Аннотация результатов, полученных в 2022 году
На основании ранее собранных экспериментальных данных мы разработали редуцированную экспериментальную модель, которая обладает неоспоримым преимуществом - позволяет создавать сценарии для реактивного социального взаимодействия в широком диапазоне. Экспериментальная модель предполагает погружение испытуемого в виртуальную среду социальных взаимодействий реактивного типа, в которой стимулы формируются на основе фотографий с эмоциональными выражениями лиц. Дополнительно мы проводим психологические опросы испытуемых для определения личностных характеристик. Сформированная парадигма тестирования включает четыре типа тестовых заданий (распознавание эмоций, реагирование на стоп-сигнал, тест Струпа, тест n-назад) и ориентирована на сбор исходных данных для достоверного определения клинически-значимых состояний депрессии. Для пакетной обработки экспериментальных ЭЭГ данных нами был разработан комплекс MATLAB-скриптов на базе библиотек eeglab, Mediation toolbox, SPM12, Neuroelf, производящих унификацию датасета, подготовку к 3D-реконструкции, и повоксельный медиационный анализ трехмерной модели. Нами был проведен анализ психометрических и нейрофизиологических данных, взятых из открытой базы, выложенной в свободный доступ на сайте ИЦиГ СО РАН (ICBrainDB dataset https://icbraindb.cytogen.ru/api-v2 ) с данными, полученными у примерно 2000 человек разного возраста (от 6 до 70 лет) и пола, проживающих в разных регионах Сибири и Монголии. База содержит результаты выполнения поведенческих тестов в нескольких парадигмах (odd-ball, поведенческая парадигма, парадигма оценки грамматической правильности в эмоциональных предложениях, парадигма выбора морально значимых решений) и фоновые записи без поведенческой нагрузки. Мы провели анализ эффективности парадигм и провели отбор данных из базы для определения наиболее релевантных экспериментальных парадигм. В качестве психологических характеристик, отражающих личностные особенности испытуемых, нами было отобрано 73 показателя, затем данные были разделены на два класса: испытуемые с диагностированной депрессией и контрольные испытуемые. В итоге, был сформирован датасет, включающий одновременно психологические, поведенческие и нейрофизиологические данные для двух групп людей – пациентов с депрессией и здоровых, контрольных участников. С учетом специфики нейрофизиологических исследований нами был подготовлен планировщик задач для кластера НКС-1П ССКЦ ИВМиМГ СО РАН для проведения обработки сформированного датасета деревом скриптов. Развернуто хранение исходных, промежуточных и итоговых результатов. Реализована поддержка операций, специфицированных на языке Python-программы, на высокопроизводительных вычислительных системах (кластерах) в системе вывода сценариев (планировщике расчетов) и в интерпретаторе сценариев (механизме их выполнения). Реализован прототип сетевого сервиса для управления выполнением операций, специфицированных на языке Python, по запросу интерпретатора сценариев. Разработаны необходимые для реализации массового выполнения Python-скриптов компоненты программного обеспечения. На основе отобранных из баз данных нами был сформирован массив данных, включающий психометрические и спектральные характеристики испытуемых, ориентированный на исследование и разработку алгоритмов классификации (диагностики) испытуемых методами машинного обучения. Методом усреднения подобных характеристик, адаптированным алгоритмом PCA и методом “вращение Varimax” мы выявили незначимые параметры и произвели четырехкратную редукцию размерности исходного датасета. Методом опорных векторов (Support Vector Machine) с жестким зазором (hard-margin SVM) мы определили разделяющую датасет гиперплоскость, которая показывает не менее, чем 97% надежность разделения испытуемых с диагнозом “большое депрессивное расстройство” и здоровых контрольных испытуемых на отдельные классы. Для планируемого развертывания разработанных методов в облаке на кластере Сибирского суперкомпьютерного центра СО РАН нами создан прототип веб-приложения в рамках концепции SaaS по обработке набора данных нейрофизиологических экспериментов на высокопроизводительных вычислительных системах. В рамках решения этой задачи: (а) определен концептуальный подход к организации вычислительных экспериментов на основе формализации знаний о вычислениях в предметной области в виде множества величин и множества операций; и произведено расширение вычислительной модели специфическими для нейрофизиологических экспериментов конструктами; (б) разработан формат описания значения величин предметной области в виде совокупности атрибутов, что обеспечивает создание объектного хранилища; (в) организовано файловое хранилище данных (хранение исходных, промежуточных и итоговых результатов объемом порядка 15 ТБ с поддержкой протоколов для автоматического и безопасного доступа к хранилищу с контролем версионности; (г) организовано хранилище для спецификации вычислительных моделей, задач на моделях и интерпретированные в ходе расчетов вычислительные модели; (д) реализован сетевой доступ пользователей к программному обеспечению по модели “программное обеспечение как сервис” (SaaS), предусматривающий создание для каждой расчетной задачи интерфейсное веб-приложение, доступное пользователю по сети; (е) разработана экспериментальная вычислительная парадигма, включающая такие операции как удаление нескольких каналов, смена референта, разбиение на эпохи, разбиение сигналов на группы на основе локализации электродов, усреднение сигналов, вычисление спектра сигналов.

Аннотация результатов, полученных в 2023 году
На основе ранее полученных экспериментальных данных мы разработали уникальную модель проведения нейрофизиологических исследований в парадигме реактивного социального взаимодействия: она заключается в изучении реакций испытуемого, погруженного в виртуальную среду социального взаимодействия, и включает сбор большого массива данных с помощью энцефалографии, психологических опросников и автоматизацию обработки этих данных. Был разработан набор программ на языке Python для первичной обработки нейрофизиологических данных. Программы из этого набора реализуют фильтрацию ЭЭГ в выбранном диапазоне частот, ререференсирование, унификацию и интерполяцию каналов. Также реализована очистка записей ЭЭГ от артефактов с использованием метода независимых компонент ICA и автоматизированное распознавание компонент с помощью метода ICLabel. Был разработан прототип SaaS-приложения --- комплекс программ для обработки нейрофизиологических данных на вычислительном кластере НКС-1П ССКЦ ИВМиМГ СО РАН. Этот прототип предоставляет пользователям возможность загрузки данных в хранилище, обработки данных на кластере с помощью сценариев автоматической обработки данных, составляемых из программ указанного выше набора. Пользователь имеет возможность отслеживать процесс обработки и просматривать результаты обработки. Информационная система, лежащая в основе этого прототипа, основана на концептуализации знаний о возможностях вычислений в данной предметной области в виде набора вычислительных моделей. Для каждой расчетной задачи было разработано веб-приложение с интерфейсом, включая обобщенный опросник, основанный на выявленных психометрических параметрах из опросников А. Бека, Л. Голдберга, Ч. Спилбергера, Бачарда, Басса-Перри и Грэя-Вильсона. Это приложение позволяет пользователям проходить опрос и получать результаты, основанные на анализе их ответов. Для всех задач сбора и обработки данных в рамках проекта были разработаны компоненты SaaS-приложения, позволяющие пользователям осуществлять загрузку соответствующих типов данных и управлять их обработкой. В частности, разработан компонент для реализации обобщенного опросника, основанного на выявленных значимых для исследования психометрических параметрах из опросников А. Бека, Л. Голдберга, Ч. Спилбергера, Бачарда, Басса-Перри и Грэя-Вильсона. Это приложение позволяет испытуемым проходить опрос и получать результаты, основанные на автоматизированном анализе их ответов. Определена уникальная характеристика испытуемого в виде его психологического портрета и осуществлена автоматическая классификация депрессивного состояния по уровням депрессии с использованием методов машинного обучения. Результаты автоматической классификации были подтверждены клиническим психологом в процессе интервью и оценивались по критериям МКБ-10. Таким образом, разработанный метод на позволяет автоматизировать определение степень тяжести депрессии у каждого испытуемого. Статистический метод анализа главных компонент (PCA), основанный на психологических опросниках и спектральных характеристиках ЭЭГ, был использован для редукции сложных данных и выявления наиболее важных переменных для разделения здоровых испытуемых и испытуемых с большим депрессивным расстройством из клиники Научно-исследовательского института нейронаук и медицины (данные опубликованы в статье https://ieeexplore.ieee.org/abstract/document/10225096). На основе уменьшенных данных, полученных в результате PCA, мы обучили модель классификации, чтобы отличить здоровых участников от участников с большим депрессивным расстройством. С помощью метода опорных векторов SVM на полученном двухмерном пространстве происходит разделение классов пациентов на здоровых и больных с вероятностью более 90%. Помимо уcтановленной корреляционной зависимости между психологическими характеристиками и уровнем депрессии, предполагалось изучить также связь между психологическими факторами и спектральными характеристиками ЭЭГ у участников с большим депрессивным расстройством. Ведь на уровень депрессии влияет множество факторов, как в доменной структуре RDoC, что описывалось в предыдущем году. Исследование показало, что существует значимая корреляция между тяжестью депрессии и спектральными характеристиками ЭЭГ. Полученные результаты позволяют предположить, что сочетание психологических опросников и спектральных характеристик ЭЭГ может стать полезным инструментом для диагностики и классификации большого депрессивного расстройства. Разработана эффективная виртуальная среда для реактивного социального взаимодействия, в которой реализована экспериментальная парадигма. При разработке использовались параметры клинически значимых состояний депрессии и психометрические данные, полученные в результате проведения различных тестов на распознавание эмоций, таких как тест Струпа, а также данные, полученные при тестировании показателей моторного контроля. Это позволяет создать различные сценарии взаимодействия, которые могут быть использованы для дальнейшего изучения депрессии и ее влияния на социальную сферу. Также были проведены дополнительные тесты на конвергентную и дискриминантную валидность данных. В результате анализа было установлено, что разработанная виртуальная среда демонстрирует высокую достоверность и соответствие клиническим диагнозам депрессивных состояний. Это позволяет использовать ее в дальнейших исследованиях для изучения влияния депрессии на социальную сферу и разработки новых методов лечения и поддержки пациентов. Эти инструменты могут быть полезны исследователям и специалистам в области нейрофизиологии и нейробиологии, помогая повысить точность анализа данных.