ИСТИНА

Введение. Альфа-осцилляции это результат работы механизма ауторитмической генера- ции импульса и синхронизации нейрональных ансамблей. Они являются одни- ми из наиболее значимых характеристик нейронной активности головного моз- га, отражающие механизмы когнитивной деятельности, эмоций и модуляции межмодальной сенсорной и сенсомоторной интеграции. (Angelakis et al., 2004; Klimesch 2012; Samaha et al 2015; Mierau et al., 2019.) Известно, что кроме одного показателя амплитуды альфа-волн, более значимыми для ЭЭГ оценки нейрональной активности служат количественные характеристики альфа-волн такие, как: спектральная мощность в индивидуальных альфа-1 и альфа-2 диа- пазонах, выраженность реакции активации (Бергер эффекта), индивидуальная 78 Клиническая нейрофизиология и нейрореабилитация — 2021 IX Всероссийская конференция с международным участием частота альфа-пика (Bazanova &Vernon 2014). Актуальность. Вследствие высокой межличностной и ситуативной индивиду- альной вариабельности частоты доминантных альфа-осцилляций (Angelakis et al., 2004; Klimesch, 2012) частотные границы и показатели активации альфа-ди- апазона могут существенно отличаться от стандартных (договорных) значений. Т.о. индивидуальный диапазон альфа-активности для конкретного человека может перекрываться со стандартными тета- и/или бета-диапазонами, что особенно важно учитывать при персонализированном подходе к нейротера- пии (van der Vinne et al., 2021}, в психомоторном обучении (Gutmann et al., 2018: Bazanova et al., 2009), и особенно в технологии нейробиоуправления с исполь- зованием биологической обратной связи, т.к. тренинг по неиндивидуально установленным диапазонам ЭЭГ может привести к ухудшению состояния па- циента (Bazanova&Aftanas 2010). Таким образом. в целях персонализированных подходов в медицине и образовании, требуется анализ индивидуально устанав- ливаемых характеристик альфа ЭЭГ с последующей реализацией в виде неко- торого автоматизированного обработчика, например скрипта в среде matlab/ eeglab. Методы. Сначала в среде matlab/eeglab проводится стандартный этап пред- подготовки, который как правило включает в себя фильтрацию ЭЭГ сигнала, нивелирование влияния референсных каналов, удаление выделенных с по- мощью анализа независимых компонент артефактов,. Также предварительно выделяется не менее двух безартефактных эпох длительностью в 8 секунд на отрезке ЭЭГ, зарегистрированном при закрытых глазах и одного 8 секундного периода ЭЭГ, зарегистрированного сразу после открывания глаз. Результаты. Скрипт позволяет, загрузив предподготовленные файлы ЭЭГ для открытых и закрытых глаз, провести индивидуальные вычисления серии харак- теристик альфа-активности мозга: индивидуальную частоту альфа-пика при закрытых глазах, верхней и нижней границ индивидуального альфа-диапазона, ширину альфа-частотного диапазона и соответственно, мощности альфа волн в индивидуальном низко- и высокочастотном альфа-диапазоне и уровень ней- рональной активации в этих эмпирически определяемых диапазонах частот. Скрипт может быть применен к большому количеству файлов с сохранением результатов для каждого файла в соответствующих колонках xls-файла. Ис- пользование такой последовательности обработки ЭЭГ позволяет автомати- зировать анализ ЭЭГ-файлов как для разных записей одного испытуемого, так и различных испытуемых и т.о. позволяет удобно прослеживать как тренды динамики для одного испытуемого, так и анализировать межиндивидуальные различия. Список цитируемой литературы 1. Angelakis E, Lubar JF, Stathopoulou S. Electroencephalographic peak alpha frequency correlates of cognitive traits. Neurosci Lett. 2004 – V.371(1) – P.60–63. doi: 0.1016/j.neulet.2004.08.041. Клиническая нейрофизиология и нейрореабилитация — 2021 79 IX Всероссийская конференция с международным участием 2. Bazanova O.M., Vernon D. (2014), Interpreting EEG alpha activity. Neurosci Biobehav Rev. 2014 Jul;44:94-110. doi: 10.1016/j.neubiorev.2013.05.007. Epub 2013 May 20. PMID: 23701947. DOI 10.1016/j.neubiorev.2013.05.007 3. Bazanova, O. M., Aftanas, L. I.(2010), Individual EEG Alpha Activity Analysis for Enhancement Neurofeedback Efficiency: Two Case Studies, Journal of Neurotherapy, 14: 3, 244 — 253, DOI 10.1080/10874208.2010.501517 4. Bazanova OM, Mernaya EM, Shtark MB. Biofeedback in psychomotor training. Electrophysiological basis. Neurosci Behav Physiol. 2009 Jun;39(5):437-47. doi: 10.1007/s11055-009-9157-z. 5. Gutmann B, Hülsdünker T, Mierau J, Strüder HK, Mierau A. Exercise-induced changes in EEG alpha power depend on frequency band definition mode. Neurosci Lett. 2018 Jan 1;662:271-275. doi: 10.1016/j.neulet.2017.10.033. 6. Mierau A, Klimesch W, Lefebvre J. State-dependent alpha peak frequency shifts: Experimental evidence, potential mechanisms and functional implications. Neuroscience. 2017 – V.360 – P.146–154. doi: 10.1016/j. neuroscience.2017.07.037. 7. Samaha J, Postle BR. The Speed of Alpha-Band Oscillations Predicts the Temporal Resolution of Visual Perception. Curr Biol. 2015;25(22):2985-2990. doi:10.1016/j.cub.2015.10.007 8. van der Vinne N, Vollebregt MA, Rush AJ, Eebes M, van Putten MJAM, Arns M. EEG biomarker informed prescription of antidepressants in MDD: a feasibility trial. Eur Neuropsychopharmacol. 2021 Mar;44:14-22. doi: 10.1016/j. euroneuro.2020.12.005. Работа выполнена за счет средств федерального бюджета на проведение фундаментальных научных исследований (тема № АААА-А21_121011990039-2, 2021-2025 г.) при частичной поддержке РФФИ (проект № 19-013-00317а, 2019- 2022г.).