Тренировка когнитивных функций: перспективные исследования в России

Козловский С.А. Московский государственный университет имени М.В. Ломоносова

Вартанов Александр Валентинович Московский государственный университет имени М.В. Ломоносова

Величковский Борис Борисович Московский государственный университет имени М.В. Ломоносова

Одним из первых, кто обратил вни­мание на пластичность нервной систе­мы, был русский физиолог Иван Петро­вич Павлов, который в своей классиче­ской работе «Двадцатилетний опыт объективного изучения высшей нервной деятельности животных» писал: «Глав­нейшее, сильнейшее и постоянно оста­ющееся впечатление от изучения выс­шей нервной деятельности нашим мето­дом — это чрезвычайная пластичность этой деятельности, ее огромные возможности: ничто не остается неподвижным, неподатливым, а все всегда может быть достигнуто, изменяться к лучшему, лишь бы были осуществлены соответствующие условия» (Павлов И.П., 1973, с. 395). Поз­же, благодаря работам профессора фа­культета психологии МГУ Александ­ра Романовича Лурия было доказано, что способность одних отделов мозга брать на себя функции других мозговых отделов может быть успешно примене­на в клинике для разработки психоло­гических методик восстановления утра­ченных психических функций у людей с поражениями различных отделов головного мозга (Лурия А.Р., 1959).

С конца XX века после открытия стволовых клеток и нейротрофических факторов различные широко применяе­мые на практике нейропсихологические и педагогические методики получили физиологическое обоснование. Стало ясно, что могут быть разработаны пси­хологические методики активации (тре­нировки), которые улучшают когнитив­ные функции человека. Возможность изменения последних путем целена­правленных тренировочных воздейст­вий представляется важной, так как са­мые разные популяции людей характе­ризуются более или менее выраженны­ми нарушениями в когнитивной сфере. Такие нарушения, например, сопровождают случаи патологического развития (синдром гиперактивности и дефицита внимания) и многочисленные психиат­рические расстройства (шизофрения). Кроме того, проблематика компенсации когнитивных нарушений актуальна для людей пожилого возраста, у которых после 50—60 лет наблюдаются сущест­венные ухудшения в работе ряда этих функций (Craik F.I.M., Bialystock E., 2006).

Эффективность когнитивных функ­ций является важной предпосылкой вы­сокого качества жизни современного человека. Широкое распространение их нарушений, вызванных различными причинами, ставит вопрос о способах преодоления и компенсации этих нару­шений. Одним из методов, позволяю­щих приблизится к решению данной важной проблемы, является целенаправленная тренировка когнитивных функций (или когнитивная тренировка). Под ней понимается систематиче­ское и регулярное выполнение заданий, активирующих отдельные когнитивные функции, с целью устойчивого улучше­ния их функционирования. В последние годы такая тренировка пользуется рас­тущей популярностью как метод ком­пенсации когнитивных нарушений при различных заболеваниях и нормальном старении (Величковский Б.Б., 2009).

Результаты экспериментальных ис­следований показывают, что программы когнитивной тренировки могут приво­дить не только к кратковременному, но и к долговременному улучшению трени­руемых функций. Кроме того, иногда удается добиться переноса положитель­ного эффекта на другие когнитивные функции (схожие с тренируемыми функ­циями, но не идентичные им). Когнитивная тренировка может также влиять на физиологические и структурные из­менения мозга (McNab F. et al., 2009). Однако факторы, определяющие ее эф­фективность, все еще не полностью по­нятны, и в целом теоретически обосно­ванный выбора состава тренировочных заданий и режима их предъявления оста­ется, скорее, идеалом для большинства исследователей и практиков, исполь­зующих этот метод. Несмотря на это, разработка программ когнитивной тренировки и оценка их эффективности является перспективной областью пси­хологических исследований, имеющей важное прикладное значение (Величковский Б.Б., 2009).

В настоящее время на базе факуль­тета психологии МГУ имени М.В. Ломо­носова и Института когнитивных иссле­дований РНЦ «Курчатовский институт» нами проводятся исследования в области когнитивной тренировки, программа которых ориентируется на активизацию таких когнитивных функций, как когни­тивный контроль, внимание и память. Их выбор обусловлен тем, что именно данные функции в наибольшей степени угасают при нормальном и патологиче­ском старении, а это в значительной мере снижает качество жизни пожилых людей.

Проводимая нами работа направле­на на изучение эффективности когни­тивной тренировки как в популяции молодых людей, так и в популяции лю­дей среднего и пожилого возраста. Мы затрагиваем два вопроса, которые суще­ственно выходят за рамки стандартных работ по когнитивной тренировке и мо­гут расширить имеющиеся сегодня пред­ставления об этой методике. Во-первых, рассматривается проблема оптимизации режима тренировки. Во-вторых, разрабатываются объективные методы неин­вазивной оценки интенсивности вы­званных ею мозговых изменений.

Центральную роль в определении эффективности тренировочных воздей­ствий играет выбор их режима. Исходя из опыта наиболее известных исследований последних лет (например, Jaeggi S.M. et al., 2008), можно полагать, что трениро­вочные процедуры являются особенно эффективными, если они носят адап­тивный характер. Целью адаптивной на­стройки режима тренировки, прежде всего, является поддержание уровня сложности заданий в оптимальном диапазоне. Оптимальным считается уро­вень сложности, при котором тренирую­щийся выполняет задания, соответст­вующие имеющемуся у него уровню раз­вития когнитивной функции. Это, в частности, означает, что он вынужден при­лагать некоторое усилие для успешного выполнения задания, однако способен делать это без значительного количест­ва ошибок.

В настоящее время реализация адап­тивного режима тренировки основыва­ется на использовании достаточно про­стой лестничной (staircase) процедуры, получившей также название (n-вверх, m-вниз) (Levitt H., 1971). Процедура за­имствована из психофизиологии, где используется для определения величи­ны сенсорных порогов. Например, при определении абсолютных порогов суть процедуры (1-вверх, 1-вниз) заключает­ся в том, что испытуемому в пробе t предъявляется стимул интенсивности i,, и если испытуемый дает отрицательный ответ (не воспринимает стимул), то интенсивность следующего стимула увели­чивается на некоторую заранее опреде­ленную величину S (i,₊₁ = i, + δ). Если же испытуемый дает положительный ответ (воспринимает стимул), то интенсивность следующего стимула уменьша­ется (i_i+1 = i_t - δ). В результате интенсив­ность предъявляемых стимулов сходит­ся к значению, для которого вероятность снижения примерно равна вероятности повышения. Это значение, очевидно, соответствует сенсорному порогу, определяемому как медиана психометриче­ской функции.

Другие варианты данной процедуры ориентируются на схождение к порого­вому значению, определяемому через другую вероятность положительного от­вета, но сохраняют представленную только что основную идею. Например, широко используемый метод (1-вверх, 3-вниз) (повышает интенсивность сти­мула при одной единственной ошибке и понижает интенсивность стимула только после трех данных подряд положи­тельных ответах) ориентирован на опре­деление порога, соответствующего точ­ке психометрической кривой с 77%-ной вероятностью положительного ответа. Преимуществом этого класса адаптив­ных методов является то, что они позво­ляют выяснить значение порога сущест­венно быстрее, чем классические мето­ды, ориентированные на определение психометрической кривой путем много­кратного предъявления стимулов из все­го диапазона интенсивности.

Перенос данного метода в область адаптивной когнитивной тренировки осуществляется достаточно просто. Предполагается, что порог соответству­ет текущему уровню развития тренируемой когнитивной функции, а интенсив­ность стимула — уровню сложности за­дания. Тогда метод (3-вверх, 1-вниз) за­ключается, например, в том, что после каждой ошибки, совершенной испытуе­мым, сложность следующего задания снижается на определенную величину δ, а после трех последовательных правиль­ных ответов — повышается на ту же ве­личину. За счет адаптивной конверген­ции использование данного метода по­зволяет предъявлять испытуемому зада­ния, сложность которых через некото­рое время после начала тренировки при­мерно соответствует уровню развития у него целевой когнитивной функции. Кроме того, такой алгоритм адаптивно­сти без каких-либо дополнительных мо­дификаций обеспечивает постоянную настройку сложности предъявляемых заданий на изменения уровня развития тренируемой функции (которые явля­ются основной целью тренировки).

Несмотря на широкое распростране­ние описанного выше метода, может быть поставлен вопрос о дальнейшем повышении эффективности адаптивных методов когнитивной тренировки. Нам представляется, что эффективность тре­нировки критически зависит от того, насколько точно адаптивный алгоритм позволяет определить текущий уровень развития тренируемой функции. Ведь при значительном отклонении оценен­ного уровня развития функции от «ис­тинного» значения алгоритм теряет спо­собность подбирать такой уровень слож­ности тренировочных заданий, который был бы адекватен возможностям трени­рующегося. Формально можно предположить, что существует убывающая за­висимость между тренировочным эф­фектом, вызываемым выполнением того или иного задания, и его «трудностью». Под трудностью задания мы понимаем разность между его объективной слож­ностью и истинным уровнем развития тренируемой функции [1]. Представляется очевидным, что большие ошибки при определении актуального уровня разви­тия когнитивной функции приводят к завышению абсолютного значения труд­ности тренировочных заданий и, как следствие, к снижению эффективности тренировки в целом.

В настоящее время в психологиче­ской литературе полностью отсутствуют исследования, посвященные изучению формы зависимости между трудностью тренировочного задания и вызываемым им тренировочным эффектом (эту зави­симость в дальнейшем мы будем обозначать термином «функция трудности»).

Очевидно, что использование адап­тивных методов, позволяющих опреде­лить истинный уровень развития трени­руемой когнитивной функции за мень­шее количество шагов и с большей точностью, чем традиционные адаптивные методы, крайне желательно. В том слу­чае, если наши представления о форме функции трудности в принципе верны, высокие скорость и точность определе­ния текущего уровня развития должны приводить к росту эффективности ког­нитивной тренировки, так как меньшее количество тренировочных заданий бу­дет отличаться завышенной абсолютной трудностью. Чтобы показать принципи­альную возможность повышения эффективности тренировочных воздейст­вий, мы провели вычислительный экс­перимент, в котором смоделировали влияние различий в точности определе­ния текущего уровня развития тренируемой функции на конечную эффектив­ность гипотетической программы ког­нитивной тренировки.

В рамках проведенного вычисли­тельного эксперимента были сделаны следующие допущения. Функция труд­ности моделировалась в виде П-образной функции, симметричной относи­тельно 0. Важным параметром функции трудности является ее дискриминативность (d). Этот параметр определяет, в какой мере прирост в уровне развития тренируемой функции чувствителен к увеличению трудности заданий. При высоких значениях d даже задания с вы­сокой трудностью приводят к увеличе­нию уровня развития тренируемой ког­нитивной функции. При низких значениях d задания только задания с отно­сительно невысокой абсолютной труд­ностью приводят к росту уровня разви­тия тренируемой функции.

Кроме того, мы предполагали, что идеальный алгоритм адаптивности спо­собен безошибочно определять актуаль­ный уровень развития тренируемой функции и, следовательно, предъявлять тренирующемуся задания нулевой труд­ности. Соответственно, при моделиро­вании реальных алгоритмов адаптивно­сти мы исходили из того, что каждый алгоритм характеризуется определенным разбросом оценок текущего уров­ня развития тренируемой функции от­носительно его истинного значения. Упрощая, мы предположили, что рас­пределение отклонений оценок уровня развития тренируемой функции относи­тельно его истинного значения подчи­няется нормальному распределению с центром в 0 и стандартным отклонени­ем q. Параметр q является (обратным) показателем качества конкретного алго­ритма в том смысле, что при увеличении q снижается точность определения акту­ального уровня развития тренируемой функции.

В ходе эксперимента для различных значений дискриминативности функ­ции трудности и различных значений параметра качества адаптивных алгорит­мов было реализовано 100 симулирован­ных программ тренировки. Каждая про­грамма состояла из 100 тренировочных заданий, трудность которых определя­лась путем выбора случайного значения из соответствующего распределения ошибок, совершаемых адаптивными ал­горитмами при оценке актуального уровня развития тренируемой функции. Подставляя трудность каждого тренировочного задания в соответствующую функцию трудности, мы имели возмож­ность оценить величину тренировочно­го эффекта, возникающего в результате выполнения этого задания [2].

На рисунке 1 представлены трениро­вочные кривые, полученные на основе аккумулирования усредненных трени­ровочных эффектов для различных зна­чений d и q. Как видно из представленных графиков, использование алгорит­мов с более высоким качеством стабиль­но приводит к заметно лучшему тренировочному эффекту. Например, можно видеть, что тренировочная кривая, соот­ветствующая алгоритму с наивысшим качеством (q = 0,5) во всех случаях ле­жит выше тренировочных кривых, по­лученных для алгоритмов с менее высо­ким качеством. Как и ожидалось, это различие особенно ярко выражено при самом низком значении дискриминативности (d = 1), т. е. когда тренировоч­ный эффект особенно чувствителен к трудности предъявляемых заданий. Сле­дует отметить, что преимущество точных алгоритмов сохраняется (хотя и в мень­шей степени) и тогда, когда значения d существенно увеличиваются (т. е. когда тренировочный эффект в меньшей сте­пени зависит от трудности предлагаемых заданий).

Рисунок 1. Графики прироста уровня развития тренируемой функции для различных значений дискриминативности (d = 1, 2, 3) и качества адаптивных алгоритмов (q = 0.5, 1.0, 1.5). Результаты 100 симулированных экспериментов

Представленные выше результаты были получены на основе существенных допущений и упрощений, и реальные эмпирические соотношения между по­казателями эффективности тренировоч­ных воздействий и параметрами адап­тивных алгоритмов не будут полностью соответствовать описанной выше моде­ли. Однако приведенные данные свиде­тельствуют о заметном преимуществе адаптивных алгоритмов, обладающих высокой точностью определения акту­ального уровня развития тренируемой функции, в широком диапазоне значе­ний параметра дискриминативности. Это позволяет обосновать дальнейшие исследования путей замены используе­мых сегодня в программах когнитивной тренировки простых адаптивных проце­дур подбора тренировочных задания другими, более качественными процеду­рами. В частности, речь может идти об утилизации в программах когнитивной тренировки вычислительно более слож­ных адаптивных процедур определения сенсорных порогов, основанных на под­гонке психометрической кривой мето­дом максимального правдоподобия (Leek M.R., 2001).

Симуляционные исследования (на­пример, Linschoten M.R. et al., 2001) по­казывают, что методы подгонки психо­метрической кривой могут превосходить простые лестничные методы по точно­сти определения истинного значения порога (при этом наблюдается пример­но двукратное различие в величине ти­пичного разброса оценок), а также по скорости достижения заданного уровня точности оценки. Применительно к за­даче обеспечения эффективного режи­ма когнитивной тренировки это означа­ет, что использование более сложных адаптивных методов позволяет добить­ся большего прироста тренируемой спо­собности за отведенное для тренировки время или сократить время, необходи­мое для получения аналогичного трени­ровочного эффекта. Последнее особен­но важно при работе со специальными популяциями, которые часто являются основными «потребителями» программ когнитивной тренировки: дети с син­дромом гиперактивности и дефицита внимания, пожилые люди с когнитив­ными нарушениями и люди с различно­го рода психиатрическим нарушениями.

Во всех перечисленных случаях воз­можность сокращения длительности тренировки и уменьшение частоты из­лишне простых/сложных тренировоч­ных заданий (способных вызывать нега­тивную реакцию со стороны тренирую­щихся) за счет более точного определе­ния уровня развития тренируемой функ­ции, безусловно, представляет большой интерес. Это позволяет снизить негатив­ные эффекты, связанные с демотивиро­ванностью тренирующихся, их утомлением и т. п. В этом смысле дальнейшие исследования в направлении повыше­ния эффективности тренировочных воз­действий путем оптимизации режимов адаптивности представляются нам край­не перспективными.

Возникновение устойчивых во вре­мени позитивных изменений уровня когнитивного функционирования воз­можно, в первую очередь, тогда, когда когнитивная тренировка приводит к функциональным и структурным изме­нениями мозга. Исследование нейроге­неза взрослого мозга — одно из наибо­лее интенсивно развивающихся направ­лений современной нейробиологии. Получены данные о принципиальной возможности искусственного модулиро­вания нейрогенеза. В экспериментах на лабораторных мышах и крысах описано несколько способов такого воздействия. Один из них — блокада фермента синте­за оксида азота — NO-синтазы, при ко­торой уменьшается продукция NO и, как следствие, интенсифицируется нейроге­нез (возможно в связи с интенсификаци­ей экспрессии BDNF и других нейротрофинов) (Katoh S.R. et al., 1997). Кроме того, существуют многочисленные кор­реляционные исследования, косвенно свидетельствующие, что продолжитель­ные психологические воздействия могут приводить к структурным изменениям мозга взрослого человека (Вартанов А.В. и др., 2009). В частности, показано, что продолжительное (15 месяцев) обучение игре на музыкальных инструментах при­водит к структурным изменениям головного мозга (Hyde K.L. et al., 2009).

Вместе с тем, используемые в настоя­щее время в мировой практике методы обнаружения подобных изменений име­ют ряд ограничений. Волюметрический метод недостаточно точен для выявле­ния слабых структурных изменений (Vullo Т. et al., 1996). Биохимические и гистологические методы, хотя и чрезвы­чайно точно диагностируют процесс нейрогенеза, являются инвазивными и поэтому применимы лишь в экспери­ментах на животных. Диагностика изме­нения содержания нейромедиаторов в различных отделах мозга до и после тренировки, выявляемого методом позитронно-эмиссионной томографии, явля­ется лишь косвенным методом и не мо­жет служить доказательством процесса нейрогенеза. Аналогичный недостаток имеют и исследования влияния когни­тивной тренировки на потребление ки­слорода различными областями коры го­ловного мозга на основе функциональ­ной магниторезонансной томографии.

На наш взгляд, наиболее перспек­тивными неинвазивными методами вы­явления нейрогенеративных и нейродегенеративных изменений мозга взросло­го человека в настоящее время являют­ся два специально разработанных нами метода — метод визуализации локальных структурных изменений головного моз­га (Vartanov A.V., Kozlovsky S.F., Velichk- ovsky B.B., 2009) и метод выявления сме­шанных сигналов в магниторезонанс­ной спектроскопии (МРС).

Задача идентификации небольших морфологических изменений, возни­кающих в результате нейродегенеративных и нейрогенеративных процессов, является достаточно сложной. При решении этой задачи (возникающей не только в рамках оценки эффективности когнитивной тренировки, но и при не­обходимости ранней диагностики раз­личных болезней, таких, как болезнь Альцгеймера и шизофрения) эксперт — специалист по медицинской радиологии — на настоящий момент располагает только возможностью «ручного» сопо­ставления нескольких томографических изображений. При этом возникают сле­дующие проблемы.

1. Затруднено точное пространствен­ное соотнесение этих изображений — даже при небольшом изменении про­странственной ориентации головы па­циента по отношению к приемным дат­чикам томографического аппарата при повторном обследовании возникают ложные локальные различия в яркости, особенно на границе разделения мозго­вых тканей, которые можно легко спу­тать со структурными изменениями.

2. Магнитно-резонансные томо­граммы головного мозга человека полу­чаются в относительных единицах — яр­кость разных вокселей получаемых в разных обследованиях изображений существенно различается, поскольку она зависит от многих параметров съема сиг­нала, а прибор калибруется заново при каждом новом обследовании. Поэтому нельзя прямо соотносить яркость от­дельных вокселей разных изображений.

3. Многие мозговые структуры не имеют четко очерченных границ, позво­ляющих выделить их на томограмме в виде бинарного черно-белого контраст­ного изображения. В частности, переход между белым и серым веществом коры происходит плавно — концентрация серого вещества постепенно убывает на некотором протяжении (несколько мил­лиметров), в то время как концентрация белого вещества также постепенно воз­растает, что, например, соответствует на Т-1 томографическом изображении пе­реходу от низкой к высокой относитель­ной яркости. В связи с этим небольшие структурные изменения мозга, связан­ные с увеличением количества нейронов и нервных путей, могут проявляться в пространственном сдвиге всей линии изменения яркости изображения, а не только в смещении четко очерченных границ. Такие небольшие изменения практически невозможно заметить «на глаз» при сопоставлении двух (зашум­ленных) изображений.

Предлагаемый нами метод автомати­ческого выявления слабых локальных структурных изменений головного моз­га позволяет решить вышеуказанные проблемы. В основе метода лежит эф­фект изменения яркости отдельных вокселей МРТ-изображения при локаль­ных изменениях соотношения серого/ белого вещества в результате любых про­цессов, приводящих к структурным из­менениям головного мозга (нейрогенез, апоптоз, канцерогенез, гематомы и пр.). Благодаря комплексному сочетанию и модификации ряда известных приемов анализа различных изображений и пе­реходу к анализу полных трехмерных томографических изображений голов­ного мозга новый метод позволяет ре­шить проблему корректной ориентации полученных при повторных обследова­ниях томографических изображений (сравниваются инвариантные к сдвигу и повороту представления дан­ных), а также проблему устранения «шума».

Таким образом, при использовании предлагаемого метода для сравнения то­мографических изображений, сделан­ных до и после изменяющего процессы нейрогенеза воздействия, становится возможным не только выявить наличие/ отсутствие эффекта воздействия, но и определить его интенсивность и точно локализовать отделы мозга, в которых произошли изменения. Эти свойства разрабатываемого метода делают его важным инструментом для объективной оценки того влияния, которое различ­ные программы когнитивной трениров­ки могут оказывать на головной мозг человека.

Проводимые нами исследования в области разработки методов сопоставле­ния структурных томографических изображений с целью регистрации про­цессов нейрогенеза на уровне морфологических изменений дополняются ис­следованиями в области магнитно-резо­нансной спектроскопии. В литературе могут быть найдены свидетельства того, что процессы нейрогенеза обнаруживают характерные признаки на магниторе­зонансном спектре (Manganas L.N. et al., 2007). Выявление этих слабых призна­ков (интенсивность которых уменьша­ется с возрастом) может стать еще одним способом диагностики эффектов влия­ния тренировочных воздействий на про­цессы нейрогенеза у взрослого челове­ка in vivo. В недавно опубликованной серии экспериментов (Enikolopov G. et al., 2007) был представлен новый подход к неинвазивному выявлению нейрогенеза в живом мозге животных и челове­ка. Этот подход, основанный на приме­нении МРС, выявил биомаркер нейро­генеза со спектральной частотой 1.28 ppm. Изменения в количестве этого био­маркера коррелируют с изменениями в нейрогенезе при развитии и при старе­нии, а также с наличием модулирующих нейрогенез экспериментальных воздей­ствий. В этой серии экспериментов вы­деление пика 1.28 ppm производилось с использованием высокочувствительного метода Singular Value Decomposition (SVD). На этом пути, однако, возникают существенные технические пробле­мы, связанные с тем, что этот сигнал очень слаб и практически не отличается от шумов, сопровождающих МРС иссле­дования [3].

В связи с этим нами был разработан новый метод разделения смешанных сигналов, получаемых при магнитно­резонансной томографии и спектроско­пии мозга. Новый метод разделения смешанных сигналов является более эффек­тивным по сравнению с такими извест­ными и широко используемыми в раз­личных областях методами, как метод усреднения и частотной фильтрации. Обычно предполагается, что при усред­нении ряда реализаций сигнала, с кото­рым смешаны другие сигналы (шумы), неизменно повторяющаяся составляющая сохраняется, в то время как шум уменьшается пропорционально числу реализаций. В результате такой проце­дуры подавления шума общее соотно­шение сигнал/шум улучшается. Однако такой подход дает хорошие результаты лишь при больших выборках и слабом, гомогенно распределенном по отноше­нию к сигналу шуме. При частотной фильтрации необходимо априорное зна­ние характера шума, в частности, его частотного диапазона. Однако при по­давлении шума также происходит и ис­кажение нужного сигнала.

Новый метод базируется на противо­положной идее — не на подавлении, а на выделении варьирующего сигнала с по­следующим вычитанием его из усреднен­ного сигнала. В простом случае в резуль­тате работы алгоритма удается эффек­тивно разделить варьирующую и константную части, содержащиеся в анали­зируемых образцах, по небольшому чис­лу случаев. Исходный уровень варьирую­щего шума по отношению к константно­му сигналу может быть очень большим, также отсутствуют ограничения на ха­рактер шума — возможны значительные отдельные выбросы или «помехи». Одна­ко предлагаемый метод позволяет решать и более сложную задачу, когда необходи­мо кроме выделения константной части по набору реализаций также найти от­дельные типы вариаций. Это важно в тех случаях, когда в реализациях, кроме шума, смешаны несколько разных сиг­налов с заранее неизвестными парамет­рами. Единственным условием является то, что в анализируемых образцах неиз­вестные сигналы должны быть смешаны в разных пропорциях.

Анализ вариаций позволяет стати­стически оценить число смешанных сиг­налов и выделить каждый из них в от­дельности. Устойчивость решения, од­нако, зависит не только от работы алгоритма, но и от набора анализируемых данных. Повысить устойчивость и эф­фективность работы предлагаемого ме­тода можно путем простого добавления к набору вновь анализируемых данных некоторого стандартного (эталонного) набора заранее прокалиброванных об­разцов. Нами были разработаны про­граммные средства, реализующие пред­ложенный метод, на основе которых было проведено тестирование его эф­фективности. Показано, что его приме­нение позволяет осуществить декомпо­зицию одновременно по нескольким (пока используются 8 известных) пикам ЯМР спектра и выделять слабые, низко­амплитудные пики, сравнимые с шу­мом, в частности, искомый пик на час­тоте 1.28 ppm. Вычислительные экспе­рименты оказывают, что добавление шума в 20% от максимума наибольшего пика существенно затрудняет процесс выделения слабых компонентов. Тем не менее, возможности нового алгоритма позволяют осуществить его специальную настройку для выделения пиков в отдельной области, где, как можно ожи­дать, уровень шума будет не столь зна­чительным и удастся выделить пик 1.28 ppm. Кроме того, разработанный алго­ритм носит универсальный характер, так как позволяет выделять и другие пики ЯМР спектра, свидетельствующие о на­личии альтернативных биомаркеров нейрогенеза.

Таким образом, проводимые нами исследования направлены не только на составление программ когнитивной тре­нировки и доказательство их эффектив­ности. Исследования такого рода сего­дня достаточно распространены в миро­вой психологии и, к сожалению, часто осуществляются путем «проб и ошибок». В рамках данного исследовательского проекта нам представляется важным сконцентрироваться на расширении теоретических представлений о меха­низмах действия этого метода компен­сации когнитивных нарушений, а так­же на разработке новых процедур диагностики вызываемых когнитивной тре­нировкой объективных изменений ней­рофизиологического субстрата. Это по­зволит ближе подойти к возможности более полного теоретического описания процессов, обеспечивающих восстанов­ление и функциональное развитие ког­нитивной сферы человека в результате направленных тренировочных воздейст­вий. В целом мы видим значительные перспективы практического примене­ния методов когнитивной тренировки при работе со специальными популя­циями и «нормой». Не умаляя достоин­ства других методов компенсации когнитивных нарушений (прежде всего, фармакологических), мы считаем, что именно метод тренировки лучше всего соответствует выдвинутому И.П. Павло­вым тезису о возможности достижения позитивных изменений в психике чело­века благодаря биологически заложен­ному в нее потенциалу пластичности.

Примечания:

1.Трудность может быть отрицательной, когда задание является легким относительно текущего уровня развития когнитивной функции.

2.С целью симуляции типичной для тренировочных кривых логарифмической формы величина прироста уровня развития тренируемой функции в ходе тренировки убывала согласно отрицательной экспоненциальной зависимости.

3.Даже при использовании мощных томографов (7 Тесла).

Литература

1. Вартанов А.В., Козловский С.А., Сквор­цова В.Б., Созинова Е.В., Пирогов Ю.А., Анисимов Н.В., Куприянов Д. А. Память человека и анатомические особенности гиппокампа // Вестник Моск. ун-та. — Серия 14. «Психология». — 2009. — №4. — С. 3-16.

3. Величковский Б.Б. Возможности когни­тивной тренировки как средства коррек­ции возрастных изменений когнитивно­го контроля // Экспериментальная пси­хология. - 2009. - Т. 2. - №4. - С. 67-91.

4. Лурия А.Р. Высшие корковые функции человека. - М., 1959.

5. Павлов И.П. Двадцатилетний опыт объ­ективного изучения высшей нервной дея­тельности (поведения) животных. - 5-е издание / Под ред. чл.-корр. АН СССР Э.А. Асратяна. - М.: Наука, 1973.

6. Craik F.I.M., Bialystock E. Cognition through the lifespan: mechanisms of change // Trends in Cognitive Science. - 2006. - V. 10. - №3. - P. 131-138.

7. Enikolopov G., Maletic-Savatic M. Identi­fies Neural Progenitor Cells in the Live Hu­man Brain // Science. - 2007. - V. 318. - P. 980-985.

8. Hyde K.L., Lerch J. et al. The effects of mu­sical training on structural brain development: a longitudinal study // Annals New York Academy of Sciences. - 2009. - V. 1169. - P. 182-186.

9. Jaeggi S.M., Buschkuehl M., Jonides J., Perrig W.J. Improving fluid intelligence with training on working memory // Proceedings of the National Academy of Sciences, USA. 2008. - V. 105. - P. 6829-6833.

10. Katoh S.R., Takeuchi I.K., Semba R., Kato K. Distribution of brain derived neurotrophic factor in rats and its changes with develop­ment in the brain // Journal of Neurochem­istry. - 1997. - V. 69. - №1. - P. 34-42.

11. Leek M.R. Adaptive procedures in psycho­physical research // Perception & Psychophys­ics. - 2001. - V. 63. - №8. - P. 1279-1292.

12. Levitt, H. Transformed up-down methods in psychoacoustics // Journal of the Acous­tical Society of America. - 1971. - V. 49. - P. 467-477.

13. Linschoten M.R., Harvey L.O., Eller P.M., Jafek B.F. Fast and accurate measurement of taste and smell threshold using a maximum- likelihood adaptive staircase procedure // Perception & Psychophysics. - 2001. - V. 63. №8. - P. 1330-1347.

14. Manganas L.N., Zhang X., Li Y., Hazel R.D., Smith S.D., Wagshul M.E., Henn F., Benveniste H., Djuric P.M., Enikolopov G., Maletic-Savatic M. Magnetic resonance spectroscopy identifies neural progenitor cells in the live human brain // Science. - 2007. - V. 318. - P. 980-985.

15. McNab F., Varrone A., Farde L., Jucaite A., Bystritsky P., Forssberg H., Klingberg T. Changes in cortical dopamine D1 receptor binding associated with cognitive training // Science. - 2008. - V. 323. - P. 800-802.

16. Vartanov A.V., Kozlovsky S.A., Velichkov- sky B.B. The scMRI method for assessment of neurogenesis in human brain // Meth­odology of psychophysiological research in Russia and China: Theoretical and ap­plied aspects. Joint Russian-Chinese Scientific Seminar. 7th-11th December 2009. Book of abstracts. - М: Проект-Ф, 2009. - P. 110-112.

17. Vullo T., Deo-Narine V., Stallmeyer M.J., Gomez D.G., Cahill P.T. Quantitation of nor­mal canine hippocampus formation volume: correlation of MRI with gross histology. // Magn. Reson. Imaging. - 14 (6). - 1996. - P. 657—662.