Cognitive Remediation Journal 2012, 1(1):6-24 | DOI: 10.5507/crj.2012.001

Thalamo-kortikální reverberace produkuje alfa rytmus jako iterativní kognitivní proces ve stochastickém prostředí

J. Faber, M. Novák
Ústav řídící techniky a telematiky, ČVUT, Praha 1, Konviktská 20

Thalamická sensorická jádra spojující smyslové orgány s kortexem, obsahují asociační neurony, které zároveň představují rytmické generátory (RTG). Mezi RTG a kortexem krouží nervové impulsy trvale, tj. ve vigilitě i ve spánku a po celý život, jen vzorec čili uspořádání výbojů se mění při různých stavech vědomí (klidná nebo motoricky či psychicky aktivní vigilita, spánek NONREM nebo REM). Mluvíme o thalamokortikálním reverberačním systému (TKRS). V EEG se tato cyklická aktivita projeví frekvencemi 1 - 30 Hz. Alfa frekvence (8 - 13 Hz) je typická pro vigilitu a má většinou tvar netlumených oscilací, které se po několika alfa vlnách mění na oscilace tlumené. Proto nabývá alfa rytmus vřetenového, tj. fusiformního tvaru. Jedna alfa vlna trvá kolem desetiny vteřiny a odpovídá jednomu cyklu v TKRS, kterého se zúčastňují desítky miliard neuronů a stovky miliard jejich impulsů. Již z tohoto kvantitativního hlediska je možné, že nebudou všechny impulsy podřízeny determinované organizaci s mnoha složitými rytmy. Proto předpokládáme a v minulých pracích jsme dokazovali, že kromě periodických jsou přítomny pravděpodobnostní i stochastické procesy.
Jedno vřeteno alfa (AL) trvá zhruba jednu vteřinu a odpovídá opakované výměně impulsů čili informací v TKRS. Toto opakování podobného proces nám připomíná iteraci s konvergencí k cílovému řešení úkolu nebo problému. Iniciální část alfa vřetene s narůstající amplitudou ("alfa ascendens" = ALAS) zřejmě odpovídá narůstajícímu náboru čili počtu neuronů s každou alfa vlnou. Z hlediska modelování pomocí arteficielních neuronových sítí odpovídá tato situace dobře mechanismu "multilayered iterative algorythm", (MIA), který matematicky popsal A.G. Ivachněnko. MIA je induktivní arteficielní vícevrstevná neuronová síť, která během učení "s učitelem" přibírá nové neurony i neuronové vrstvy podle jistého kriteria. Tento proces se podobá hledání optimálního algoritmu Následnou selekcí opět s pomocí iterace se "zbytečné" neurony vylučují a neuronální populace aproximuje již standardním způsobem k řešení úkolu (problému). Řešení lze také nazývat z matematického hlediska globálním minimem nebo atraktorem a z psychologického hlediska dokončenou kognicí a na vyšších úrovních abstrakce vytvořením pojmu (epistémé, semém). Tato druhá iterace odpovídá následující části alfa vřetene s klesající amplitudou ("alfa descendens" = ALDE).
Pomocí Gáborovy frekvenční filtrace (GF), lokální koherenční funkce (LCF) a Poincarého analýzy (PA) jsme chtěli ověřit naší hypotézu o dvojím druhu iterace, tj. otázce: je zásadní rozdíl mezi ALAS s mechanismy MIA a ALDE podobající se běžné iteraci ? Bylo vyšetřeno 24 osob během záznamu EEG a současných psychotestů. Pro naše účely jsme použili úseky v relaxaci a při sečítání dvouciferných čísel, obojí při zavřených očích. Výsledky byly interindividuelně dosti rozdílné. Převládaly však vyšší hodnoty energie alfa v GF a nižší hodnoty koherence (LCF) v ALAS nad těmito hodnotami v ALDE. Navíc se ukázal velký rozdíl mezi alfa vřetenem v klidu a opticky nerozeznatelným vřetenem při počtech. PA ukázala výraznou cykličnost EEG signálu v klidovém stavu v ALAS i ALDE a zcela odlišný a nepravidelný průběh signálu ve vřetenu alfa při počtech. Toto svědčí pro asymetrii alfa vřetene, tj. pro větší a složitější nábor alfa v ALAS. Dále se ukazuje výrazná diference v organizací vřetene v klidu a při mentaci. Uvedená metoda může být užitečná jako doplněk testů na pozornost nebo na osobnost.

Keywords: Elektroencefalografie, analýza alfa aktivity, psychotesty, iterace, MIA (Multilyered Iterative Algorithmus)

The thalamus, a large subcortical nucleus constitutes rhytmic thalamic generators (RTG), wher end nerve fibres from sensory organs (eye, ear, skin, muscles, smell, taste). The RTG nerve cells (neurons) send out fibres to the brain cortex. Nerve impulses reverberate between the RTG and the cortex unceasingly, i.e. in vigilance (waking) and in sleep, all through our life, in what is known as the thalamocortical reverberation system (TCRS). In the brain's electric activity recorded from the cranial surface (EEG) this cyclic activity takes the form of frequences of 1 - 30 Hz. The alpha frequency (8 - 13 Hz), typical of vigilance, mostly appears in the form of undamped oscillations which immediately change into damped oscillations. That is what gives the alpha rhythm its spindle-like (fusiform) shape. One alpha wave lasts about one tenth of a second, consistent with one cycle in the TCRS, in which tens of billions of neurons and hundreds of billions of their impulses are involved. That is why we presume - as shown in our previous works - the presence of not only periodic but also stochastic processes.
One alpha spindle (AL) lasts roughly one second, corresponding to reiterated exchange of impulses (information) in the TCRS. This is rather like iteration with convergence to) the target solution of a task (problem) in the descending portion of the alpha spindle (ALDE). The ascending portion of the alpha spindle (ALAS) might correspond to the mechanisms of MIA (multilayered iterative algorithm) as described by A.G.Ivakhnenko. In the course of learning with a "teacher", MIA, an inductive artificial neuronal network, takes on new neurons and neuronal layers in keeping with a particular criterion. "Redundant" neurons are excluded in subsequent selection for the neuronal population to approach the task solution, i.e. from the mathematical point of view the convergence to global minimum (or attractor) and from psychological point of view to problem solution or to abstraction, creation of notio, epistémé, sémém.
It appers that - using Gabor's frequency filtration (GF), local coherence function (LCF) and Poincaré's analysis (PA) - we have come closer to our hypothesis of a dual type of iteration: MIA in ALAS and "common" iteration in ALDE.
24 persons were examined during EEG recording and simultaneous psychotesting. For our purposes we made use of sections in relaxation and during the addition of two-digit numbers, both with the eyes closed. The results showed quite an amount of interindividual differences. However, there was a preponderance of higher values of alpha energy in GF and lower values of coherence (LCF) in ALAS over those values in ALDE. PA demonstrate cyclic feature of alpha spindle during ALAS and ALDE during relaxation and contrary noncyclic one during psychic activity. This shows the alpha spindle asymmetry, i.e., greater and more complex recruitment of alpha in ALAS. The method may well prove useful as a supplement of tests for attention or for personality.

Keywords: electroencephalography, alpha activity analysis, psychotests, iteration, MIA (Multilyered Iterative Algorithmus)

Received: September 12, 2012; Accepted: October 15, 2012; Published: March 31, 2012  Show citation

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Faber J, Novák M. Thalamo-kortikální reverberace produkuje alfa rytmus jako iterativní kognitivní proces ve stochastickém prostředí. Cogn. Remediat. J. 2012;1(1):6-24. doi: 10.5507/crj.2012.001.
Share...
Download citation
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Open full article

    References

    1. Moruzzi G., Magoun H.W.: Brain stem reticular formation and activation of the EEG. Electroenceph. Clin. Neurophysiol., 1, 1949, 455-473. Go to original source...
    2. Kandel E.R., Schwartz J.H.: Principles of neural science. Amsterdam, Elsevier, 1985, pp. 981.
    3. Brodmann K.: Feinere Anatomie des Grosshirns. In: Handbuch der Neurologie. Ed.: M. Lewandowsky, Berlin. Springer, 1910, pp. 1184. Go to original source...
    4. Mazziota J.C., Toga A.W., Frackowiak R.S.J.: Brain Mapping. The Disorders.. Academic Press, San Diego, San Francisco, New York, 2000, pp.669.
    5. Posner M., Raichle M.E.: Image of mind. Scientific American Library. New York, 1994, pp.257.
    6. Farley B.G., Clark W.A.: Simulation of self organizing systems by digital computer. Trans.,1954, IRE, PGIT-4, pp. 76 - 84. Go to original source...
    7. Faber J.: Vigilance, sleep, petit mal and EEG as manifestations of programmed brain regulation. Acta Univ. Carol. Med., Monogr. LXXXVII, Praha 1978.
    8. Faber J.: Associative Interneuronal Biological Mechanism. Neural Network World 1991, l, p. 13-31.
    9. Faber J.: Electroencephalography and psychophysiology. ISV naklad., Praha, 2001, pp.170, (in Czech).
    10. Faber J.: QEEG (Qualitative and quantitative EEG analysis), Galén, Praha, 2005, pp..191.
    11. Faber J.: Neurokybernetic analogies. Triton, Praha, 2008, pp.113.
    12. Fuller P. W.: Computer estimated alpha attenuation during problem solving in children with learning disabilities. Electroenceph. Clin. Neurophysiol. 42, l977, 149-156.
    13. Grünnewald-Zuberbier E., Grünnewald G., Rasche A., Netz J.: Contingent negative variation and alpha attenuation responses in children with different abilities to concentrate. Electroenceph. clin. Neurophysiol., 44, 1978, 37-47. Go to original source...
    14. Adams P., Cox K.: A new interpretation of thalamocortical circuitry. Philosophical Transactions.2002, vol. 357, No.1428, p.: 1767-1779. Go to original source...
    15. Dusser de Barenne, J.G., McCulloch W.S.: The direct functional interrelation of sensory cortex and optic thalamus. J. Neurophysiol., 1938, 1,p.: 176-186. Go to original source...
    16. Andersen P., Eccles J.C.: Inhibitory physing of neuronal discharge. Nature. 1962,196,p.:645-647. Go to original source...
    17. Andersson S.A., Holmgren E., Manson J.R.: Synchronization and desynchropnization in the thalamus of the unanaesthetized decorticated cat. Electroneceph. Clin. Neurophysiol., 1971, 31 p.:335-345. Go to original source...
    18. Andersen P., Andersson S.A.: Thalamic Origin of Cortical Rhythmic Activity. PP 2C-00-118. In Handbook of EEG.clin. Neurophysiol., Ed.: D. Creutzfeldt, vol. 2., Part C, Elsevier, Amsterdam, 1974.
    19. Jones E.G.: Thalamic circuitry and thalamocortical synchrony. Philosophical Transactions of the Royal Society, vol. 357, 2002, pp. 1650-1674. Go to original source...
    20. Walter W.G., Cooper R., Aldridge V.J., et al.: Contingent negative variation, electric sign of sensori-motor association and expectancy in the human brain. Nature (London), 203, 1964, 380-384. Go to original source...
    21. Timsit M., Koninckx N., Dargent J. et al.: Variations contingentes négative en psychiatrie. Electroenceph. clin. Neurophysiol., 28, l970, 41-47.
    22. Howard R.C., Fenton G.W., Fenwick P-B-C.: Event-related brain potentials in personality and psychopathology a pavlovian approach. Research studies press. John Willey, Chichester, New York, 1982, pp. 112.
    23. Reinis S.: Some principle for decoding local neuronal systems in the mammalian central nervous system. Neural Network World, 1997, 7, p. 205-225.
    24. Faber J., Tošovský J., Taichmanová Z., Tuháček M., Měšťan J.: A method of averages and functions applied in differentiating sublinical and clinical petit mal paroxysms. Čes. Neurol.,1973, 36/69, pp. 108-113. (in Czech).
    25. Faber J. Pěkný J., Pieknik R., Tichý T., Faber V. Bouchner P., Novák M.: Simultaneous recording of electric and metabolic brain activity. Neural Network World, 2010, 20:539-557.
    26. Raichle M.E.: The Brain's Dark Energy. Scietific American. March 2010, p.: 28-33. Go to original source...
    27. Šnorek M.: Neuronové sítě a neuropočítače. (Neuronal Nets and Neurocomputers.) CVUT, Praha, 2004, pp. 156 (in Czech).
    28. Novák M. et kol.: The artificial neuronal networks, theory and praxis. C.H.Beck, Praha, 1998, pp.382. (in Czech).
    29. Lion K.S., Winter D.F.: A method for discrimination between signal random signal noise of electrobiological potentials. Electroenceph. clin. Neurophysiol.,1953, 5, p. 109-113. Go to original source...
    30. Saunders M.G.: Amplitude probability density studies on alpha and alpha-like patterns. Electroenceph. clin. Neurophysiol., 1963, 15, p.761-768. Go to original source...
    31. Freeman W.J.: Messoscopic neurodynamics: From neuron to brain. J. Physiol. (Paris), 2002, 94, p.303 -322. Go to original source...
    32. Kolda T., Faber J., Svoboda P, Dvořák M.: A model of artificial neuronal networks designed according the natural neuronal brain structures. Neural Networks World, 3-4/2004, pp. 233-246.
    33. Svítek M.: Dynamical systems with reduced dimensionality. Ediuce monographií NNW, ČVUT, Faculty of Transportation Sciences. Prague, 2006, pp.161.
    34. Votruba Z.: The information power in the mass /Hú, energy /E4/ and organization /J/ unity. In: The information power. Ed.: J. Vlček et al., ČVUT, 2002, pp.109. (in Czech).
    35. Anand B.K., China G.S., Baldev S.: Some aspects of electroencephalographic studies in Yogis. Electroenceph. clin. Neurophysiol. 1961, 13, p.:452 -456. Go to original source...
    36. Faber J., Pěkný J., Pieknik R., Tichý T., Faber V., Bouchner P., Novák M.: Simultaneous recording of electric and metabolic brain activity. Neural Network World, 2010, 4/10, pp.539-557.

    This is an open access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.


    Return to the content