Введение
Специфика современного состояния проблемы анализа активности мозга состоит в смещении исследования этой активности при решении конкретных задач на изучение активности мозга до или после решения внешне по-ставленных задач. Оказалось, что эта активность может в существенной мере предсказать многие аспекты выполнения задач (Величковский и др. 2019; Князев и др. 2021; Николаева 2021). Другой важной особенностью является понимание значимости изучения не столько активности структур мозга, вовлеченных в ту или иную активность, сколько поиск сетей взаимосвязан-ных нейронов, вовлеченных в эту активность. Подобное смещение требует поиска нового математического аппарата и новых моделей описания взаимодействующих параметров.
Цель исследования — описание модели со-отношения активности сетей по умолчанию с уровнем сформированности исполнительных функций, позволяющей предсказать степень успешности поиска школьником информации в интернете.
Обзор современного состояния проблемы
Появление новых инструментов анализа со-стояния активности мозга, и прежде всего, различных методов визуализации, позволило представить мозг не как некоторую совокупность структур, но как единство, воплощенное в функционировании множества связанных в различные сети нейронов, контролируемых функциональными реле — хабами (Пирадов и др. 2016). Тот факт, что активность мозга не прекращается после выполнения той или иной задачи, но, напротив, потребление энергии в состоянии пассивного покоя и выполнения внешнего задания практически не отличается, позволяет сделать ряд предположений о воз-можности использования этого состояния меж-ду воздействиями для предсказания эффектив-ности включенности в будущую навязанную деятельность. Сочетание этих двух подходов позволило обнаружить сети синхронно активных нейронов, которые были названы сетями покоя, или сетями по умолчанию (Buckneretal. 2008.). Значимость открытия подобных сетей важна не только для понимания работы мозга, но и в практическом плане для получения качественных записей ЭЭГ: запись ЭЭГ с закрытыми глазами в случае обследования детей резко снижает число артефактов, что позволяет получать более надежные результаты.
Первой подобной сетью стала первичная моторная сеть, включающая активность моторных областей правого и левого полушарий головного мозга (Biswal etal. 1997). В настоящее время описано около восьми сетей покоя, среди которых в большей мере изучены три, имеющие отношение к когнитивной активности человека: сеть пассивного режима (оперативного покоя) работы мозга (default mode network), сеть выявления значимости (salience network) и исполнительная сеть или сеть исполнительного (управляющего) контроля (executive-control network) (Di etal. 2013).
Сеть пассивного режима работы мозга была открыта М. Райхлом (Raichle 2015) и включает префронтальную, переднюю и заднюю сингулярную кору, нижневисочную извилину и верхнюю теменную дольку (Seeley etal. 2007). Есть предположение, что ее активность связана со свободным потоком сознания человека, когда нет внешней задачи, но есть погруженность внутрь себя. Сеть выявления значимости включает дорзальные отделы сингулярной коры и орбитальную кору, которые взаимодействуют с подкорковыми структурами лимбической системы. Сеть исполнительного контроля включает дорсолатеральную префронтальную и теменную кору (Culpepper 2015).
Есть некоторая проблема обозначения последней сети на русском языке, поскольку английское слово «executive» на русский язык может переводиться как «управляющий, регуляторный», так и «исполнительный». В русско-язычных источниках можно встретить оба варианта как для исполнительных (управляющих) сетей мозга, так и для исполнительных (управляющих) когнитивных функций. Ранее мы показали, что наиболее точным будет использования длинного термина «функции управления изменением поведения». Тем не менее в российских источниках одинаково прижились оба термина (Николаева, Вергунов 2017). В данной работе мы будем использовать термины «исполнительные сети» и «исполнительные функции».
Исполнительные функции (executivefunctions) — функции, включающиеся в активность, когда шаблонное поведение меняется на новое. К ним относятся тормозный (когнитивный контроль), рабочая память и когнитивная гибкость (Diamond 2013).
Чаще всего соотнесение той или иной сети с состоянием человека происходит на основе опроса испытуемых о том, о чем они думали в момент записи ЭЭГ. С нашей точки зрения, интересно также и соотнесение подобных сетей с будущей активностью. Наибольший интерес представляет соотнесение исполнительной сети с исполнительными функциями, поскольку есть достаточно понятные методы оценки исполни-тельных функций, и есть понимание, нейроны каких областей должны быть синхронизированы при описании исполнительной сети.
Для оценки исполнительных функций была выбрана задача поиска в интернете информации. Поиск информации в интернете — одна из самых актуальных задач учащегося в настоящее время, как в школе, так и дома (Твенге 2021; Хансен 2021). Ученики сталкиваются с ней при работе в классе и при подготовке домашних заданий (Улс 2019; Bezgodovaetal. 2020). Более того, экзамены в вузы в настоящее время стали про-водиться удаленно, что обнаруживает весьма нерадостную картину, состоящую в том, что часть абитуриентов не может зайти в личный кабинет, а затем не может войти на экзамен (Вулф 2021; Килби 2019). Все это ставит вопрос о более глубоком понимании причин неудач при поиске информации в интернете. В этой работе мы ставим задачу разработать модель соотношения активности исполнительной сети и исполнительных функций, позволяющую описать степень успешности поиска подростком информации в интернете. При постановке цели мы опирались на принцип, согласно которому, чем выше коэффициент корреляции между областями мозга в состоянии покоя, тем выше вероятность их совместной активации и в соответствующем задании (Di etal. 2013). Проблема состояла в решении задачи восстановления активности сетей при использовании 64-канальном ЭЭГ, тогда ранее были описаны сети на основе анализа 124 и 256 каналов или на основе данных визуализации. Необходимо было найти математический метод, позволяющий проанализировать взаимодействие изучаемых каналов.
Организация и методы исследования
Психофизиологическими показателями эффективности когнитивной активности в интернете были выбраны исполнительные сети ЭЭГ и исполнительные функции. Выбор именно этих характеристик обусловлен тем, что изменение ЭЭГ активности может отражать напряженность мозговой деятельности в процессе выполнения задания, а уровень сформированности исполнительных функций отражает качество регуляции когнитивной активности в процессе выполнения задания (Разумникова, Николаева 2021). Кроме этого, были использованы данные, полученные с помощью айтрекера, поскольку движение глаз при чтении информации позволяло контролировать включенность испытуемого в активность (Николаева, Сутормина 2022; Conklin etal. 2018). Испытуемым давалось задание поиска ответа на заданный вопрос: «Найдите, какой самый крупный кратер на Марсе?». При поиске использовался браузер «Яндекс». Результат поиска оценивался как «верный» или «неверный».
В эксперименте участвовало 68 школьников в возрасте 8–16 лет (из них 30 девочек). Дети были заинтересованы в выполнении заданий, так как до начала исследования им сообщалось, что они не только получат все результаты исследования, но смогут поучаствовать в собственном небольшом исследовании, где они увидят изменения на ЭЭГ и айтрекинге под воздействием тех задач, которые они поставят сами. Многие дети интересовались тем, как работает их мозг. После основного исследования дети участвовали в собственном эксперименте, в котором они закрывали и открывали глаза, не двигались для обнаружения Мю-ритма, наблюдали изменения различных ритмов, рассматривали тепловые карты и карты движения взгляда по результатам айтрекинга.
У обследуемых записывали до начала эксперимента ЭЭГ в состоянии оперативного покоя при закрытых глазах, затем оценивали исполнительные функции и окулограмму, после это-го они производили поиск в интернете для выполнения предложенного им задания, затем проводилась вторая запись ЭЭГ в состоянии оперативного покоя.
Для изучения электрической активности мозга был использован итальянский электро-энцефалограф BE Plus PRO (64 канала, частота дискретизации 1000Гц). Поскольку поиск ин-формации требует активности глаз, которые при движении создают сигнал, создающий су-щественные помехи на записи ЭЭГ, то электро-энцефалограмму регистрировали до начала работы в интернете и после нее. Запись велась в течение 5 минут до и после поиска информации подростком информации в интернете. Непрерывные данные фильтровались (1–45Гц) с использованием функции FIR-фильтра (Delorme, Makeig 2004). Для удаления артефактов ЭЭГ-записи обрабатывалась в EEGLAB методом ICA. Затем ЭЭГ-данные были пересчитаны до среднего эталона и подверглись понижающей дискретизации до 250Гц (рис. 1).
Спектральный анализ проводился методом STFT (Short-Time Fourier Transform, FFT Length = 2048, Windows type Barltett, перекрытие 50%). Таким образом, были получены амплитуды спектра для эпох продолжительностью 4 секунды по всем частотам. Затем эти результаты суммировались по диапазонам частот шириной 1Гц (число эпох для всех записей было одинаковым и составило 42 эпохи).
Типичный пример STFT-анализа амплитуд спектра ЭЭГ-регистрации испытуемого с за-крытыми глазами в состоянии оперативного покоя приведен на рисунке 1 (Short-TimeFou-rierTransform, FFT Length = 2048, WindowstypeBarltett, перекрытие 50%), был сделан у испытуемого No70 (запись «до»).
Из показателей исполнительных функции в анализ вошли:
• интерференционное торможение и обучение в процессе воспроизведения из авторской методики, направленной на описание характеристик зрительной рабочей памяти О. М.Разумниковой (Разумникова, Николаева 2019а).
• число ошибок в парадигме go/no-goиз авторской методики Е. Г.Вергунова (Николаева, Вергунов 2021) для оценки тормознóго контроля.
Описание результатов анализа исполнительных функций было сделано в предыдущих статьях (Микляева и др. 2022; Николаева, Сутормина 2022).
Согласно современным представлениям, в рабочей памяти существует два механизма, обеспечивающие изменение ее параметров в процессе деятельности: интерференционное торможение и обучение в процессе воспроизведения. Первый механизм состоит в том, что каждое последующее воспроизведение имеет более низкий уровень по отношению к предыдущему, поскольку ранее заученная информация препятствует запоминанию последующей. Механизм обучения как следствие воспроизведения состоит в том, что человек с каждым последующим воспроизведением ищет стратегию, препятствующую интерференционному торможению, что приводит к улучшению объема каждого последующего воспроизведения. По нашим данным, этот механизм формируется постепенно и наиболее активно включается в подростковом возрасте (Разумникова, Николаева 2019b).
Описание методик
Когнитивный (тормозный) контроль принято исследовать в парадигме go/go и go/no-go. На экране монитора появляются круги разного цвета. В первой серии испытуемому необходи-мо нажимать на пробел каждый раз, когда по-является круг (go). Во второй серии необходимо нажимать на все круги кроме красного (no-go). Следовательно, сначала у испытуемого вырабатывается определенная реакция, а потом оценивается скорость формирования тормозной реакции при запрете реагировать на определенный стимул. Число ошибочных реакций обратно сформированности тормозного контроля (Кривощеков и др. 2022).
Показатели рабочей памяти также оценивались с помощью компьютерной методики. На экране испытуемому предъявлялись раз-личные объекты в произвольном порядке (n = 30) в арифметической прогрессии (d = 1). Каждый раз необходимо было с помощью ком-пьютерной мыши нажимать на новый объект. Задание повторялось три раза, но одни и те же объекты появлялись в разной последователь-ности в каждом предъявлении. Уменьшение числа запомненных объектов в каждой после-дующей попытке оценивалось как интерференционное торможение, а увеличение числа запомненных объектов в последующей попытке по отношению к предыдущей определялось как обучение в процессе воспроизведения.
Для оценки параметров окулографии использовался айтрекер Gazepoint GP3 HD. Это дистанционный айтрекер, представляет собой блок, который располагается на подставке между испытуемым и монитором ноутбука. Технические характеристики айтрекера Gazepoint GP3 HD: точность регистрации: 0,5–1,0 град; рабочая частота: 150Гц; калибровка по 5 или 9 точкам (в исследовании — 9 точек); область свободно-го перемещения головы: по горизонтали не менее 35 см; по вертикали не менее 22см; вперед/назад не менее 15см в каждую сторону; размеры: 320 × 45 × 47 (мм); вес 170г. (Николаева, Сутормина 2022).
Испытуемый читал про себя инструкцию — задание для поиска в интернете (область интереса). Она предъявлялась на экране монитора черными буквами на белом фоне. Оценивались параметры: время фиксации на области интереса (показывает суммарное время, которое взгляд находился в пределах области интереса); длительность первой фиксации (показывает время первой фиксации взгляда в пределах области интереса при первом попадании); число повторных возвратов в область интереса (показывает сколько раз испытуемый отводил взгляд и возвращал в область интереса); среднее время фиксаций (выводит среднюю длительность фиксаций на области интереса; суммарное время нахождения взора в области интереса, деленное на количество фиксаций в этой области); все фиксации (сумма всех фиксаций в области интереса). На этом этапе эксперимента в анализ было включено число повторных возвратов в область интереса.
Испытуемые, которые не прошли полный набор методик или записи ЭЭГ, которых содержали высокий уровень «шума», были исключены из дальнейшей обработки.
Результатом многомерного анализа стала бикомпонентная (Tw o-BlockPLS) модель.
PLS-анализ — это метод получения проекций на латентные структуры (ProjectiontoLatentStructure), первоначальное название «метод частичных наименьших квадратов» (PartialLeastSquares). Эффективным инструментом PLS-анализа является бикомпонентные модели (2B-PLS, Tw o-BlockPLS) (Kovalevaetal. 2019). Бикомпонентные модели используются для из-учения имплицитных когнитивных процессов путем выявления глубинных «латентных структур» (независимых психофизиологических механизмов), единых для 2 блоков (матрицы B1 и B2) многомерных показателей (Rännar etal. 1994).
При построении бикомпонентных моделей происходит центрирование рядов данных, масштабирование и повороты обоих блоков для получения максимальной ковариации между матрицами счетов (B1-score и B2-score), которые являются проекциями матриц B1 и B2 на искомые ортогональные латентные структуры. В один блок можно поместить переменные-признаки (состоят только из «0» и «1»), а в другой — ряды инструментальных данных.
Полученные в бикомпонентной модели латентные структуры описываются с помощью ортогональных матриц нагрузок (B1-loadingsи B2-loadings, коэффициенты перехода от исходных «явных структур» к найденным «латентным структурам»). Цель бикомпонентной модели состоит в определении системы пар осей для обоих блоков сразу, которые выражают максимальный шаблон ковариации для B1-scoreи B2-score (Polunin etal. 2019).
В результате бикомпонентной модели мы получаем число латентных структур (новых осей координат), которое равно минимальному числу переменных из двух блоков исходных данных. Заметим, что соотношения для структур сырых данных в блоках остаются теми же самыми после любого количества (и порядка применения) таких операций, как центрирование, масштабирование, поворот, которые применяются в PLS-моделях. Таким образом, полностью сохраняется структура сырых данных, вся информации из исходных рядов данных при построении бикомпонентной PLS-модели собирается в первых независимых латентных структурах. 2B-PLS допускает ситуацию, когда переменных больше, чем объектов, а также взаимную коррелированность исходных данных, которые могут включать в себя линейные комбинации друг друга (Rohlf, Corti 2000).
Для бикомпонентной PLS-модели по графику «осыпи структур» по первому перегибу графика (±1 структура) определяются те латентные структуры, которые описывают общие особенности. Далее идут те латентные структуры, которые связаны с отдельными аспектами частной специфики.
Результаты и их обсуждение
В блоки бикомпонентной модели вошли переменные (табл.1), представляющие собой ряды инструментальных данных (46 переменных, блок 1) и ряды признаков (125 переменных, блок 2). Соответственно, было получено 46 латентных структур.
На основе графика «осыпи» для сформированной 2B-PLS модели (рис.2) представляют интерес первые две латентные структуры, которые описывают общие особенности (по первому перегибу графика). Последующие латентные структуры связаны с отдельными аспектами частной специфики (и сгруппированы в соответствующие совокупности) и не связаны с активностью сетей. Однако данный подход в дальнейшем может быть использован для осуществления профайлинга испытуемых для изучения тех или иных индивидуальных аспектов.
На рисунке3 представлена первая латентная структура, описывающая связь параметров с возрастом. Значимые нагрузки не выявлены для признаков ЭЭГ-ритмов и записи «до» или «после». На рисунке видно, что по мере взросления у мальчиков отмечается низкий уровень проявления обучения как следствие воспроизведения при небольшой выраженности интерференционного торможения в рабочей памяти, тормозного контроля и рост числа возвратов взгляда на область интереса. Для девочек также характерен низкий уровень обучения в рабочей памяти, но выражено интерференционное торможение в рабочей памяти, обнаружено снижение тормозного контроля.
Таким образом, верный ответ на поисковый вопрос достигается сочетанием сформированного тормозного контроля с умеренной выраженностью интерференционного торможения и обучением как следствие воспроизведением в рабочей памяти с увеличением числа возвратов взгляда в область интереса. При записи ЭЭГ до начала обследования обнаруживается высокая амплитуда для каналов (показаны красным), которые могут быть отнесены к работе дефолтной нейросети.
Дисбаланс в рамках рабочей памяти между интерференционным торможением и научением при уменьшении числа возвратов взгляда на область интереса обусловливает неверный ответ на поисковый запрос, а амплитуды для соответствующих каналов (показаны синим) могут быть отнесены к работе исполнительных нейросетей при регистрации ЭЭГ (оперативный покой).
Структура 2 представлена на рисунке 4. Значимые нагрузки (коэффициенты корреляции) не выявлены для признаков записи «до» или «после». Если с возрастом не усиливается научение при слабом интерференционном торможении и тормозном контроле и не увеличивается число возвратов взгляда к области у мальчиков, то в состоянии оперативного покоя наблюдается снижение амплитуд для частот от 7–13Гц и рост амплитуд для частот 41–45Гц (каналы показаны красным). В целом, высокая активность соответствует активации части дефолтной сети и части исполнительной сети в передних отведениях в состоянии оперативного покоя (показано красным).
Заключение
У девочек неверный ответ на поисковый вопрос связан с более ранним возрастом, активностью исполнительной сети, выраженностью интерференционного торможения (как элемента исполнительных функций), с низким уровнем научения как следствия воспроизведения, уменьшением возвратов в область интереса.У мальчиков с увеличением возраста растет число верных ответов на онлайн поисковый запрос, активность сети пассивного режима связана со слабой выраженностью или отсутствием интерференционного торможения, научения как следствие воспроизведения, увеличением возвратов в область интереса.
У девочек со снижением возраста активность сети пассивного режима связана с отсутствием интерференционного торможения, с неверным ответом на онлайн поисковый вопрос, сильной выраженностью научения через воспроизведение, с увеличением числа возвратов в область интереса, увеличением частотного диапазона от 7 до 13Гц и сокращением частотного диапазона от 7 до 13 Гц.
У мальчиков частичная активность исполнительной сети и сети пассивного режима связана со слабой выраженностью интерференционного торможения, верным ответом на онлайн поисковый вопрос, с отсутствием научения через воспроизведение, уменьшением возвратов в область интереса и увеличением возраста, сокращением частотного диапазона от 7 до 13Гц и увеличением частотного диапазона от 7 до 13Гц .
Таким образом, мы смогли показать, что наша модель может отражать работу исполнительной и дефолтной сети, причем эти результаты соответствовали как изменениям показателей, оцененных с помощью айтрекера, так и параметрам рабочей памяти и тормозного контроля. Мы смогли показать, что выраженные изменения параметров рабочей памяти связаны с выполнением задачи и активностью исполнитель-ной сети в состоянии покоя.
Литература
Величковский, Б. М., Князев, Г. Г. Валуева, Е. А., Ушаков, Д. В. (2019) Новые подходы в исследованиях творческого мышления: от феноменологии инсайта к объективным методам и нейросетевым моделям. Вопросы психологии, No 3, с. 3–16.
Вулф,М. (2021) Читающий мозг в цифровом мире. М.: АСТ, 256с.Килби,Э. (2019) Гаджетомания: как не потерять ребенка в виртуальном мире. СПб.: Питер, 256с.
Князев,Г.Г., Бочаров,А.В., Савостьянов,А.Н., Величковский,Б.М. (2020) Эффект инкубации и активность сетей покоя. Журнал высшей нервной деятельности им.И. П.Павлова,т.70, No5, с.601–608. https://doi.org/10.31857/S0044467720050068
Кривощеков,С.Г., Николаева,Е.И., Вергунов,Е.Г., Приходько,А. Ю. (2022) Многомерный анализ показателей тормозного и автономного контроля при ортостазе и в эмоциональных ситуациях. Физиология человека, т.48, No1, с.26–37. https://doi.org/10.31857/S0131164621060059
Микляева,А.В., Николаева,Е.И., Сутормина,Н.В., Панферов,В.Н. (2022) Психофизиологические и психологические особенности подростков, связанные с эффективным онлайн-поиском учебной информации. Теоретическая и экспериментальная психология, т.15, No4, с.60–76.
Николаева,Е.И. (2021) Функциональные роли нейронных сетей в раннем детском возрасте. Вопросы психологии, т. 67, No 5, с. 15–29.
Николаева,Е.И., Вергунов,Е.Г. (2017) Что такое «executive functions» и их развитие в онтогенезе. Теоретическая и экспериментальная психология, т.10, No2, с.62–81.
Николаева, Е. И., Вергунов, Е. Г. (2021) Оценка связи асимметрии лицевой экспрессии с тормозным контролем и латеральными предпочтениями у физически активных мужчин. Асимметрия,т.15, No 4, с. 38–53. https://doi.org/10.25692/ASY.2021.15.4.004
Николаева,Е.И., Сутомина,Н.В. (2022) Методологические подходы к использованию психофизиологических параметров для оценки эффективности поиска информации подростками в интернете. Вестник психофизиологии, No2, с.97–105. https://doi.org/10.34985/v3578-1549-1121-l
Пирадов,М.А., Супонева,Н.А., Селиверстов,Ю.А. и др. (2016) Возможности современных методов нейровизуализации в изучении спонтанной активности головного мозга в состоянии покоя. Неврологический журнал, т.21, No1, с.4–12.
Разумникова, О. М., Николаева, Е. И. (2019a) Тормозные функции мозга и возрастные особенности организации когнитивной деятельности. Успехи физиологических наук, т.50, No1, с.75–89. https://doi.org/10.1134/S0301179819010090
Разумникова,О.М., Николаева,Е.И. (2019b) Возрастные особенности тормозного контроля и проактивная интерференция при запоминании зрительной информации. Вопросы психологии,No2, с.124–132.
Разумникова,О.М., Николаева,Е.И. (2021) Онтогенез тормозного контроля когнитивных функций и поведения. Новосибирск: Новосибирский государственный технический университет, 158с.Твенге,Д. (2021) Поколение айфона: кто они? М.: Рипол-Классик, 408с.
Ул с ,Я.Т. (2019) Добавьте в друзья своих детей. Путеводитель по воспитанию в цифровую эпоху. М.: Эксмо, 240с.Хансен,А. (2021) На цифровой игле. М.: Рипол-Классик, 240с.
Bezgodova, S., Miklyaeva, A., Nikolaeva, E. (2020) Computer vs smartphone: How do pupils complete educational tasks that involve searching for information on the internet? In: CEUR Workshop Proceedings. 15. “NESinMIS 2020—Proceedings of the 15th International Conference “New Educational Strategies in Modern Information Space””.[S. l.]: [s. n.],pp. 52–62.
Biswal, B. B., Van Kylen, J., Hyde, J. S. (1997) Simultaneous assessment of flow and BOLD signals in resting-state functional connectivity maps. NMR in Biomedicine, vol. 10, no. 4-5, pp. 165–170. https://doi.org/10.1002/(SICI)1099-1492(199706/08)10:4/5<165::AID-NBM454>3.0.CO;2-7
Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. (2008) The brain’s default network: Anatomy, function, and relevance to disease. Annals of the New York Academy of Sciences, vol. 1124, no. 1, pp. 1–38. https://doi.org/10.1196/annals.1440.011
Conklin, K., Pellicer-Sáchez, A., Carrol, G. (2018) Eye-tracking: A guide for applied linguistics research. New York: Cambridge University Press, 244 p. https://doi.org/10.1017/9781108233279
Culpepper, L. (2015) Neuroanatomy and physiology of cognition. The Journal of Clinical Psychiatry, vol. 76, no. 7, article e900. https://doi.org/10.4088/JCP.13086tx3cDelorme, A., Makeig, S. (2004) EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Method, vol. 134, no. 1, pp. 9–21. https://doi.org/10.1016/j.jneumeth.2003.10.009
Di, X., Gohel, S., Kim, E. H., Biswal, B. B. (2013) Task vs. rest—different network configurations between the coactivation and the resting-state brain networks. Frontiers in Human Neuroscience,vol. 7, article 493. https://doi.org/10.3389/fnhum.2013.00493
Diamond, A. (2013) Executive functions. Annual Review of Psychology, vol. 64, pp. 135–168. https://doi.org/10.1146/annurev-psych-113011-143750
Kovaleva, V. Yu., Pozdnyakov, A. A., Litvinov, Yu. N., Efimov, V. M. (2019) Estimation of the congruence between morphogenetic and molecular-genetic modules of gray voles MicrotusS.L. variability along a climatic gradient. Ecological Genetics, vol. 17, no. 2, pp. 21–34. https://doi.org/10.17816/ecogen17221-34
Polunin, D., Shtaiger, I., Efimov, V. (2019) JACOBI4 software for multivariate analysis of biological data. BioRxiv. [Online]. Available at:https://doi.org/10.1101/803684 (accessed 14.10.2022).
Raichle, M. E. (2015) The brain’s default mode network. Annual Review of Neuroscience, vol. 38, pp. 433–447. https://doi.org/10.1146/annurev-neuro-071013-014030
Rännar, S., Lindgren, F., Geladi, P., Wold, S. (1994) A PLS kernel algorithm for data sets with many variables and fewer objects. Part 1: Theory and algorithm. Journal of Chemometrics, vol. 8, no. 2, pp. 111–125. https://doi.org/10.1002/cem.1180080204
Rohlf, F. J., Corti, M. (2000) Use of two-block partial least-squares to study covariation in shape. Systematic Biology, vol. 49, no. 4, pp. 740–753. https://doi.org/10.1080/106351500750049806
Seeley, W. W., Menon, V., Schatzberg, A. F. et al. (2007) Dissociable intrinsic connectivity networks for salience processing and executive control. Journal of Neuroscience, vol. 27, no. 9, pp. 2349–2356.
https://psychinedu.ru/index.php/main/article/view/338/206
