文摘

数学理论的发展,意识的崛起导致检测系统中意识的新措施。综合信息理论(IIT)是一个最好的数学扎根试图量化的意识水平在系统与Φ生成的有效的信息系统中各部分之上。最近,IIT激发了微扰复杂性指数(PCI)检测意识障碍患者的意识状态,它展示了几乎完美的分类精度。在这项研究中,我们探索统计Φ理论和实验之间的通信通过neurocomputational PCI耦合振荡器,可以人为的摄动模型,主要侧重于集体的动态同步子集之间的大脑区域。我们的研究结果显示,这两种方法在统计上相关,但原则上,这种关系是完美的。这些结果讨论了耦合振子模型的上下文中,主要侧重于集体的动态同步子集之间的大脑区域。

1。介绍

最具挑战性的和仍在进步的任务之一在科学客观地量化在多大程度上一个人是有意识的。一个可能的原因是意识本身不能实时中定义一个简单的方法,因为它是一个主观的现象,因此,它不能被直接观察(1]。有不同的理论方法与意识(2]。例如,从哲学的角度来看,它已建议有一个高阶思维与意识有关。有意识的思考将会由简单的知觉与其他想法,提供进一步的语义值有关。在神经科学领域,理论可分为生物和functionalistic理论。生物理论状态,意识是一种大脑的生理状态;意识是研究通过不同认知状态的协会与特定的大脑区域。另一方面,从functionalistic角度来看,意识的存在,只需要一个抽象结构存在。例如,在硅片结构可以支持意识经验,只要他们遵守理论提供的必要条件。功能主义的一个很好的例子是全球工作区账户,认为意识经验是大脑功能网络之间的竞争的结果(3赢得网络意识。然而,functionalistic账户内,集成信息(IIT)可能是最坚实的理论和数学上的尝试定义意识是什么,以及它如何可以量化4- - - - - -6]。具体来说,托诺,他的理论的早期版本(4],提出意识产生的综合信息系统,提供Φ作为一个可计算的任何物理系统可能是有意识的。计算Φ背后的主要概念是衡量一个系统作为一个整体在多大程度上不能被解释为一个部分之和。正如我们将在下一节中解释,为了计算Φ,有必要比较了整个系统生成的信息的信息系统视为两个子系统(分为两部分)。

Φ计算的主要限制是必要条件来查找和计算中包含的信息系统的所有可能的分为两部分。这是一个问题的复杂性类NP,不能详尽计算系统与大量的元素。鉴于人类大脑神经元的数量在10¹¹(7),即使我们已经从每一个神经元,整个信息,将不可能获得Φ的价值。的数量可能分为两部分的大脑会在斯特灵的二类的顺序,可以计算 会给很多的顺序的组合 ,有趣的是远远高于经典Eddington的数量估计已知宇宙中质子的数量(≈10^80年)[8]。为了解决这个等实际问题,版本和估计已经开发在不同领域的研究。一个显著的例子是巴雷特和赛斯(9),他们提出了一个版本的Φ时间序列数据。这个版本在这里指出(TS代表时间序列)可以应用于时间序列的生成动力学模型,它完全同意IIT的早期版本(以及主要概念的进一步版本)。

在这里提供的工作中,我们将关注这个措施,因为它在理论上是资金充足,易于适用于时间序列数据。然而,显示了相同的限制与原始Φ,,正如之前提到的,包括从所有可能的计算信息系统分为两部分,因此,它只能适用于时间序列从数量有限的系统元素。

在不同的研究中,一个最重要的实证估计的Φ开发领域的反应迟钝的意识障碍患者的临床评估。Casali et al。10]介绍了微扰复杂性指数(PCI)综合信息来决定是否一个给定的病人是有意识的。一种总线标准设计和集成系统中获取信息。它量化过程中丰富的信息传播活动的脑电图通道离散后经颅磁刺激(TMS)。这项措施是一个系统的理论原理Φ高、与经颅磁刺激脉冲刺激时,需要显示皮质传播(反映了集成的元素)以及多样化的功能反应的不同区域皮层(≈元素之间的差异化信息)。鉴于Φ相关信息和集成在一个系统中,提出了PCI的估计量Φ从真正的病人收集的数据。

尽管PCI已经证明分类患者有意识的或无意识的一个几乎完美的准确率(10),它是一种间接测量Φ,目前尚不清楚它是否反映了理论计算Φ从大脑作为一个物理系统。在这项研究中,我们探索实验PCI和理论Φ之间的关系。探讨这个问题,就需要获得两个措施相同的系统,和这并不容易,因为后者()是专为简单的动力系统和前(PCI)真正的大脑。我们在这里采取的方法是获取接受neurocomputational模型的整个大脑静息状态的活动,也就是说,一个变种的Kuramoto耦合振子(10- - - - - -13),可以人为扰动模拟经颅磁刺激脉冲为了获得一个PCI对相同的模型。

从今以后,在这项研究中,我们将关注Φ的两个版本:对于简单的动力系统和时间序列PCI估计开发测量患者的意识水平不同的意识障碍。这个工作我们要探索可能的关系这两个措施, ,理论上成立,和PCI,无可争辩的临床结果。我们所知,这是第一次工作,直接解决这个问题。

2。方法

调查潜在的意识PCI和实验估计量之间的关系理论指数计算在同一Kuramoto振荡器系统,我们跟着下面的步骤。

我们首先设计了一个Kuramoto模型来模拟动力学的皮层。第二,我们计算了几个模型的实现和获得从模型。第三,我们摄动系统模拟经颅磁刺激脉冲和计算模型的一种总线标准。在接下来的三个部分中,我们详细解释这些步骤。

2.1。Kuramoto模型来模拟静息状态的动力学

Kuramoto模型可以被定义为一组耦合振子模型的进化阶段根据以下组耦合时滞微分方程: 在哪里阶段的吗在其极限环振荡和是其固有频率的弧度。控制参数是全球兴奋性耦合强度、尺度参数时,耦合的优点。振荡器的总数。重要的是,是每一对振子之间的连接强度和代表这些振子之间的时间延迟。邻接矩阵(连接强度和时间延迟)是通过Hagmann et al。11)定义一个网络的结构耦合在一起根据人类白质tractography(工作的Hagmann等人扩散光谱和核磁共振的收购后,被分割成66分段的灰质根据解剖解剖区域地标。白质tractography被用来确定哪些地区对被公认的白质纤维束连接,以评估其密度和相应的长度,结构的连接和延误了)。 在这里我们使用的振子网络(见图1)。简而言之,每个振荡器代表一个大脑的皮层区域位于三维空间不同的连接到所有其他振荡器。这个词让我们可以动态地修改结构连接。它是一个重要的术语在本研究中,因为它可以产生扰动模型,旨在模拟经颅磁刺激。Kuramoto模型,振子之间的同步程度由订单参数方便地测量, ,满足 在哪里 措施的相位相干性或同步振荡器的人口;虚拟运营商的象征;和是集体的平均阶段12,13]。表明相干振荡器是在给定的时间和它有资格如果集体的各个阶段紧密聚集或广泛分布。我们选择而不是其他可能的命令参数,如平均阶段 ,因为它不准确的描述振荡器的集体行为(对于一个给定的 ,例如,有许多可能的振荡器的相位分布)。

根据一些研究,Kuramoto模型股票动态相似性与大脑静息状态的功能时显示高亚稳定性[14,15]。这个概念是指高的方差换句话说可以被定义为一个振荡器系统的趋势,不断迁移之间的各种瞬态同步状态,允许网络的元素之间的动态组织。系统不断从有序到无序状态(16]。然后,模型中参数的值被选中,这样全球动态显示亚稳定性高。为 赫兹(gamma节律),亚稳度明显0.5 < = 3女士,< 6.5,的平均值 。注意,任何的变化可以被认为是一个平均速度的改变振荡器之间的传导延迟,和其他的值有不同的范围产生类似的行为。例如,我们发现大约为2.5 <同样的效果< 5。

Kuramoto模型是广泛的模拟值。表示过,代表了全球连接的强度模型,并从生物学的角度可以看到作为一个参数来描述振荡器之间的集成。每个模拟由65×10的基线³ms。在卡布拉尔et al。17),我们使用了一个欧拉计划的时间步数字集成设置为女士。1。

是重要的,因为没有提供实验数据,我们的研究结果获得了模型的参数( , ,和亚稳度)已被证明,在以前的作品(18- - - - - -20.),并行大脑运作的关键特征。因此,除参数 ,我们没有操纵Kuramoto系统的耦合方程中的参数。

2.2。Kuramoto集成信息模型

综合信息测量的版本它主要是基于概念的有效信息()[9]。

让 是一个多元随机变量的取值空间 。很明显,的尺寸在系统生成的元素数量 。生成的有效的信息系统在其当前状态关于国家对一个分为两部分 由生成的互信息定义整个系统-互信息的总和的部分分为两部分:

互信息的比特可以计算表达式 测量出的平均比特可以预测考虑到国家(21]。互信息的计算包括任何房地产的概率和联合概率的计算和 。综合信息是有效信息的最小信息分为两部分(MIB): 在哪里 与称“集的最小数量” 是一个规范化的因素纠正过度不平衡分为两部分。在这里代表香农熵。

应用Kuramoto模型描述了在前面的小节中,我们将原始网络的66个地区分成6 Hagmann等人提出的集群在原来的工作(11]。这种简化允许探索所有可能的系统中分为两部分(斯特林数量对于这种情况 = 31可能分为两部分)。此外,和后22),为每个集群计算时间序列之间的同步振荡器属于集群()。然后,我们这些系列同步或不同步特征通过构造新的二进制时间序列 。在我们的研究中,我们考虑一个同步的阈值= 0.8和1被分配>γ。我们选择这个值,因为它的中值 ,和使用中值阈值消除了可能的极端值的影响,由于其强大的属性。此外,这次选举理论原因。的价值γ= 0.8;它是用于(22),这将使我们能够获得的结果进行比较。

最后,计算这些二进制系列和结果是作为Kuramoto模型的复杂度值。我们设置= 150毫秒。的值< 150 ms -Φ估计和> 150 ms的模式结果不同值没有改变。

2.3。估计Kuramoto PCI的模型

为了计算一个PCI Kuramoto模型的估计,它是必要的,以解决仿真过程中两个问题。第一个是扰乱或刺激系统从外部源(模仿TMS)的影响,而第二个困难我们发现计算可靠erp最后PCI计算。刺激的问题很容易解决,因为它在其他的研究已经完成。总裁例如,Hellyer et al。23)模拟外部刺激来这里提供类似Kuramoto模型通过增加一些节点之间的连接网络。同样,Ibanez-Molina和Iglesias-Parro [24)刺激另一个Kuramoto版本是暂时性的增加关键振子网络的连通性。因此,在我们的研究中我们跟着这些研究和摄动系统瞬态之间的连通性增加六个振荡器位于顶叶皮层(见图1)。我们安排这个过程通过引入 对于这些振子在短时间5女士。我们随机重复这刺激15次为每个模型的数值积分。

下一步是构建可靠的erp与振荡器产生的阶段。为达到这一目标,我们模拟脑电图系列,然后,erp为每个模型计算平均每段刺激相关的部分。我们详细解释这个过程在接下来的两个部分。

2.3.1。脑电图和erp模拟

脑电图活动来自32个传感器模拟与下面的加权和为每个条件协议的活动在每个振荡器: 在哪里时间序列从传感器吗th和源的加权贡献吗th传感器th。每一个使用标准计算了模型算法(25根据Talairach]应用坐标的振荡器。之后,每一个振荡器被认为是皮质来源。第二,这些来源的权重归一化的最大值1。脑电图信号获得与这个过程给了一组信号,改变振幅和频率的变化约60赫兹(振子的固有频率)。因为在erp振幅的有趣的信息,我们计算的信封与希尔伯特变换。信封的信号被用来构造所有段的erp平均在每个模型的实现。形式上,erp是建立与分析信号(在复平面)这是 在哪里原始信号和代表真正的新的复杂的系列的一部分,希尔伯特变换的虚部吗虚拟运营商。在右边的表达式中,和站的角度和模量在欧拉符号代表复杂的值。模量振幅或信号的分析能力和可以很容易地计算

这些新的系列被认为是活动从每个传感器和erp还建有段从中提取。为每个传感器 , 在哪里段的数量在一个单一的模型和实现是一个向量,值从600−600毫秒后刺激。=所有数字集成(请参见图152目视检查的erp)。

2.3.2。一种总线标准计算

erp是一种总线标准的输入信号计算。PCI后得到原始算法Casali et al。10]。对于每个Kuramoto模型的条件,首先,我们建立了一个二进制源矩阵维度对应传感器和时间的步骤从0到1200毫秒后刺激演示(SS )。信号是downsampled十次获得类似于真实数据的采样率。党卫军 = 1如果poststimulus模拟信号的绝对值高于绝对值最大的条目中遇到任何传感器和时间步的prestimulus基线,和党卫军 = 0。党卫军 是用作Lempel-Ziv测量输入(26)估计算法复杂度()。给连锁店的数量与nonredundant党卫军中包含的信息 。必要的算法寻找最小数量的模式来描述序列。随机序列的渐近行为的措施日志₂ ,在哪里是长度的二进制熵 在哪里找到一个“1”的概率是二进制序列的长度吗。PCI被定义为规范化的价值 :

3所示。结果与讨论

Kuramoto模拟的结果首先要理解为特征的基本动力学模型。此外,我们包括erp可视化的图形化描述的结构平均在每个传感器从模拟扰动波。最后,我们描述和比较Φ和PCI考虑的价值观高和低亚稳度,正如上面提到的,这是一个大脑动力学在静息状态的必要条件。

3.1。Kuramoto模拟在基线状态

在图3(一个)我们显示的图行为的基线条件在一些耦合参数的值。进化的最重要的属性是可以估计的可变性的亚稳定性的 。我们可以看到,有一个分叉 ,表示结束的亚稳定性高,因此模型的动态> 6.5自原则上应谨慎对待,没有真正的大脑皮层的功能对应动态。

此外,重要的是要注意,频率结构是不固定的吗年代,人们可以观察到在图3(一个)的频率似乎随着的增加而增加 。为了更好地理解这一现象,我们包括频谱分解的进化在图3 (b)。令人惊讶的是,我们发现一个复杂的景观的振荡结构 。谱图显示的总体结构相似的分岔图古典逻辑图。这种相似性出现,因为它显示bifurcation-like频率成分的扩散参数增加了。这种光谱结构的性质,然而,没有探索和超越的目标。如果我们检查图3 (b),它可以表示,缓慢振荡的性质在高亚稳定性明显 。高于这个值,确定集群的关键耦合强度,所以他们的同步变得稳定,而整个系统的有序参数仍然是< 1。作为进一步增加,越来越大的同步集群形成,导致减少了组件的数量,直到方法1,最终只有一个单独的组件十到正无穷(27]。因此,在图3 (b),信号的主要频率缓慢增加 ,的组件似乎增加遵循一个复杂的模式。它也是值得注意的,在图3 (b)另一个bifurcation-like地区 可以看出在于减少组件的数量。因此,在年底景观,似乎更简单的用更少的振荡特性,可能这会导致低的值和PCI。

这图让我们认为的形状分岔和PCI可能敏感地区 。如果亚稳定性是大脑功能的必要条件16),这将是合理的认为应该减少低亚稳定性区域。同样应该适用于PCI如果这项措施密切相关 。在接下来的部分中,我们将展示的亚稳定性才发现后减少 。

3.2。对比和PCI

之间的关系PCI是评估使用皮尔逊积差系数的值之间获得的水平(从。5to 15) and the corresponding values of the PCI obtained for those same levels of 。结果显示无显著负相关(=−. 21, )。因此,很明显,和PCI是线性无关的。然而,考虑到亚稳态值,分岔= 6.5是明显的。因此我们把系列分为两部分根据分叉,(从之前= 5(6)和之后= 6.5 - 15)分歧,重新计算之间的相关性和PCI的这两个部分。在这种情况下,结果显示显著的积极的关系和PCI前(= .64点, (后),r= .51, 分岔。

一个图形的演变的描述和PCI的亚稳定性模型可以观察到在图4。值计算。5步骤。图的目视检查4显示两个和亚稳度表现出很大的减少≈6.5表明之间的依赖和亚稳度。实际上,亚稳定性之间的关系在整个范围的是重要的(= .68点; )。然而,PCI并没有显示出明显降低在这个地区。事实上,一种总线标准进化似乎逐渐增加。这一事实没有减少PCI并不意味着这种方法并不相关 ;正如之前所看到的,进一步探索的措施表明他们之间的积极关系。此外,人们可以观察到在图4PCI的趋势似乎停止之后≈11协议的分岔图所示3 (b)显示这个地区的同步动态更简单。

4所示。结论

假设意识状态下来自综合信息系统中,提出了各种指标来量化意识。在目前的工作,我们测试了两个使用neurocomputational模型。一方面,从理论上提出了建立Φ作为一种量化信息的总量,有意识的系统可以集成(28]。另一方面,一种总线标准区分有意识和无意识的状态在一个病人精度(10]。假设意识状态对应于一个分布式但非均匀电流源的时空模式,Casali等人应用标准数据压缩方案(Lempel-Ziv算法)来区分有意识和无意识的状态。尽管应用水平的优良业绩,声称这项措施在理论上是建立在理解意识的概念,有必要进行深入的研究。在目前的工作中,我们解决可能的关系这两个措施的意识程度的系统。

如前所述,根据IIT,清醒意识需要整合信息的能力在多个脑区高度分化的活动。因此,意识丧失可能会因此损失的集成以及分化(或两者)的损失。由于我们在本文(即操作。,增加的值),减少意识所示值反映这样的行为在不同的振荡器。增加平均场模型的连接导致增加同步,Kuramoto订单显示的参数()和减少它的可变性(亚稳度)。从这个角度来看,从亚稳定性和结果收敛的理论预测表明,亚稳度是一个健康的大脑功能和意识的必要条件(16]。

一般来说,如增加,系统作为一个整体更连贯的,因此,它是更多的集成。当系统在分岔点( ),同步是非常高和二进制时间序列的动态集群往往是1的所有时间( )。因此,信息会很低。所以会发生什么是信息系统穿过分叉点低得多。可以客观地看到通过观察熵和互信息(比特)的系统(见图5)。这个下降后的熵分歧点可以负责明显PCI无法捕获后的动态系统的分岔。在这方面,29日]表明,Lempel-Ziv无力压缩效率低熵序列是由于无法应付长时间运行相同的符号。在这方面,扰乱性的集成延迟指数,描述灭绝的延迟大规模刺激扰动基底状态没有借鉴Lempel-Ziv算法,最近提出的(30.),是一种很有前途的选择,未来的工作可以探索。

在这项研究中一个重要的发现是之间显著正相关性和PCI前后分歧点。这些相关性可能表明有一个灯在PCI由于连接操作更改。因此,从探索我们在这项研究中我们可以声称进行PCI是敏感的调节,这是真的,当系统被认为是一个连贯的地区的亚稳定性(高与低)。

一个限制在我们的研究中,我们还没有找到一个关键的价值在这两个措施达到最大值。一位杰出的对应和PCI会导致最优参数描述系统的理论和实证估计的综合信息。的原因很明显,我们并没有发现这个完美的融合,我们的模型是一个简化的大脑功能,或过程来计算和PCI依赖许多简化了系统的描述。由于大脑的这个简化动力学,PCI后分岔点的增加可能是由于模型的内在特征。然而,我们所知,Casali等人并没有测试PCI当患者出现意识丧失,由于全球同步皮层(例如癫痫状态)。未来的工作可以探索意识丧失的可能性由于全球同步不能完全捕捉到一种总线标准。然而,值得注意的是,当我们考虑模型的亚稳区(< 6.5)最大的值和PCI在短程2 << 3,最小值被发现 当系统的连通性相对较低。这两个发现可能表明和PCI可能有一个更好的协议,高水平的亚稳定性,如果这是真的,也就不足为奇了PCI是一个很好的意识状态的临床指标。

另一个潜在的限制在我们的研究中可以用来估计的算法最初提出的巴雷特和赛斯9]。这个算法产生负值,可能会妨碍的解释结果。这些限制已经上升到新版本的Φ负值的缺点是解决(31日,32]。尽管措施都是高度相关的,未来的研究可以包括估计。

信息披露

本研究部分报告为口头报告在当地工厂“莫德罗全球de Dinamica脑。”2017年12月12日,在塞维利亚举行。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这项工作已经由西班牙政府和欧盟支持(通过ERDF基金)通过研究项目mtm2014 - 61312经验值和由军政府的安达卢西亚(生物医学和健康科学研究项目π- 0386 - 2016)。