред.: А. А. Веденов. – М.: ВИНИТИ, Доценко Вик. С., Иоффе Л. Б., Фейгельман М. В., Цодыкс М. В. Статистические модели нейронных сетей // В кн.: Итоги науки и техники. Серия «Физические и математические модели нейронных сетей». Том 1. Часть I. «Спиновые стекла и нейронные сети» / Ред.: А. А. Веденов. – М.: ВИНИТИ, Осовский С. Нейронные сети для обработки информации Изд-во: Финансы и статистика, Осовский С. Нейронные сети для обработки информации Изд-во: Финансы и статистика, 2002.

Выводы по прошлому занятию Психогенез – процессы, происходящие на информационном стыке двух сред, осуществляемом нервной системой - внутренней средой организма и внешней средой, характеризующиеся появлением в ней неравновесных состояний, изменениями энтропии, процессами локализации и структурирования, изменения связей между модулями нервной системы, и порождающие «сложное» поведение. Психогенез – процессы, происходящие на информационном стыке двух сред, осуществляемом нервной системой - внутренней средой организма и внешней средой, характеризующиеся появлением в ней неравновесных состояний, изменениями энтропии, процессами локализации и структурирования, изменения связей между модулями нервной системы, и порождающие «сложное» поведение. Например, процесс осознания смысла текста характеризуется изменением «сложности» биоэлектрической активности мозга. Например, процесс осознания смысла текста характеризуется изменением «сложности» биоэлектрической активности мозга. Передача информации в нервной системе осуществляется с помощью биоэлектрических процессов, характеризующихся медленной скоростью, но параллельных по времени. Передача информации в нервной системе осуществляется с помощью биоэлектрических процессов, характеризующихся медленной скоростью, но параллельных по времени. Поведение нейросети и информация, записываемая в ней целиком зависит от силы связей, объединяющих элементы сети «нейроны». Поведение нейросети и информация, записываемая в ней целиком зависит от силы связей, объединяющих элементы сети «нейроны». Одна из упрощенных моделей нервной системы – математическая модель нейросети может обладать определенным «сложным поведением», характеризующимся аттрактором фрактальной размерности Одна из упрощенных моделей нервной системы – математическая модель нейросети может обладать определенным «сложным поведением», характеризующимся аттрактором фрактальной размерности

Модификация синапса Молекулярный механизм формирования долговременной памяти. Молекулярный механизм формирования долговременной памяти. При изучении защитного рефлекса (втягивание жабры в ответ на стимуляцию сифона) у морского зайца установлено, что нейромедиаторы, действующие на клетку, вызывают в ней каскад молекулярных реакций (показано стрелками). При изучении защитного рефлекса (втягивание жабры в ответ на стимуляцию сифона) у морского зайца установлено, что нейромедиаторы, действующие на клетку, вызывают в ней каскад молекулярных реакций (показано стрелками). В результате изменяется форма и функции синапсов, что приводит к длительным модификациям защитного рефлекса. В результате изменяется форма и функции синапсов, что приводит к длительным модификациям защитного рефлекса.

Входные образы Выходной образ (классификация) Модель перцептрона

Алгоритм модификации связей Функция активации – сигмоид Функция активации – сигмоид Производная функции активации Производная функции активации Функция вычисляющая ошибку Функция вычисляющая ошибку yj – значение j-го выхода нейросети, dj- целевое значение j-го выхода, p – число нейронов в выходном слое yj – значение j-го выхода нейросети, dj- целевое значение j-го выхода, p – число нейронов в выходном слое Вспомогательная функция зависит от ошибки, производной активации нейрона Вспомогательная функция зависит от ошибки, производной активации нейрона Рекурсивная формула, вычисляющая сигму от последнего слоя к первому Рекурсивная формула, вычисляющая сигму от последнего слоя к первому Вычисление величины модификации связи между нейронами Вычисление величины модификации связи между нейронами

Полный алгоритм обучения нейросети: 1. Подать на вход НС один из требуемых образов и определить значения выходов нейронов нейросети. 1. Подать на вход НС один из требуемых образов и определить значения выходов нейронов нейросети. 2. Рассчитать δN для выходного слоя НС и рассчитать изменения весов Δw ij выходного слоя N по формуле. 2. Рассчитать δN для выходного слоя НС и рассчитать изменения весов Δw ij выходного слоя N по формуле. 3. Рассчитать по формулам (11) и (13) соответственно δn и Δwi j для остальных слоев НС, n=N Рассчитать по формулам (11) и (13) соответственно δn и Δwi j для остальных слоев НС, n=N Скорректировать все веса НС 4. Скорректировать все веса НС 5. Если ошибка существенна, то перейти на шаг 1 5. Если ошибка существенна, то перейти на шаг 1

Поверхность решений диагностического алгоритма

Генетические алгоритмы Алгоритмы эвристического решения большого класса задач, основанные на эволюционной динамике. Преимущества – устойчивость к локальным минимумам, отсутствие необходимости знаний о характеристиках решаемой задачи. Алгоритмы эвристического решения большого класса задач, основанные на эволюционной динамике. Преимущества – устойчивость к локальным минимумам, отсутствие необходимости знаний о характеристиках решаемой задачи.

В чем генетика реализует приспособительные возможности организма Структура белков синтезируемых в организме Структура белков синтезируемых в организме Структура органов и тканей Структура органов и тканей Структура нервной сети (начальная) : Генетические программы, начальная точка обучения Структура нервной сети (начальная) : Генетические программы, начальная точка обучения

Литература Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: Учебное пособие 2-е изд.. М: Физматлит, 2006 Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: Учебное пособие 2-е изд.. М: Физматлит, 2006 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы 2-е изд.. М: Горячая линия-Телеком, 2008 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы 2-е изд.. М: Горячая линия-Телеком, 2008

Выводы по прошлому занятию Одной из самых мощных и быстрых на сегодняшний день самообучающихся диагностических систем (аналогов человеческих ощущений и восприятия) является модель многослойного перцептрона с возможностью самообучения - алгоритмом Back propagation error. Одной из самых мощных и быстрых на сегодняшний день самообучающихся диагностических систем (аналогов человеческих ощущений и восприятия) является модель многослойного перцептрона с возможностью самообучения - алгоритмом Back propagation error. В нервной системе человека аналогом самообучения является модификация химических синапсов. В нервной системе человека аналогом самообучения является модификация химических синапсов. Проблемой самообучения перцептронов является попадание в локальные минимумы поверхности решений, переобучение и необходимость внешнего учителя. Проблемой самообучения перцептронов является попадание в локальные минимумы поверхности решений, переобучение и необходимость внешнего учителя. Внешнего учителя можно заменить процессом формирования образа будущего результата действия и сличением этого образа с реальным результатом Внешнего учителя можно заменить процессом формирования образа будущего результата действия и сличением этого образа с реальным результатом Генетические алгоритмы (аналог естественного отбора в биологии) лишены проблемы локальных минимумов. Генетические алгоритмы (аналог естественного отбора в биологии) лишены проблемы локальных минимумов. Сочетание естественного отбора, задающего начальную точку обучения, наиболее близкую к вероятным «глобальным» минимумам и самообучения позволяет организму быстро адаптироваться в изменяющихся условиях среды Сочетание естественного отбора, задающего начальную точку обучения, наиболее близкую к вероятным «глобальным» минимумам и самообучения позволяет организму быстро адаптироваться в изменяющихся условиях среды

Сенсорный вход Предсказанный результат действия Моторный слой Мотивация Гностические нейроны

Langwith WEB (McLelland)

Классификация понятий в Langwith Web

ЦНС Логика Картина мира ВНС Потребности СНС Программы движений Манипуляции

Функциональные блоки мозга (А.Р. Лурия)

ЦНС Логика Картина мира ВНС Потребности СНС Программы движений Манипуляции Логика потребностей Потребность в логике Потребность в программах Манипуляция потребностями Логика поведения Логические программы

Литература Timothy T. Rogers, James L. McClelland Preсis of Semantic Cognition: A Parallel Distributed Processing Approach: BEHAVIORAL AND BRAIN SCIENCES (2008) 31, 689–749 Балин В.Д. Психическое отражение, С-Пб 2000 Горбунов И.А. Диагностические возможности психофизиологических характеристик человека// Автореф. На соиск. Уч. Степ. Канд. Псих. Наук, С-Пб, 2005

Выводы по предыдущему занятию Нейросеть на основе перцептрона распознающего образ среды, после моторного действия может быть принята как модель формирования функциональной системы (Анохин П.К.) с АРД. Нейросеть на основе перцептрона распознающего образ среды, после моторного действия может быть принята как модель формирования функциональной системы (Анохин П.К.) с АРД. Комбинация нейросетевой модели функциональной системы и мотивационной сети, воздействующей на нее с целью выделения подсети, способствующей удовлетворению той или иной потребности и связанной с внутренней средой организма позволяет предположить возможность моделирования самообучающейся системы, которая удовлетворяет собственные потребности с большей эффективностью Комбинация нейросетевой модели функциональной системы и мотивационной сети, воздействующей на нее с целью выделения подсети, способствующей удовлетворению той или иной потребности и связанной с внутренней средой организма позволяет предположить возможность моделирования самообучающейся системы, которая удовлетворяет собственные потребности с большей эффективностью Существуют самообучающиеся модели нейросети, описывающие семантические связи между понятиями. При обучении таких нейросетей могут формироваться обобщающие понятия (нейроны промежуточных слоев), и на основе ассоциаций такая модель «догадывается» о новых признаках того или иного объекта. Существуют самообучающиеся модели нейросети, описывающие семантические связи между понятиями. При обучении таких нейросетей могут формироваться обобщающие понятия (нейроны промежуточных слоев), и на основе ассоциаций такая модель «догадывается» о новых признаках того или иного объекта. Комбинация трех функциональных блоков нервной системы, прообразами которых могут являться перечисленные модели нейросетей, позволяет представить психогенез таких понятий как этика, эстетика, воля, привычки, ритуалы, мышление и рефлексия. Это одни из наиболее сложных психических явлений. Комбинация трех функциональных блоков нервной системы, прообразами которых могут являться перечисленные модели нейросетей, позволяет представить психогенез таких понятий как этика, эстетика, воля, привычки, ритуалы, мышление и рефлексия. Это одни из наиболее сложных психических явлений.

Определение ЭЭГ Впервые этот термин применен Бергером (Berger 1929): ЭЭГ - кривая полученная в результате регистрации электрической активности любого отдела мозга независимо от расположения электродов Впервые этот термин применен Бергером (Berger 1929): ЭЭГ - кривая полученная в результате регистрации электрической активности любого отдела мозга независимо от расположения электродов ЭЭГ – кривая регистрирующая электрическую активность с поверхности черепа больших полушарий мозга. ЭЭГ – кривая регистрирующая электрическую активность с поверхности черепа больших полушарий мозга. Смежные методы: Смежные методы: –ЭКоГ (электрокортикограмма) – непосредственно с поверхности коры мозга –ЭТГ (электроталамограмма) с поверхности таламуса –Электроцеребеллограмма - с поверхности мозжечка

Компоненты ЭЭГ Отдельные волны и Отдельные волны икомплексы Ритмы Ритмы

Отведение разности потенциалов

Электроэнцефалограф

Структурная схема цифрового электроэнцефалографа Блок коммутации Блок усилителей АЦП Интерфейс Компьютер Блок стимуляции Генератор калибровочных сигналов Испытуемый

Аналогово-цифровое преобразование

Отведения система 10-20% (Джаспер)

Вид сверху (Монополярное отведение)

Основные ритмы ЭЭГ НазваниеЧастотыСостояние Дельта1-4Гц Глубокий сон, Кома Тета5-7Гц Патологии (сниж. ФС) Альфа8-13Гц Норма, Фон ЗГ Бета114-20Гц Активность, стресс Бета221-30Гц Активное внимание Гамма30-Гц Активное внимание, мышление, сознание

Спектральный анализ

ЭЭГ ребенка 5 лет

ЭЭГ взрослого человека 22 г.

Литература Гусельников В.И. Электрофизиология головного мозга (курс лекций) М., Высшая школа, Гусельников В.И. Электрофизиология головного мозга (курс лекций) М., Высшая школа, Л. Р. Зенков Клиническая электроэнцефалография с элементами эпилептологии М. МедПрессИнформ 2004 Л. Р. Зенков Клиническая электроэнцефалография с элементами эпилептологии М. МедПрессИнформ 2004 Вассерман Е.Л., Карташев Н.К., Полонников Р.И. Распознавание типов патологии у детей с односторонними поражениями головного мозга с использованием анализа фрактальной динамики электроэнцефалограмм // Труды СПИИРАН Вып. 1. Т. 1. С. 333–345 Вассерман Е.Л., Карташев Н.К., Полонников Р.И. Распознавание типов патологии у детей с односторонними поражениями головного мозга с использованием анализа фрактальной динамики электроэнцефалограмм // Труды СПИИРАН Вып. 1. Т. 1. С. 333–345

Вызванные потенциалы мозга Занятие 2

Event-Related Potentials (Vaughan, 1969 ) В характеристиках ССП проявляется связь активности мозга с событиями во внешней среде: В характеристиках ССП проявляется связь активности мозга с событиями во внешней среде: –например, с предъявлением стимулов –во внешне наблюдаемом поведении испытуемого (например, с двигательной активностью) –с психологическими характеристиками активности испытуемого (например, с ожиданием или с принятием решения) [Rockstroh et al., 1982].

История Связь электрической активности мозга с событиями в окружающей среде и поведении впервые была продемонстрирована и описана англичанином Р.Кейтоном (Richard Caton) в 1875–1887 гг. и независимо от него русским ученым В.Я. Данилевским в 1875 г. [Brazier, 1984]. Связь электрической активности мозга с событиями в окружающей среде и поведении впервые была продемонстрирована и описана англичанином Р.Кейтоном (Richard Caton) в 1875–1887 гг. и независимо от него русским ученым В.Я. Данилевским в 1875 г. [Brazier, 1984]. В 1890–1891 гг. А. Беком были исследованы потенциалы на свет в окципитальной коре и на звук – в височной. В 1898 г. В.Е. Ларионовым было проведено сопоставление вызванной электрической активности в разных областях коры В 1890–1891 гг. А. Беком были исследованы потенциалы на свет в окципитальной коре и на звук – в височной. В 1898 г. В.Е. Ларионовым было проведено сопоставление вызванной электрической активности в разных областях коры

Параметры и особенности ВП Частотный диапазон Гц. В отдельных исследованиях до 3 кГц Частотный диапазон Гц. В отдельных исследованиях до 3 кГц Амплитуда 1-10 мкВ Амплитуда 1-10 мкВ Длительность мс Длительность мс Монополярный метод отведения (обычно) Монополярный метод отведения (обычно) Аналогово-цифровое преобразование Аналогово-цифровое преобразование Многократное предъявление Многократное предъявление Усреднение Усреднение

Усреднение В основе выделения ССП из сигнала ЭЭГ лежат следующие допущения: В основе выделения ССП из сигнала ЭЭГ лежат следующие допущения: –в ситуации многократного повторения события регистрируемый сигнал ЭЭГ (SUMi (t)) является суммой двух компонентов: спонтанной ЭЭГ Si(t) и потенциала, связанного с событием Pi (t); –компонент Si (t) распределен случайно для ряда последовательных повторений события; –компонент Pi (t) постоянен для всех повторений события, т.е. сигнал при i-м повторении события в момент t представляет сумму: –При суммировании N сигналов, зарегистрированных при последовательных повторениях события, компонент Pi(t) будет устойчив, a Si(t), как ошибка среднего значения, изменяется пропорционально величине 1/N. –Иногда среднее арифметическое целесообразно заменять медианой

Количество предъявлений при суммировании 25 реализаций ЭЭГ в полученном ССП отношение сигнал/шум будет 1 : 5, при суммировании 25 реализаций ЭЭГ в полученном ССП отношение сигнал/шум будет 1 : 5, при 100 реализациях – 1 : 10 при 100 реализациях – 1 : 10 Для обычных ВП и УНВ достаточно реализаций Для обычных ВП и УНВ достаточно реализаций Для стволовых ВП более 4000 Для стволовых ВП более 4000

Различные волны

Варианты последующего анализа Визуальное или компьютерное выделение амплитуд и латентностей определенных волн (P100,N200,P300) Визуальное или компьютерное выделение амплитуд и латентностей определенных волн (P100,N200,P300) Определение компонентов ВП отличающихся в различных состояниях или при предъявлении различных стимулов, при протекании различных психических процессов Определение компонентов ВП отличающихся в различных состояниях или при предъявлении различных стимулов, при протекании различных психических процессов Локализация дипольных источников потенциалов Локализация дипольных источников потенциалов

Приблизительное кодирование волн слуховых ВП (И.В. Равич- Щербо)

Результаты вычитания ВП (H. Hansen & S. Hillyard, 1982) (негативность рассогласования)

Стадии восприятия и осознавания (А.М.Иваницкий)

Многоуровневая модель НС Образ среды Сличение Действие Повторный вход возбуждения Мотонейрон

Повторный вход возбуждения (Дж.Эдельмена, А.М.Иваницкий)