CC BY
81
2015 ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА Сер. 10 Вып. 1
ИНФОРМАТИКА
УДК 612.822.3.08
В. А. Дюк1, М. Р. Кравчик2, Ю. И. Сенкевич1
ОБНАРУЖЕНИЕ СУБЛИМИНАЛЬНОГО ВИЗУАЛЬНОГО ВОЗДЕЙСТВИЯ НА ЧЕЛОВЕКА СРЕДСТВАМИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ЭЛЕКТРОЭНЦЕФАЛОГРАФИЧЕСКИХ ИЗМЕРЕНИЙ
1 Санкт-Петербургский институт информатики и автоматизации РАН, Российская Федерация, 199178, Санкт-Петербург, 14-я линия, 39
2 Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, Российская Федерация, 197101, Санкт-Петербург, Кронверкский проспект, 49
В статье на основе эмпирико-статистического исследования показано, что методы интеллектуального анализа данных в сочетании с различными видами препроцессинга позволяют выявлять сложные системные взаимосвязи в многомерных психофизиологических данных без использования традиционной процедуры усреднения реализаций электроэнцефалограмм (ЭЭГ). Обосновано, что применение системных взаимосвязей между разными показателями во временной и частотной областях дает возможность существенно повысить точность и надежность правил выявления эффектов сублиминального визуального воздействия по данным электрофизиологического эксперимента. Кроме того, методы интеллектуального анализа данных в сочетании с новейшими средствами получения электрофизиологической информации позволяют по-новому раскрыть ценность разнообразных экспериментальных показателей, а также ускорить и удешевить процесс создания компьютерных систем в области психофизиологии. Результаты исследований могут быть использованы для проведения сложных экспериментов по обнаружению сублиминально-го визуального воздействия на человека. Специальное программное обеспечение может представлять самостоятельный интерес для внедрения в виде функциональной базы для развития собственных программных средств обработки и анализа электрофизиологической информации. Апробированная на задаче обнаружения сублиминального визуального воздействия методика без применения процедуры накопления и усреднения ЭЭГ-сигнала может быть использована для решения других задач, в первую очередь актуальных задач построения интерфейсов мозг—компьютер. Библиогр. 24 назв.
Ключевые слова: интеллектуальный анализ данных, обработка и анализ ЭЭГ, субли-минальное восприятие.
Дюк Вячеслав Анатольевич — доктор технических наук, ведущий научный сотрудник; e-mail: vyatcheslav.duke@gmail.com
Кравчик Михаил Романович — магистр; e-mail: mikhail.kravchik@gmail.com
Сенкевич Юрий Игоревич — доктор технических наук, ведущий научный сотрудник; e-mail: yury.senkevich@gmail.com
Duke Viacheslav Anatolievich — doctor of technical sciences, leading sciencific collaborator; e-mail: vyatcheslav.duke@gmail.com
Kravchik Mikhail Romanovich — magister; e-mail: mikhail.kravchik@gmail.com
Senkevich Yuri Igorevich — doctor of technical sciences, leading sciencific collaborator; e-mail: yury.senkevich@gmail.com
V. A. Duke1, M. R. Kravchik2, Y. I. Senkevich1
DETECTING SUBLIMINAL VISUAL IMPACT ON HUMAN BEINGS USING DATA MINING OF ELECTROENCEPHALOGRAM RECORDINGS
2 St. Petersburg Institute for Informatics and Automation of Russian Academy of Sciences,
39, 14 line, St. Petersburg, 199178, Russian Federation 2 St. Petersburg State University of Information Technologies, Mechanics and Optics, 49, Kronverksky Ave., St. Petersburg, 197101, Russian Federation
The paper presents results of the research on the methods for analysis of the electroencephalogram. It is shown that data mining together with different preprocessing methods can unveil intricate correlations in multidimensional psychophysiological data without averaging them out. It was proved that using system interconnections between different indicators in time and frequency domains can significantly improve accuracy and reliability of subliminal perception recognition rules in electroencephalographic data. Research results can be used for carrying out complex experiments to detect the subliminal perception of the visual images on human beings. Bibliogr. 24.
Keywords: data mining, processing and analysis of the EEG, subliminal perception.
Введение. Сублиминальное (подпороговое) воздействие определяется как изменение аффективных и когнитивных реакций человека, вызванное внешними стимулами различной модальности, слишком малыми по интенсивности или длительности для того, чтобы быть осознанными. Известно достаточно много громких заявлений о влиянии подпороговых стимулов, которые, однако, не имеют корректного научного подтверждения. Вместе с тем отдельные немногочисленные лабораторные исследования говорят о том, что, например, визуальные стимулы, мелькающие слишком быстро, для того чтобы их можно было увидеть, или «заслоненные» от осознания более сильными стимулами, все-таки оказывают влияние на человека [1]. Изучение сублиминальной подготовки также показало, что подпороговые визуальные стимулы влияют на оценки других стимулов [2-6]. В работе [7] экспериментально подтверждено воздействие включенных в фильм образов на степень тревожности испытуемых. Другие работы свидетельствуют о возможности влияния подпороговой информации на эмоциональное состояние испытуемых [8-10]. В [11] было описано воздействие сублиминальных стимулов на поведение объектов тестирования. Имеются сведения, что стимулы, активирующие бессознательные конфликты, могут негативно влиять на текущую сознательную деятельность [12]. Исследования перцептивной защиты дают основание предполагать, что уже на уровне подпорогового восприятия осуществляются автоматическая классификация стимулов, оценка степени их угрозы [13]. Также показано, что подпороговые стимулы ускоряют опознание связанных с ними слов и других объектов [14, 15]. Известен еще ряд работ, выполненных в последнее время, по оценке сублиминального воздействия на человека (например, [16]). Сюда относится, в частности, одно из наиболее ярких отечественных исследований в области психозондирования и психокоррекции [17, 18]. С одной стороны, влиянию на человека сублиминальных стимулов уделяется много внимания особенно в средствах массовой информации, с другой, - поиск корректных научных исследований в данном направлении приводит к выводу о недостаточной изученности указанного вопроса в эмпирико-статистическом смысле. Кроме того, ряд экспериментов опирается на тесты, дающие субъективные оценки состояния испытуемых. Другие работы, в которых делается попытка получения объективных результатов на основе электрофизиологических измерений, опираются на традиционную парадигму
накопления и усреднения вызванных потенциалов (ВП), существенно ограничивающую возможность выявления системных реакций мозга.
Экспериментальное изучение, являющееся отправным пунктом для настоящей статьи, формально находится в русле методологии ВП, основу которой составляет регистрация биоэлектрических реакций мозга в ответ на внешнее раздражение (в случае сенсорных ВП) и при выполнении когнитивной задачи (в случае когнитивных ВП).
Основное отличие нашего эксперимента (кроме малой длительности сублими-нальных визуальных стимулов - 30-40 мс) состояло в том, что использованные в эксперименте визуальные стимулы не относились к категории простых раздражителей (типа световых вспышек), а были различными структурированными, семантически нагруженными образами, предъявляемыми в разных областях зрительного поля на фоне хаотически распределенных фрагментов этих образов. Потому, как сначала предполагалось, а потом подтвердилось, реакция, отражаемая в регистрируемой электроэнцефалограмме (ЭЭГ), носила сложный системный характер и возникала эпизодически без жесткой временной привязки к каждому стимулу.
Выявление реакции ЭЭГ на неосознаваемые визуальные стимулы потребовало разработки специального подхода к анализу результатов экспериментов с использованием современных компьютерных методов препроцессинга и средств интеллектуального анализа данных, нацеленных на выявление эпизодических многомерных системных эффектов.
Препроцессинг ЭЭГ. Препроцессинг временных рядов - один из ключевых элементов в задачах обнаружения закономерных связей параметров электрофизиологических сигналов с фактом того или иного воздействия на биологический объект. Дальнейший анализ временных рядов в большой мере зависит от способа предварительного их преобразования. Препроцессинг может включать в себя преобразование Фурье, вейвлет-преобразование, кусочно-линейную аппроксимацию, кусочно-постоянную аппроксимацию, символьную аппроксимацию и др.
Эффективным вариантом такого препроцессинга в частотной области в нашем эксперименте зарекомендовал себя переход к ипсативным (автонормированным) периодограммам, вычисляемым по заданным эпохам.
Для препроцессинга ЭЭГ во временной области к продуктивным результатам привел структурно-лингвистический метод, разработанный авторами на основании подходов, предложенных Г. Николсом и И. Пригожиным [19], названный в их монографии «символической динамикой». Метод осуществляет фрагментацию сигнала на отрезки с определенным количеством максимумов и минимумов. Далее для каждого фрагмента измеряются значения максимумов и минимумов сигнала х^ и интервалов между ними т. В результате измерений получается множество, состоящее из пар чисел Х1Т1 Х2Т2 ... хNтN, и строится матрица ранговых отношений между этими парами.
На следующем шаге осуществляется поиск фрагментов, имеющих такую же матрицу отношений. Фрагменты, для которых одинаковые матрицы отношений часто встречаются, принимаются как значащие, и им приписывается конкретное обозначение - символ. Вся найденная в сигнале совокупность символов составляет так называемый алфавит. В целом данный метод описывает локальные структурные особенности сигнала и сохраняет информацию, переносимую первичным сигналом.
Сочетание структурно-лингвистического подхода с преобразованием символьного ряда в матрицу с помощью однопараметрической сдвиговой процедуры «Гусеница»
[20] позволило в дальнейшем применить практически весь арсенал многомерного анализа качественных данных, в том числе современные технологии интеллектуального анализа данных [21].
Используемые программы и методы интеллектуального анализа данных. Задача нашего исследования в общем виде формулируется как задача классификации.
Пусть X - множество описаний объектов, Y - конечное множество меток классов. Существует неизвестная целевая зависимость - отображение y* : X ^ Y, значения которой известны только на объектах конечной обучающей выборки Xm = (.xi,yi),..., (xm,ym). Требуется построить алгоритм а : X ^ Y, способный классифицировать произвольный объект x из X.
Объектами в рассматриваемом случае выступали фрагменты (эпохи) реализации электрофизиологического сигнала. Метки (имена) классов - «имя сублиминального стимула» и «фон». Описания объектов различались в зависимости от применяемого вида препроцессинга. Например, в частотной области это были значения амплитуд различных составляющих спектра, во временной области - результаты символьного представления временного ряда.
Для решения задачи классификации использовались специализированный пакет WEKA и программы, реализующие отдельные алгоритмы интеллектуального анализа данных, - SPSS AnsweeTree (деревья решений), BigBasket и Winartb (поиск ассоциаций в данных), SRMD (поиск логических закономерностей в данных на основе метода структурного резонанса).
Специализированный пакет и отдельные программы пока не получили в России широкого распространения и, по-видимому, требуют более подробных комментариев.
WEKA (Waikato Environment for Knowledge Analysis) - это свободное программное обеспечение для анализа данных, написанное на Java в университете Уайкато (Новая Зеландия), распространяющееся по лицензии GNU GPL. WEKA представляет собой набор средств визуализации и библиотеку алгоритмов машинного обучения для решения задач интеллектуального анализа данных и прогнозирования, с графической пользовательской оболочкой для доступа к ним. Система позволяет непосредственно применять алгоритмы к выборкам данных, а также вызывать алгоритмы из программ на языке Java. В настоящее время это одна их лучших Open source библиотек для Data Mining. Пользователями WEKA являются исследователи в области машинного обучения и прикладных наук.
С точки зрения функциональных возможностей этого специализированного пакета для нас был важным не только широкий набор средств анализа данных, а и удобные инструменты для тестирования моделей классификации с помощью различных кросс-проверок.
SPSS AnswerTree включает четыре различных метода построения деревьев решений. Теоретические представления о методах построения деревьев решений широко представлены в литературе. Достаточно подробно сведения о таких методах излагаются на страницах http://www.basegroup.ru/library/analysis/tree.
Для поиска логических правил в экспериментальных данных использовалась авторская технология SRMD (Structural Resonance in Multidimensional Data), основанная на представлениях локальной геометрии [22]. В этой технологии применяются модифицированный аппарат линейной алгебры и процедура активного формирования структурного резонанса в многомерных данных.
Технология SRMD предназначена для поиска в матрице данных if-then правил
в виде конъюнкции элементарных логических условий:
conditionl Л condition^ Л К Л conditionL
THEN
(conditionM )
(1)
Ai
где «condition l» задает область значений на признаках xi~n I = 1, L, a «condition M», как правило, задает значение (область значений) так называемого целевого показателя, не входящего в антецедент Ai. Значение L называют рангом конъюнкции Ai.
Для характеристики if-then правила удобно использовать два основных показателя - точность и полноту. Точность правила Rij - это доля случаев Bj среди случаев Ai, полнота правила - доля случаев Ai среди случаев Bj. Если какое-либо правило Rij при заданной точности имеет полноту больше, чем правило Rkj (i = к), то правило Rij называют более «сильным». Также нередко говорят, что Rij более информативно, чем Rkj.
Поиск в матрице данных X наиболее сильных правил является экстремальной комбинаторной задачей и в общем случае требует полного перебора всех допустимых конъюнкций элементарных логических условий. Уже при сравнительно небольшом количестве признаков полный перебор становится невозможным даже при применении высокопроизводительной вычислительной техники. Поэтому на практике получили распространение алгоритмы поиска логических правил, использующие различные эвристические допущения. Наиболее популярные среди них - деревья решений, строящиеся на принципе локальной оптимальности, и алгоритмы ограниченного перебора с рангом конъюнкции не более 3. Достаточно полный обзор подобных алгоритмов приведен в [23]. Указанные алгоритмы способны находить «сильные» конъюнкции только в случаях простых структур данных в условиях независимости анализируемых признаков. При исследовании данных, отражающих сложные системные связи предметной области, эти алгоритмы выявляют главным образом «слабые» логические правила, обладающие низкой информативностью.
Суть технологии, основанной на представлениях локальной геометрии и эффекте структурного резонанса, заключается в следующем.
На подготовительном этапе производится переход от исходных признаков xi к бинарным переменным gk (gk равно 0 или 1), кодирующим элементарные события T. Под элементарными событиями понимаются события (xi = а), (xi = а), (а < xi < b), (xi < а) и (xi > а), где а и b - возможные значения x^.. Выбор способа кодирования зависит как от типа признаков xi, так и от личных предпочтений исследователя.
В бинарном пространстве, с одной стороны, любой объект gi изображается точкой, расположенной в какой-либо вершине ^-мерного единичного гиперкуба -gi = (gii , gi2 , giq
)T, где q - общее количество бинарных переменных. С другой стороны, тот же объект представляет собой конъюнкцию элементарных событий. За счет такой двойственности представления объекта дальнейшая комбинаторная процедура поиска логических закономерностей получает геометрическое истолкование.
Комбинаторные ситуации выглядят как точки в образованном бинарном пространстве. Задача поиска логических закономерностей может быть сведена к проецированию точек исходного пространства событий в подпространства событий меньшей размерности, где логические закономерности выглядят как точки этих подпространств, в которые попадает конкретное количество объектов одинакового класса.
Для решения такой задачи выбирается объект gi, который называется опорным, для него конструируется собственное локальное пространство и определяется контекстно-зависимая локальная взвешенная метрика di (gi ,gj ) того или иного типа,
обеспечивающая релевантную контексту иерархию близостей (удаленностей) объектов д^ (] = 1, Ж) относительно объекта д^.
В случае бинарных признаков наиболее естественной метрикой является локальная взвешенная метрика Хэмминга
Лг{дг,Яо )= Д3 , (2)
в которой Д- = (д^ -д3!\, \дг2 -\, ..., -д-ч \)т и т = (т^ )т - весовой
вектор.
Как следует из выражения (2), задача определения контекстно-зависимой локальной метрики заключается в нахождении линейного преобразования новой векторной переменной Д = \дг — д\. Ограничение на вид преобразования накладывается требованием неотрицательности компонент весового вектора «^(/г = 1,</), так как различие объектов дг и д- по какому-либо бинарному признаку д¡. должно обязательно приводить к увеличению расстояния ¿г(дг,д-) либо в случае = 0 вообще не сказываться на изменении расстояния ¿г(дг,д-).
Выделим некоторые важные свойства локального пространства.
Свойство 1. Опорный объект дг располагается в начале координат локального пространства.
Свойство 2. Линейная функция в локальном пространстве с неотрицательными коэффициентами имеет смысл взвешенного расстояния (в нашем случае взвешенного расстояния Хэмминга) от опорного объекта дг.
Свойство 3. Если для некоторого подмножества объектов выполняется условие ттДг, где т - весовой вектор с неотрицательными элементами, то на этом подмножестве истинно следующее логическое высказывание:
(д-1 = д—) л (д-2 = д—) л К л (д> = д—),
где 21 (I = 1,г) - индексы при ненулевых компонентах весового вектора го; дць = (0,1) - элемент бинарного вектора дг.
Еще одно свойство касается обратного перехода от бинарных векторов д—1 к элементарным логическим условиям Т—1, заданным на исходных признаках хг. Оно заключается в следующем:
Т— при д— = 1 (3)
-Т-1 пРи д— = 0.
Для построения локальной метрики могут использоваться различные методы, ориентированные на максимизацию заданного критерия. Продуктивной зарекомендовала себя процедура активного формирования эффекта структурного резонанса. В роли резонатора используется математическая модель метода наименьших квадратов т = (ОЬОь)-1О'ЬУь {Уь - бинарный вектор значений целевой переменной в локальном пространстве, Оь - матрица бинарных данных в локальном пространстве). С помощью модели в локальном пространстве определяется ракурс, относительно которого около опорного объекта стремятся сгруппироваться объекты только его собственного класса. Применяемая далее итерационная процедура изменения указанного ракурса основана на исключении из анализа объектов с относительно высокими значениями невязки, что способствует увеличению «жесткости» модели-резонатора. Это выражается в ухудшении обусловленности матрицы ОЬ Оь и приводит в конечном итоге к известному феномену, когда незначительные возмущения в данных дают
скачкообразные изменения значений весовых коэффициентов в уравнении множественной регрессии. Указанный эффект в традиционном понимании является негативным и разработано достаточно большое число подходов для борьбы с ним (например, метод гребневой регрессии). Однако в рассматриваемом случае все манипуляции с выборкой данных в итерационном процессе поиска логической закономерности, наоборот, направлены на получение такого эффекта, усиливающего выраженность явления структурного резонанса. При этом, конечно, должны быть приняты специальные меры для обеспечения стабильности матричных операций на границе устойчивости.
В процессе исключения из анализа объектов с высокими невязками наступает такой момент, когда весовые коэффициенты wi скачком изменяют свои значения и становятся равны 0 либо 1. Одновременно в точку опорного объекта gi также скачком стягивается группа объектов его собственного класса, которая описывается логическим выражением (3). Предложенный метод назван нами методом структурного резонанса (СР).
Основные характеристики технологии SRMD: нахождение «сильных» (наиболее полных при заданной точности) «ЕСЛИ-ТО» правил для каждой записи базы данных; построение и тестирование классификаторов данных на основе «ЕСЛИ-ТО» правил; построение «нечетких» «ЕСЛИ-ТО» правил. С помощью технологии SRMD удается создавать компактные и эффективные экспертные системы для получения высокоточных диагностических и прогностических решений. Программная реализация технологии - система Argos Data Mining (Свидетельство об официальной регистрации программы для ЭВМ № 2007612080).
Метод СР на большом количестве специальных тестовых примеров продемонстрировал способность находить в многомерных данных сильные правила вида (1). Эффективность метода СР подтверждена рядом успешно решенных практических задач, относящихся к области медико-биологических исследований [24].
Система BigBasket также реализует новую технологию поиска ассоциативных правил в цепочках символов, основанную на модифицированном аппарате линейной алгебры с использованием процедуры самоорганизации данных и эффекта структурного резонанса SRMD. Уникальные свойства системы позволяют находить в данных высокоточные ассоциации элементов исходного множества транзакций с заданным элементом. Эти множества образуют корзину с высоким уровнем обеспечения (support) и длинным набором элементов (long itemsets).
Система BigBasket в настоящем исследовании применялась для поиска ассоциаций набора символов, которыми описывается та или иная эпоха (фрагмент) психофизиологического сигнала, с целевой переменой (меткой класса).
Программа Winartb реализует популярный алгоритм Apriori для поиска ассоциаций в данных, представленных цепочками символов разной длины. Как и система BigBasket, программа Winartb предназначена для поиска ассоциаций набора символов, которыми описывается та или иная эпоха (фрагмент) психофизиологического сигнала, с целевой переменой (меткой класса).
Различные методы по-разному проявили себя в задаче выявления закономерных связей стимул-реакция ЭЭГ. Когда в экспериментальных данных отсутствовали сильные корреляции между признаками, лучшие результаты демонстрировал простейший алгоритм наивного Байеса. Когда корреляции начинали играть свою роль, успешнее оказывались результаты алгоритмов деревьев решений. И, наконец, в ряде случаев удавалось обнаруживать сложную системную реакцию мозга с помощью метода структурного резонанса. Оценки эффективности того или иного метода
проводились с использованием процедуры кросс-проверки с разбиением выборки на 10 блоков. Иногда эти оценки дополнялись таблицами классификаций на тестовой выборке, размер которой варьировался.
Эксперимент и результаты исследования. Для получения экспериментального материала была использована следующая методика психофизиологического эксперимента.
Перед испытуемым располагался экран, на котором непрерывно отображались кольца Ландольта для концентрации внимания и два различных сублиминальных (предъявление 30-40 мс) контурных изображения известных объектов. Испытуемый, обнаружив изменение ориентации кольца Ландольта, нажимал кнопку, обозначая осознанную реакцию. Время записи ЭЭГ в каждом сеансе эксперимента составляло около 7 мин. В ходе сеанса испытуемому выводили на экран серию сублиминаль-ных изображений, поступающих через случайные интервалы времени, но не менее 2 с между соседними предъявлениями. Расположение ЭЭГ-электродов на голове испытуемого соответствовало международной системе «10-20». Регистрация сигналов производилась с частотой 500 Гц. Общее количество обследованных составило 21 человека (10 мужчин и 11 женщин в возрасте от 19 до 23 лет).
Применение комплекса методов интеллектуального анализа данных для исследования эффекта сублиминального визуального воздействия привело к следующим результатам.
Представление сигнала ЭЭГ в виде автонормированных периодограмм эпох:
• у 71 % испытуемых в периодограммах ЭЭГ выделены статистически значимые паттерны;
• информативные паттерны, обнаруживаемые у испытуемых, носят индивидуальный характер;
• характерной особенностью обнаруженных паттернов является то, что они относятся главным образом к высокочастотной области периодограмм ЭЭГ (выше 30 Гц). Возможно, это является подтверждением теории, что гамма-ритм (от 30 до 120-170 Гц) наблюдается при решении задач, требующих максимального сосредоточенного внимания;
• статистическое исследование двух испытуемых подтвердило факт воспроизводимости паттернов, найденных в данных ЭЭГ первой сессии, периодограммах ЭЭГ, измеренной во второй сессии. Однако частота встречаемости паттернов во второй сессии существенно снижается.
Символьное представление ЭЭГ:
• символьное представление, представляющее локальные структурные особенности ЭЭГ, в высокой степени отражает тонкие эффекты, связанные с воздействием на испытуемых сублиминальных визуальных стимулов;
• сочетание символьного представления ЭЭГ с последующей обработкой методами интеллектуального анализа данных позволило выявить статистически значимые (информативные) паттерны у 93% испытуемых, связанные с воздействием сублиминальных визуальных стимулов;
• появление информативных паттернов в ЭЭГ - относительно редко встречающееся событие. Частота таких паттернов в смешанной выборке данных (сигнал и фон) на разных отведениях колеблется от 3 до 6%;
• информативные паттерны являются индивидуальными для каждого испытуемого;
• воздействие сублиминальных сложноструктурированных визуальных стиму-
лов на испытуемых выражается в увеличении частоты встречаемости информативных паттернов в ЭЭГ. Например, в сигнале с 1-го отведения частота встречаемости паттернов увеличивается в среднем на 67.4%, на 12-м отведении - на 79.8%, на 14-м - на 78%, на 19-м - на 60.8%.
Заключение. Методы интеллектуального анализа данных в сочетании с различными видами препроцессинга позволили выявить сложные системные взаимосвязи в многомерных психофизиологических данных без помощи традиционной процедуры усреднения реализаций ЭЭГ.
Применение системных взаимосвязей между разными показателями во временной и частотной областях дало возможность существенно повысить точность и надежность правил выявления эффектов сублиминального визуального воздействия по данным электрофизиологического эксперимента.
Методы интеллектуального анализа данных в сочетании с новейшими средствами получения электрофизиологической информации дают возможность по-новому раскрыть ценность различных экспериментальных показателей, а также ускорить и удешевить процесс создания компьютерных систем в области психофизиологии.
Результаты исследований могут быть использованы для проведения сложных медико-биологических экспериментов по обнаружению сублиминального визуального воздействия на человека. Специальное программное обеспечение может представлять самостоятельный интерес для внедрения в виде функциональной базы для развития собственных программных средств обработки и анализа биомедицинской информации. Апробированная на задаче обнаружения сублиминального визуального воздействия методика без применения процедуры накопления и усреднения ЭЭГ-сигнала может быть реализована при решении других задач, в первую очередь актуальных задач построения интерфейсов мозг-компьютер.
В настоящее время авторский коллектив проводит серию экспериментов по выявлению тонких психофизиологических явлений в интересах разработки автоматических систем распознавания эмоциональных реакций человека на сложные цветовые образы, с использованием разработанных методов препроцессинга и анализа ЭЭГ. Она является логическим продолжением описанного в статье поиска устойчивых признаков для классификации отражений функциональной активности мозга человека при визуальном воздействии.
Литература
1. Зимбардо Ф, Ляйппе М. Социальное влияние / пер. с англ. Н. Мальгина, А. Федорова; под ред. В. Усманова. СПб.: Питер, 2001. 448 с.
2. Bargh A., Pietromonaco P. Automatic information processing and social perception: The influence of trait information presented outside of conscious awareness on impression formation // Journal of Personality and Social Psychology. 1982. Vol. 43. P. 437-449.
3. Gilbert D. T., Hixon J. G. The trouble of thinking: Activation and application of stereotypic beliefs // Journal of Personality and Social Psychology. 1991. Vol. 60. P. 509-517.
4. Krosnick J. A., Betz A. L., Jussim L. J. Subliminal conditioning of attitudes // Personal and Social Psychology Bulletin. 1992. Vol. 18. P. 152-162.
5. Spencer S. J., Fein S., Wolfe C. T. Automatic activation of stereotypes: The role of self-image threat // Personal and Social Psychology Bulletin. 1998. Vol. 24. P. 1139-1152.
6. Kunst-Wilson W. R., Zajonc R. B. Affective discrimination of stimuli that cannot be recognized // Science. 1980. Vol. 207. P. 557-558.
7. Robles R., Smith R., Carver С. S., Wellens A. R. Influence of subliminal visual images on the experience of anxiety // Personality and Social Psychology Bulletin. 1987. Vol. 13. P. 399-410.
8. Key W. B. Subliminal seduction: Ad media's manipulation of a not so innocent America. New York: Signet, 1974. 148 p.
9. Nisbett R. E., Wilson T. D. Telling more than we can know: Verbal reports on mental processes // Psychological Review. 1977. Vol. 84. P. 231-259.
10. Костандов Э. А. Осознаваемые и неосознаваемые формы высшей нервной деятельности человека. Л.: Наука, 1988. 677 с.
11. Bornstein R. F., Leone D. R., Galley D. J. The generalizability of subliminal mere exposure effects: Influence of stimuli perceived without awareness on social behavior // Journal of Personality and Social Psychology. 1987. Vol. 53. P. 1070-1079.
12. ¡Silverman L. H., Ross D. L., Adler J. M., Lustig D. A. Simple research paradigm for demonstrating subliminal psychodynamic activation: Effects of oedipal stimuli on dart throwing accuracy in college males // Journal of Abnormal Psychology. 1978. Vol. 87. P. 341-357.
13. Bruner J. Another look at New Look 1 // American Psychologist. 1992. Vol. 47, N 6. P. 780-783.
14. Marcel A. J. Conscious and unconscious perception: Experiments on visual masking and word recognition // Cognitive Psychology. 1983. Vol. 15. P. 197-237.
15. MacLeod C., Hagan R. Anxiety and the selective processing of emotional information // Behavior Research and Therapy. 1992. Vol. 30. P. 151-161.
16. Филиппова М. Г. Восприятие без осознания и целесообразность его участия в психодиагностическом исследовании // Вестн. С.-Петерб. ун-та. Сер. 12: Психология, социология, педагогика. 2008. Вып. 2. С. 101-108.
17. Смирнов И., Безносюк Е., Журавлёв А. Психотехнологии: Компьютерный психосемантический анализ и психокоррекция на неосознаваемом уровне. М.: Издат. группа Прогресс-Культура, 1995. 416 с.
18. Смирнов И. В. Психоэкология. М.: Издат. дом «Холодильное дело», 2003. 336 с.
19. Николс Г., Пригожин И. Синергетика. Познание сложного / пер. с англ. В. Ф. Пастушенко. М.: УРСС, 2003. 342 с. (С. 212-224.)
20. Данилов Д. Л., Жиглявский А. А. Главные компоненты временных рядов: метод «Гусеница». СПб.: С.-Петерб. гос. ун-т, 1997. 307 с.
21. Дюк В. А., Самойленко А. П. Data Mining: учебный курс. СПб.: Питер, 2001. 368 с.
22. Дюк В. А. Обработка данных на ПК в примерах. СПб.: Питер, 1997. 240 с.
23. Воронцов К. В. Лекции по логическим алгоритмам классификации. 2007. 48 с. [Электронный ресурс]. Режим доступа: URL: http://www.ccas.ru/voron/download/LogicAlgs.pdf.
24. Дюк В. А., Эмануэль В. Л. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. 528 с.
References
1. Zimbardo P. G., Leippe M. R. Social'noe vlijanie (The Psychology of Attitude Change and Social Influence). New York: McGraw-Hill, 1991, 370 p.
2. Bargh A., Pietromonaco P. Automatic information processing and social perception: The influence of trait information presented outside of conscious awareness on impression formation. Journal of Personality and Social Psychology, 1982, vol. 43, pp. 437-449.
3. Gilbert D. T., Hixon J. G. The trouble of thinking: Activation and application of stereotypic beliefs. Journal of Personality and Social Psychology, 1991, vol. 60, pp. 509-517.
4. Krosnick J. A., Betz A. L., Jussim L. J. Subliminal conditioning of attitudes. Personal and Social Psychology Bulletin, 1992, vol. 18, pp. 152-162.
5. Spencer S. J., Fein S., Wolfe C. T. Automatic activation of stereotypes: The role of self-image threat. Personal and Social Psychology Bulletin, 1998, vol. 24, pp. 1139-1152.
6. Kunst-Wilson W. R., Zajonc R. B. Affective discrimination of stimuli that cannot be recognized. Science, 1980, vol. 207, pp. 557-558.
7. Robles R., Smith R., Carver С. S., Wellens A. R. Influence of subliminal visual images on the experience of anxiety. Personality and Social Psychology Bulletin, 1987, vol. 13, pp. 399-410.
8. Key W. B. Subliminal seduction: Ad media's manipulation of a not so innocent America. New York: Signet, 1974, 148 p.
9. Nisbett R. E., Wilson T. D. Telling more than we can know: Verbal reports on mental processes. Psychological Review, 1977, vol. 84, pp. 231-259.
10. Kostandov E. A. Osoznavaemye i neosoznavaemye formy vysshej nervnoj dejatel'nosti cheloveka (Conscious and unconscious forms of higher nervous activity). Leningrad: Nauka, 1988, 677 p.
11. Bornstein R. F., Leone D. R., Galley D. J. The generalizability of subliminal mere exposure effects: Influence of stimuli perceived without awareness on social behavior. Journal of Personality and Social Psychology, 1987, vol. 53, pp. 1070-1079.
12. Silverman L. H., Ross D. L., Adler J. M., Lustig D. A. Simple research paradigm for demonstrating
subliminal psychodynamic activation: Effects of oedipal stimuli on dart throwing accuracy in college males. Journal of Abnormal Psychology, 1978, vol. 87, pp. 341—357.
13. Bruner J. Another look at New Look 1. American Psychologist, 1992, vol. 47, no. 6, pp. 780—783.
14. Marcel A. J. Conscious and unconscious perception: Experiments on visual masking and word recognition. Cognitive Psychology, 1983, vol. 15, pp. 197—237.
15. MacLeod C., Hagan R. Anxiety and the selective processing of emotional information. Behavior Research and Therapy, 1992, vol. 30, pp. 151—161.
16. Filippova M. G. Vosprijatie bez osoznanija i celesoobraznost' ego uchastija v psihodiagnostiches-kom issledovanii (Perception without awareness and expediency of its participation in the psychodiagnostic study). Vestn. of St. Petersburg University. Serie 12: Psychology, sociology, pedagogics, 2008, issue 2, pp. 101-108.
17. Smirnov I., Beznosyuk E., Zhuravlev A. Psihotehnologii: Komp'juternyj psihosemanticheskij analiz i psihokorrekcija na neosoznavaemom urovne (Psychotechnologies: Computer psychosemantic analysis and therapy at an unconscious level). Moscow: Izdat. Group Progress Culture, 1995, 416 p.
18. Smirnov I. V. Psihojekologija (Psycho-ecology). Moscow: Izdat. Dom "Holodilnoe delo", 2003, 336 p.
19. Nocolis G., Prigogine I. Sinergetika. Poznanie slozhnogo (Exploring Complexity). New York: W.h. Freeman & Company, 1989, 328 p.
20. Danilov D. L., Zhiglyavskii A. A. Glavnye komponenty vremennyh rjadov: metod «Gusenica» (The main components of the time series: "Caterpillar" method). St. Petersburg: St. Petersburg State University Press, 1997, 307 p.
21. Duke V. A., Samojlenko A. P. Data Mining: uchebnyj kurs (Data Mining: training course). St. Petersburg: Piter, 2001, 368 p.
22. Duke V. A. Obrabotka dannyh na PK v primerah (Processing data on the PC in Examples). St. Petersburg: Piter, 1997, 240 p.
23. Vorontsov K. B. Lekciipo logicheskim algoritmam klassifikacii (Lectures on the logic classification algorithms). 2007, 48 p. [Electronic resource]. URL: http://www.ccas.ru/voron/download/LogicAlgs.pdf.
24. Duke V. A., Emanuel V. L. Informacionnye tehnologii v mediko-biologicheskih issledovanijah (Information technologies in biomedical research). St. Petersburg: Piter, 2003, 528 p.
Статья рекомендована к печати проф. Д. Ю. Добрыниным. Статья поступила в редакцию 13 ноября 2014 г.
