Отражение уровня сознания в психопатологии при мониторинге нейросетевых центров альфа-ритма электроэнцефалографии покоя
ПАТОФИЗИОЛОГИЯ — МЕДИЦИНЕ
Аннотация
Введение.Сознание является высшей психической функцией, интегрирующей внимание, память, индивидуальный опыт, эмоции, все модальности восприятия и обработки информации.Цельданного исследования состояла в теоретическом обосновании функциональной связи альфа-регулирующей системы мозга с модуляцией сознательной активности и выявлении патологических электроэнцефалографических паттернов альфа-ритма, характеризующих снижение уровня сознания.Материалы и методы.Было обследовано 40 пациентов (основная группа) с текущейсимптоматическойшизофренией, связанной с нейрокогнитивными и депрессивнымипризнаками, и 38 здоровых испытуемых (контрольная группа). Анализировали как неспецифические физические параметры альфа-волнового процесса — индекс, частоту и амплитуду, так и физиологические особенности альфа-колебаний — регулярность, авторитмичность (модуляция) и стабильность альфа-ритма электроэнцефалографии с использованием программ Win EEG, EEG Studio и Loreta-Key viewer. Были рассчитаны ряд показателей для альфа-ритма при шизофрении на основе когерентности в различных областях мозга, латентного периода десинхронизации, среднего количества вспышек и тонуса коры головного мозга.Результаты.При сравнении результатов анализа когерентности электроэнцефалографии между группами следует отметить значительные различия между уровнем интеграции в основной и контрольной группах. Нарушение когерентных процессов у пациентов с шизофренией генерализованное. В восьми межполушарных парах наблюдается либо значительное снижение уровня пространственной синхронизации (p <0,05; p <0,01; p <0,001), либо указанное направление дезинтеграции мозга проявляется на уровне тенденции. Латентный период десинхронизации альфа-ритма при открытых глазах превышает нормативные значения в 2,3 раза (p <0,05), а латентный период синхронизации основного ритма оказался в 1,6 раза больше нормативных значений (p <0,05). Глубина синхронизации у больных шизофренией была в 1,22 раза меньше нормы. Совокупность полученных данных связана с изменениями функционального состояния восходящей ретикулярной активирующей системы мозга. У пациентов среднее количество вспышек превышало нормативные значения в 2,5 раза (p <0,04), что указывает на увеличение степени пароксизмальности мозга и является объективным признаком дисфункции понтоталамических и гипоталамических структур.Выводы. На основе специфики изменений rs-альфа-ритма электроэнцефалографии можно оценить индивидуальный уровень сознания, а также возможную роль дезорганизации сознания в механизмах формирования симптомов шизофрении. Предложенная нами гипотеза о возможности электроэнцефалографической оценки уровня сознания на основе анализа основных параметров rs-альфа-ритма подтверждается.
Библиографические ссылки
1. Бельская К.А., Лытаев С.А. Электроэнцефалографическая оценка нейродинамических компонентов деятельности мозга при психопатологии и их возможной роли в развитии нейрокогнитивного дефицита. Российские биомедицинские исследования. 2024;9(1):24–33. https://doi.org/10.56871/RBR.2024. 59.18.004.
2. Кипятков Н.Ю., Скребцова Н.В., Лытаев С.А., Гайворонская В.В. Частотная вариативность колебаний альфа-диапазона на электроэнцефалограмме здоровых людей. Российские биомедицинские исследования. 2025;10(3):16–26. https://doi.org/10.56871/RBR.2025.52.46.002.
3. Wang Z., Yu J., Gao J., Bai Y., Wan Z. Muta PT: a multi-task pre-trained transformer for classifying state of disorders of consciousness using EEG signal. Brain Sciences. 2024;14(7):688. https://doi.org/10.3390/brainsci14070688.
4. Lytaev S. Interaction of sensitivity, emotions, and motivations during visual perception. Sensors. 2024;24(22):7414. https://doi.org/10.3390/s24227414.
5. Passaro A.P., Stice S.L. Electrophysiological analysis of brain organoids: current approaches and advancements. Front Neurosci. 2021;14:622137. https://doi.org/10.3389/fnins.2020.622137.
6. Мелашенко Т.В., Фомина М.Ю. Изменения электробиологической активности головного мозга у доношенных новорожденных с гипоксически-ишемической энцефалопатией. Педиатр. 2020;11(2):74–84. https://doi.org/10.17816/PED11273-84.
7. Markin K., Trufanov A., Frunza D., Litvinenko I., Tarumov D., Krasichkov A. et al. f MRI findings in cortical brain networks interactions in migraine following repetitive transcranial magnetic stimulation. Front Neurol. 2022;(13):915346. https://doi.org/10.3389/fneur.2022.915346.
8. Lytaev S. Long-latency event-related potentials (300–1000 ms) of the Visual Insight. Sensors. 2022;22(4):1323. https://doi.org/10.3390/s22041323.
9. Volzhenin K., Changeux J.P., Dumas G. Multilevel development of cognitive abilities in an artificial neural network. Proc Natl Acad Sci U S A. 2022;119(39):e2201304119. https://doi.org/10.1073/pnas.2201304119.
10. Kaushik P., Yang H., Roy P.P., Vugt M.V. Comparing resting state and task-based EEG using machine learning to predict vulnerability to depression in a non-clinical population. Sci Reps. 2023;13(1):7467. https://doi.org/10.1038/s41598-023-34298-2.
11. Kabbara A., Falou W.E., Khalil M., Wendling F., Hassan M. The dynamic functional core network of the human brain at rest. Sci Rep. 2017;(7)1: 2936. https://doi.org/10.1038/s41598-017-03420-6.
12. Li F., Peng W., Jiang Y. et al. The dynamic brain networks of motor imagery: time-varying causality analysis of scalp EEG. Int J Neural Syst. 2019;29(1):1850016. https://doi.org/10.1142/S0129065718500168.
13. Belskaya K., Lytaev S. Neural network dynamic centers of EEG alpha rhythm for objective assessment of the state of consciousness in psychopathological conditions. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Bioinformatics and Biomedical Engineering. 11th International Conference, IWBBIO 2024, Meloneras, Gran Canaria, Spain, July 15–17, 2024. Proceedings. Part I. 2024;LNBI;14848. P. 277–289. https://doi.org/10.1007/978-3-031-64629-4_23.
14. Dellen E.V., Börner C., Schutte M. et al. Functional brain networks in the schizophrenia spectrum and bipolar disorder with psychosis. NPJ Schizophrenia. 2020;6(1):22. https://doi.org/10.1038/s41537-020-00111-6.
15. Cui X., Ding C., Wei J. et al. Analysis of dynamic network reconfiguration in adults with attention-deficit/hyperactivity disorder based multilayer network. Cereb Cortex. 2021;31(11):4945–4957. https://doi.org/10.1093/cercor/bhab133.
16. Tsytsarev V. Methodological aspects of studying the mechanisms of consciousness. Behav Brain Res. 2022;419:113684. https://doi.org/10.1016/j.bbr.2021.113684.
17. Braun U., Schäfer A., Bassett D.S. et al. Dynamic brain network reconfiguration as a potential schizophrenia genetic risk mechanism modulated by NMDA receptor function. Proc Natl Acad Sci U S A. 2016;113(44):12568–12573. https://doi.org/10.1073/pnas.1608819113.
18. Zhao T., Zhu Y., Tang H., Xie R., Zhu J., Zhang J. H. Consciousness: new concepts and neural networks. Front Cell Neurosci. 2019;13: 302. https://doi.org/10.3389/fncel.2019. 00302.
19. Ramsay I.S., Lynn P.A., Schermitzler B., Sponheim S.R. Author correction: individual alpha peak frequency is slower in schizophrenia and related to deficits in visual perception and cognition. Sci Rep. 2021;11(1):17852. https://doi.org/10.1038/s41598-021-97303-6.
20. Jia S., Liu M., Huang P. et al. Abnormal alpha rhythm during self-referential processing in schizophrenia patients. Front Psychiatry. 2019;10:691. https://doi.org/10.3389/fpsyt.2019. 00691.
21. Zhu Z., Wang H., Bi H. et al. Dynamic functional connectivity changes of resting-state brain network in attention-deficit/hyperactivity disorder. Behav Brain Res. 2023;437:114121. https://doi.org/10.1016/j.bbr.2022.114121.
22. Calhoun V.D., Miller R., Pearlson G., Adali T. The chronnectome: time-varying connectivity networks as the next frontier in f MRI data discovery. Neuron. 2014;84(2):262–274. https://doi.org/10.1016/j.neuron.2014.10.015.
23. Zhang J., Hao Y., Wen X. et al. Subject-independent emotion recognition based on EEG frequency band features and self-adaptive graph construction. Brain Sciences. 2024;14(3):271. https://doi.org/10.3390/brainsci14030271.
24. Glausier J.R., Lewis D.A. Dendritic spine pathology in schizophrenia. Neuroscience. 2013;251:90–107. https://doi.org/10.1016/j.neuroscience.2012.04.044.
25. Mauney S.A., Pietersen C.Y., Sonntag K.C., Woo T.U.W. Differentiation of oligodendrocyte precursors is impaired in the prefrontal cortex in schizophrenia. Schizophr Res. 2015;169(1–3):374–380. https://doi.org/10.1016/j.schres.2015.10.042.
26. Klimesch W., Sauseng P., Hanslmayr S. EEG alpha oscillations: the inhibition-timing hypothesis. Brain Res Rev. 2007;53(1):63–88. https://doi.org/10.1016/j.brainresrev.2006.06.003.
27. Mashour G.A., Roelfsema P., Changeux J.P., Dehaene S. Conscious processing and the global neuronal workspace hypothesis. Neuron. 2020;105(5):776–798. https://doi.org/10.1016/j.neuron.2020.01.026.
28. Zhang R., Zeng Y., Tong L., Yan B. Specific neural mechanisms of self-cognition and the application of brainprint recognition. Biology. 2023;12(3):486. https://doi.org/10.3390/biology12030486.
29. Sigawi T., Hamtzany O., Shakargy J.D., Ilan Y. The constrained disorder principle may account for consciousness. Brain Sci. 2024;14(3):209. https://doi.org/10.3390/brainsci14030209.
30. Choi S.O., Choi J.G., Yun J.Y. A study of brain function characteristics of service members at high risk for accidents in the military. Brain Sci. 2023;13(8):1157. https://doi.org/10.3390/brainsci13081157.
31. Montoya I., Montoya D. What is it like to be a brain organoid phenomenal consciousness in a biological neural network. Entropy. 2023;25(9):1328. https://doi.org/10.3390/e25091328.
32. Jeziorski J., Brandt R., Evans J.H. et al. Brain organoids, consciousness, ethics and moral status. Semin Cell Dev Biol. 2023;144:97–102. https://doi.org/10.1016/j.semcdb.2022.03.020.
33. Xiang J., Sun Y., Wu X. et al. Abnormal spatial and temporal overlap of time-varying brain functional networks in patients with schizophrenia. Brain Sci. 2024;14(1):40. https://doi.org/10.3390/brainsci14010040.
34. Wannan C.M.J. et al. Evidence for network-based cortical thickness reductions in schizophrenia. Am J Psychiatry. 2019;176(7): 552–563. https://doi.org/10.1176/appi.ajp.2019.18040380.
35. Bessa J.M., Morais M., Marques F. et al. Stress-induced anhedonia is associated with hypertrophy of medium spiny neurons of the nucleus accumbens. Transl Psychiatry. 2013;3(6):e266. https://doi.org/10.1038/tp.2013.39.
36. Lytaev S. Psychological and neurophysiological screening investigation of the collective and personal stress resilience. Behav Sci (Basel). 2023;13(3):258. https://doi.org/10.3390/bs13030258.
37. Brookes M.J., Leggett J., Rea M. et al. Magnetoencephalography with optically pumped magnetometers (OPM-MEG): the next generation of functional neuroimaging. Trends Neurosci. 2022;45(8):621–634. https://doi.org/10.1016/j.tins.2022.05.008.
38. Lytaev S. Short time algorithms for screening examinations of the collective and personal stress resilience. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). International Conference on Human-Computer Interaction. 2023;LNAI;14017. P. 442–458. https://doi.org/10.1007/978-3-031-35392-5_34.
39. Johnson H.M. Anxiety and hypertension: is there a link a literature review of the comorbidity relationship between anxiety and hypertension. Curr Hypertens Rep. 2019;21(9):66. https://doi.org/10.1007/s11906-019-0972-5.
40. Török N., Maszlag-Török R., Molnár K. et al. Single nucleotide polymorphisms of indoleamine 2,3-dioxygenase 1 influenced the age onset of Parkinson’s disease. Front Biosci (Landmark Ed.). 2022;27(9):265. https://doi.org/10.31083/j.fbl2709265.
41. Arkhipov A.Y., Nurbekov M.K., Strelets V.B. Incongruence of neurophysiological manifestations as reflection of disturbances in synaptic pruning of the cortex in paranoid schizophrenia. Research square. 2021. https://doi.org/10.21203/rs.3.rs-928057/v1.
42. Fromer M., Roussos P., Sieberts S.K. et al. Gene expression elucidates functional impact of polygenic risk for schizophrenia. Nat Neurosci. 2016;19(11):1442–1453. https://doi.org/10.1038/nn.4399.
43. Lytaev S., Belskaya K. Levels of consciousness in psychopathology according to monitoring of neural network centers alpha rhythm RS-EEG. Bulletin of Electrical Engineering and Informatics. 2025;14(4):3133–3145. https://doi.org/10.11591/eei.v14i4.9546.
44. Lytaev S., Belskaya K. Neural network of alpha rhythm Rs-EEG activity for the Assessment of consciousness in psychopathology. OBM Neurobiology. 2025;9(3):299. https://doi.org/10.21926/obm.neurobiol.2503299.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
