ОПРЕДЕЛЕНИЕ ВЛИЯНИЯ ЯЗЫКОВЫХ НАВЫКОВ НА КОГНИТИВНЫЕ ПРОЦЕССЫ: ИССЛЕДОВАНИЕ ЭЭГ С ПОМОЩЬЮ НЕЙРОИНТЕРФЕЙСОВ. УСТАНОВКА ФИЗИЧЕСКОЙ ЗАВИСИМОСТИ ПАРАМЕТРОВ ЭЭГ И ФАКТИЧЕСКИХ ЗНАНИЙ ЧЕЛОВЕКА.

DETERMINING THE INFLUENCE OF LANGUAGE SKILLS ON COGNITIVE PROCESSES: EEG STUDY USING NEURAL INTERFACES. ESTABLISHING THE PHYSICAL DEPENDENCE OF EEG PARAMETERS AND ACTUAL HUMAN KNOWLEDGE

Ilya Speransky

student, Department of Physical Electronics, Tomsk State University of Control Systems and Radioelectronics,

Russia, Tomsk,

Anna Rulla

student, Department Automation of Information Processing, Tomsk State University of Control Systems and Radioelectronics,

Russia, Tomsk

Ivan Tikshaev

scientific supervisor, assistant department AOI., Tomsk State University of Control Systems and Radioelectronics,

Russia, Tomsk

Roman Kulshin

scientific supervisor, assistant department AOI., Tomsk State University of Control Systems and Radioelectronics,

Russia, Tomsk

АННОТАЦИЯ

В данной статье рассматривается влияние на восприятие и обработку сенсорной информации группы лиц, знающих 1 и более язык, между группой лиц, знающих только 1 язык, исследуя их когнитивные процессы. Подчеркивается важность функциональных связей в человеческом познании и поведении, а также описывается эксперимент, направленный на доказательство статистического преимущества когнитивного развития у группы лиц, знающих более 1 языка. Методология эксперимента включает составление выборки различных языковых групп и применение нейроинтерфейса для отслеживания работы мозга участников.

ABSTRACT

This article examines the effects on perception and sensory information processing of a group of individuals who know 1 or more languages between a group of individuals who know only 1 language by investigating their cognitive processes. The importance of functional connectivity in human cognition and behavior is emphasized, and an experiment designed to prove the statistical advantage of cognitive development in a group of individuals who know more than 1 language is described. The methodology of the experiment involves drawing a sample of different language groups and using a neurointerface to track participants' brain activity

Ключевые слова: когнитивные процессы, нейроинтерфейсы; мозговая активность; функциональные связи; координация нейронной активности.

Keywords: cognitive processes, neurointerfaces; brain activity; functional connectivity; coordination of neural activity.

ВВЕДЕНИЕ

Способность человека к изучению и усвоению различных языков, предоставляет почву для исследования когнитивных процессов, лежащих в основе нашего мышления и восприятия. Он является одним из основных факторов когнитивного развития, нейропластичности и способностей человека к решению когнитивных задач. Многие наслышаны о том, что знание нескольких языков может оказывать влияние на восприятие мира [22], стоит задача показать , что есть фактическое влияние на физический процесс мышления, абстрактного мышления и принятия решений.  Исследования в области когнитивных процессов человека обращаются к передовым методам исследования, таким как нейроинтерфейсы, чтобы глубже понять связь между языковыми навыками и когнитивными процессами. Нейроинтерфейсы — это устройства, которые позволяют записывать электрическую активность мозга или взаимодействовать с ним напрямую. В нашем исследовании нейроинтерфейсы являются методом и инструментом изучения мозговой активности в реальном времени при выполнении задач. Это позволит выявить физические зависимости между активностью определенных участков мозга и способностями индивида. Применение нейроинтерфейсов в исследованиях когнитивных процессов открывает возможность увидеть, посредством анализа ЭЭГ. ЭЭГ - неинвазивный метод исследования функционального состояния головного мозга путём регистрации его биоэлектрической активности. В анализ ЭЭГ входит: какие области мозга активизируются при выполнении различных задач, как эти области взаимодействуют между собой, и какие последствия это может иметь для когнитивного функционирования индивида в целом.

1. ПРИНЯТИЕ РЕШЕНИЙ ПРИ ВОСПРИЯТИИ ИНФОРМАЦИИ И АКТИВНОСТЬ МОЗГА В КОГНИТИВНЫХ ЗАДАЧАХ.

Восприятие и обработка сенсорной информации – поступающей по нервным волокнам в ЦНС, играют ключевую роль в когнитивных процессах человека, влияя на его взаимодействие с окружающим миром [1]. При получении информации из различных сенсорных источников (таких как зрение, слух, осязание и другие), человек обрабатывает эту информацию и использует её для принятия решений, то есть основанных на сенсорной информации. Этот процесс может быть оценен по ряду характеристик, таких как скорость реакции, точность решений и другие [1]. Важно отметить, что при выполнении задач по принятию решений, связанных с восприятием, мозг динамически регулирует свою функциональную сетевую структуру для поддержания оптимальных поведенческих характеристик в условиях изменяющихся когнитивных требований, что характеризуется в способности адаптироваться к нестандартным ситуациям и/или вопросам. [2-4]

Современные нейрофизиологические исследования подчеркивают важность функциональных связей в человеческом познании и поведенческой деятельности [5]. Сетевая активность мозга формируется за счет взаимодействия различных функциональных подсетей, таких как дорсальная сеть внимания, лобно-теменная сеть, сеть исполнительного управления и другие [6]. Эти функциональные подсети взаимодействуют друг с другом и перекрываются во время выполнения задач, обеспечивая необходимую координацию и интеграцию информации [7].

Производительность и нейронная активность во время обработки сенсорных данных зависят от внутреннего состояния человека, его внимания и усталости. В частности, функциональная связность состояния покоя может предсказать способность субъекта поддерживать устойчивое внимание во время сложных задач. Важно отметить, что функциональная связность состояния покоя может предсказать способность субъекта поддерживать устойчивое внимание во время выполнения сложных задач [7]. Усталость может вызывать изменение структуры сети, делая области мозга более изолированными и менее эффективно взаимодействующими [8]. Повышенные когнитивные требования также могут привести к снижению модулярности функциональной сети, при этом сеть режима по умолчанию может увеличить возможность соединения с другими сетями [9-10].

Эти процессы также могут вызывать изменения частотно-временных характеристик сигналов ЭЭГ/МЭГ, которые играют важную роль в координации нейронной активности мозга [11-13]. Низкочастотные ритмы, такие как θ-диапазон, могут модулировать высокочастотную активность мозга в γ-диапазоне [13], в то время как α- и β-ритмы в зрительной коре могут контролировать нейронную активность в γ-диапазоне [13-18]. Эти колебания способствуют координации и синхронизации нейронной активности в различных областях мозга, обеспечивая эффективное выполнение перцептивных задач [18-21].

Таким образом, перцептивное принятие решений требует координации нейронной активности в различных областях мозга [20-21]. Это важное направление исследований, которое помогает понять, как знание нескольких языков влияет на мозговую активность и когнитивные процессы человека.

2. ЭКСПЕРИМЕНТАЛЬНАЯ МЕТОДОЛОГИЯ

В ходе эксперимента будет проверяться, что человек – знающий более 1 языка имеет большее когнитивное развитие, чем монолингв - человек знающий только 1 язык [22-23]. Основываясь на принципе мобилизации нейронной сети, описанной в 1 пункте.

Для эксперимента была составлена выборка, состоящая из равного количества участников:

1. знающих более одного языка.

2. владеющих только одним языком.

3. с базовыми знаниями двух и более языков.

Такая выборка необходима для большей достоверности статистических данных.

Составлен контрольный тест, состоящий из разноплановых задач, включающих в себя:

1. задачи на математический счет.

2. задачи на пространственное мышление.

3. задачи на логику.

Тест, основанный на принципе мобилизации нейронной сети, описанной в пункте 1.

Задачи были подобраны по их типам:

1. Зависящие от внимательности и концентрации.

2. Требующие глубинного понимания концепции задачи.

3. Требующие общей эрудированности.

Выбор задач заключался в минимальном включении фактора прикладного знания области вопроса.

Методика проведения эксперимента:

Всем участникам выдали тест, на выполнение которого было дано ограниченное количество времени. Задания включали в себя: математические задачи, загадки на логическое мышление и на пространственную ориентированность. С помощью нейроинтерфейса будет отслеживаться работа мозга каждого из участников, фиксируя параметры ЭЭГ. Полученные данные записываются вместе с указаниями меток, соответствующих выполняемому заданию. Временной промежуток с контрольной картинкой для определения меток, для каждого задания равен 2 секундам.

Выбранная нами методология позволяет участникам полностью погрузиться в процесс с помощью ограничения времени, выделенного на вопрос, также она эффективна для снятия сигналов ЭЭГ, так как присутствует маркер в виде картинки и фиксированная задержка после неё, что позволяет точно отделять сигналы от помех.

3.АНАЛИЗ ДАННЫХ

Анализ данных производился автоматически посредством языка программирования Python, для этого мы написали программу, которая была основана на принципе машинного обучения. Основной задачей анализа данных было получение значений типа – достоверно/не достоверно исходя из частотно-временного массива данных.

За основу мы взяли модель машинного обучения случайные леса по следующим критериям:

1. Устойчивость к переобучению: Случайные леса состоят из множества деревьев решений, что помогает снизить риск переобучения модели. Это важно при работе с данными, которые могут содержать шум или выбросы такие как данные ЭЭГ.
2. Обработка сложных данных: Случайные леса хорошо справляются с данными, которые имеют сложные зависимости между признаками. В случае анализа данных ЭЭГ, где сложные временные и частотные зависимости.
3. Гибкость: Случайные леса могут использоваться как для задач классификации, так и для задач регрессии. В данном случае они используются для классификации увеличения значений в данных ЭЭГ.
4. Эффективность: Случайные леса могут эффективно обрабатывать большие объемы данных и параллельно обучаться, что делает их подходящими для анализа больших наборов данных ЭЭГ.

Рисунок 1. Код для автоматизации обработки данных

4. ЗАКЛЮЧЕНИЕ

Анализ, проведенный нами, показал, что знание нескольких языков оказывает положительное влияние на мозговую активность и когнитивные функции человека. Было обсуждено, как перцептивное принятие решений, основанное на обработке сенсорной информации, требует эффективной координации нейронной активности в различных областях мозга. Основываясь на наших нейрофизиологических исследованиях, можно сказать, что участники, знающие более 1 языка, имеют преимущества в управлении вниманием, адаптивности к изменяющимся когнитивным требованиям и снижении уровня усталости в процессе выполнения задач.

Список литературы:

1. Heekeren H, Marrett S, Bandettini P, Ungerleider L. A general mechanism for perceptual decisionmaking in the human brain. Nature. 2004;431(7010):859–862. DOI: 10.1038/nature02966.
2. Davison E, Schlesinger K, Bassett D, Lynall M, Miller M, Grafton S, Carlson J. Brain network adaptability across task states. PLOS Computational Biology. 2015;11(1):e1004029. DOI: 10.1371/journal.pcbi.1004029.
3. Parks E, Madden D. Brain connectivity and visual attention. Brain Connectivity.2013;3(4):317–338.DOI: 10.1089/brain.2012.0139.
4. Shine J, Poldrack R. Principles of dynamic network reconfiguration across diverse brain states.NeuroImage. 2018;180:396–405. DOI: 10.1016/j.neuroimage.2017.08.010.
5. Smith S. Linking cognition to brain connectivity. Nature Neuroscience. 2016;19(1):7–9.DOI:10.1038/nn.4206.
6. Hramov A, Frolov N, Maksimenko V, Kurkin S, Kazantsev V, Pisarchik A. Functional networks of the brain: from connectivity restoration to dynamic integration. Physics-Uspekhi (accepted).2021. DOI: 10.3367/UFNr.2020.06.038807.
7. van den Heuvel MP, Pol HEH. Exploring the brain network: A review on resting-state fMRI functional connectivity. European Neuropsychopharmacology. 2010;20(8):519–534.DOI: 10.1016/j.euroneuro.2010.03.008.
8. Xu J, Potenza M, Calhoun V. Spatial ICA reveals functional activity hidden from traditional fMRI GLM-based analyses. Frontiers in Neuroscience. 2013;7:154. DOI:10.3389/fnins.2013.00154.
9. Rosenberg M, Finn E, Scheinost D, Papademetris X, Shen X, Constable R, Chun M. A neuromarker of sustained attention from whole-brain functional connectivity. Nature Neuroscience. 2016;19(1):165–171. DOI: 10.1038/nn.4179.
10. Li J, Lim J, Chen Y, Wong K, Thakor N, Bezerianos A, Sun Y. Mid-task break improves global integration of functional connectivity in lower alpha band. Frontiers in Human Neuroscience. 2016;10:304. DOI: 10.3389/fnhum.2016.00304.
11. Finc K, Bonna K, Lewandowska M, Wolak T, Nikadon J, Dreszer J, Duch W, Kuhn S. Transition of the functional brain network related to increasing cognitive demands. Human Brain Mapping. 2017;38(7):3659–3674. DOI: 10.1002/hbm.23621.
12. Fries P. Rhythms for cognition: Communication through coherence. Neuron.2015;88(1):220–235. DOI: 10.1016/j.neuron.2015.09.034.
13. Lisman J, Jensen O. The theta-gamma neural code. Neuron. 2013;77(6):1002–1016. DOI:10.1016/j.neuron.2013.03.007.
14. Canolty R, Edwards E, Dalal S, Soltani M, Nagarajan S, Kirsch H, Berger M, Barbaro N, Knight R. High gamma power is phase-locked to theta oscillations in human neocortex. Science.2006;313(5793):1626–1628. DOI: 10.1126/science.1128115.
15. Maksimenko V, Luttjohann A, Makarov V, Goremyko M, Koronovskii A, Nedaivozov V, Runnova ¨ A, van Luijtelaar G, Hramov A, Boccaletti S. Macroscopic and microscopic spectral properties of brain networks during local and global synchronization. Phys. Rev. E. 2017;96(1):012316. DOI: 10.1103/PhysRevE.96.012316.
16. Michalareas G, Vezoli J, van Pelt S, Schoffelen J, Kennedy H, Fries P. Alpha-beta and gamma rhythms subserve feedback and feedforward influences among human visual cortical areas. Neuron. 2016;89(2):384–397. DOI: 10.1016/j.neuron.2015.12.018.
17. Buffalo E, Fries P, Landman R, Buschman T, Desimone R. Laminar differences in gamma and alpha coherence in the ventral stream. Proceedings of the National Academy of Sciences of the United States of America. 2011;108(27):11262–11267. DOI: 10.1073/pnas.1011284108.
18. Frolov N, Maksimenko V, Hramov A. Revealing a multiplex brain network through the analysis of recurrences. Chaos: An Interdisciplinary Journal of Nonlinear Science. 2020;30(12):121108. DOI: 10.1063/5.0028053.
19. Pisarchik A, Maksimenko V, Andreev A, Frolov N, Makarov V, Zhuravlev M, Runnova A, Hramov A. Coherent resonance in the distributed cortical network during sensory information processing. Scientific Reports. 2019;9(1):18325. DOI: 10.1038/s41598-019-54577-1.
20. Frolov N, Maksimenko V, Khramova M, Pisarchik A, Hramov A. Dynamics of functional connectivity in multilayer cortical brain network during sensory information processing. The European Physical Journal Special Topics. 2019;228(11):2381–2389. DOI: 10.1140/epjst/e2019-900077-7.
21. Maksimenko V, Runnova A, Frolov N, Makarov V, Nedaivozov V, Koronovskii A, Pisarchik A, Hramov A. Multiscale neural connectivity during human sensory processing in the brain. Phys. Rev. E. 2018;97(5):052405. DOI: 10.1103/PhysRevE.97.052405.
22. Mykhailyuk O.Yu., Pohlod H.Ya.  The languages we speak affect our perceptions of the world // UDC 811.111:82-83:316.473 doi: 10.15330/jpnu.2.2-3.36-41 32
23. 23.Hramov A., Maksimenko Vladimir, Frolov Nikita, Kurkin, Semen, Grubov Vadim, Badarin, A., Andreev Andrey, Kazantsev Viktor, Gordleeva Susan, Pitsik Elena, Pisarchik Alexander. (2021). Human brain state monitoring in perceptual decision-making tasks. Izvestiya VUZ. Applied Nonlinear Dynamics. 29. 603-634. 10.18500/0869-6632-2021-29-4-603-634.