НейроОсознание с Аленой

Как развивается мозг у детей от 1 до 5 лет?

Свежее исследование было опубликовано в Communications Nature. Для изучения паттернов развития мозга использовали магнитоэнцефалографию (МЭГ) с оптически накачиваемыми сенсорами (OPM-MEG). Такой метод очень подходит для экспериментов с детьми, так как им не требуется сохранять неподвижность. (Для знатоков — OPM-датчики в отличие от SQUIDS не требуют постоянного охлаждения, скорее, наоборот — нагревания для нужной плотности атомного пара, подробнее тут ).

В исследовании участвовали 111 детей от 1 года до 5 лет. Основной вопрос, который интересовал авторов — как происходят изменения функциональной организации мозга по мере взросления? Для этого авторы выбрали три характеристики: периодическая активность (спектральные мощности в тета-, альфа-, бета-диапазонах), апериодическая активность (1/f компонента спектра — фоновая частота), функциональная связность (согласованность активности разных областей мозга).

Результаты:
🫧 с возрастом апериодическая активность меняется — наклон и смещение увеличиваются — анатомически неоднородно.
Более выраженные изменения наблюдались в височно-теменных областях. Как правило. апериодические харатеристики связывают с изменением баланса возбуждения и торможения. В данном случае предполагается, что баланс меняется в сторону усиления тормозных процессов. Опять же, это всего лишь изменение формы спектра.

🫧 мощность периодической активности увеличивается в более высоких частотах
К 5-летнему возрасту постепенно снижается выраженность медленных ритмов. А мощность высокочастотных ритмов (альфа- и бета-) увеличивается.

🫧 глобальная функциональная связность снижается, но отдельные связи усиливаются
Авторы решали обратную задачу и выделили 38 корковых узлов. Далее в каждом выделили амплитудные огибающие и рассчитали корелляцию между огибающими в каждой паре узлов.
С возрастом было обнаружено снижение суммарной глобальной связности между корковыми регионами. В основном ослабла связность в обширной лобно-теменной сети двух полушарий. При этом, связи затылочной коры с задней поясной корой усиливались (дети смотрели видео во время эксперимента). Это связали с созреванием процессов интеграции зрительной информации с более высокоуровневыми процессами.

Этот результат объясняется большей специализацией различных участков коры и их функциональной дифференциацией.

Таким образом, уже в раннем детстве происходит фукнциональная специализация мозговых сетей. Работа мозга может довольно сильно меняться между первым и пятым годом жизни. Судя по результатам исследования, происходит функциональная и пространственная реорганизация процессов.

Ссылка на статью
Rhodes, N., Bandhan, J., Vandewouw, M.M. et al. Neural oscillations and network specialisation in early childhood captured with next-generation magnetoencephalography. Commun Biol (2026). https://doi.org/10.1038/s42003-026-11041-x
https://www.nature.com/articles/s42003-026-11041-x

“When the world word ends, the story begins”: word offsets improve encoding of natural speech in a MEG study

На днях в журнале Brain Topography (Springer, Q1) была опубликована наша статья, в которой мы все еще пытаемся сконструировать МЭГ-сигнал человека во время прослушивания живой речи. Почему-то во всех предыдущих работах коллеги использовали только начало слова, но игнорировали время окончания слова. Здесь мы выяснили, сегментация речи и на начало, и на окончание слова может повысить эффективность предсказания сигнала с мозга.

Мы сдвигали метки начала и окончания слов, чтобы попытаться "обмануть" алгоритм (temporal response function, бустинг) и посмотреть, насколько ухудшится сконструированный сигнал МЭГ в сравнении с оригинальным. В обоих случаях способность TRF-модели предсказывать МЭГ-сигнал ухудшалась (p < 0.001). При этом, метки начала слов давали более сильный вклад, чем метки окончания. Эффекты локализовались прежде всего в левой средней височной извилине (MTG) и правой области banks of STS.

Но самый интересный результат — окончания слов все равно имеют уникальный вклад в предсказания модели. Если мы удаляли их из предикторов, модель намного (p<0.001) хуже предсказывала МЭГ-сигнал.

Одна из возможных причин — особенности русского языка. В отличие от английского, в нашем языке конец слова несет важную лексическую и семантическую информацию. Конец слова связывает его с другими словами, от чего сильно зависит смысл предложения.

Временный открытый доступ к статье можно получить по ссылке: https://rdcu.be/Hd2K27Fnn1aa
Ссылка на статью на сайте журнала:
https://link.springer.com/article/10.1007/s10548-026-01254-y

​🔐 Пароль по мозговой активности (китайцы уже почти там)

В Data in Brief китайские ученые опубликовали датасет с ЭЭГ для разработки систем аутентификации по реакции мозга на целевую и нецелевую информацию. Потенциально это можно использовать для систем безопасности с BCI-устройствами.

Как это работает? Обычно мы сообщаем пароль системе. Она сверяет его с тем, что имеет в своей базе, и дает доступ. Здесь предполагается, что система сама дает человеку ряд зрительных стимулов с частотой 10Гц (10 картинок в секунду) и смотрит на ЭЭГ-сигнал. Если человек узнал некоторые стимулы, характеристики вызванной компоненты, подобной P300, будут отличаться.

Авторы использовали портативную систему ЭЭГ (TiTan) с 8 электродами для регистрации мозговой активности 32 человек. Все испытуемые проходили эксперимент повторно с интервалом более 24 часов (это важно, тк ЭЭГ-сигнал непостоянен и зависит от кучи факторов).

Участникам показывали картинки длительностью 100 мс трех типов: с изображением лиц, имен (иероглифы) и животных как код верификации. Перед серией стимулов каждому участнику демонстрировали целевую картинку (лицо, имя и животное), которое он должен был обнаружить в каждой серии. Человек сосредоточивался на целевом изображении, от чего поздняя (300-600 мс) позитивная компонента ЭЭГ с центрально-задним распределением становилась более выраженной.

Далее в алгоритмы ML подавали данные вызванных потенциалов для каждой эпохи (после предобработки) с целью бинарной классификации — можно ли из данных ЭЭГ выявить, смотрел ли человек на целевую картинку или нет. Точность классификации варьировала около 80%. Важно, что здесь использовали и специализированные архитектуры (EEGNet, LMDA-Net, ShallowNet, DeepNet), и классические CNN, RNN, Transformer. Лучшие результаты показали именно специализированные. — до 89.9% accuracy.

В итоге, при разработке модели классификации, которая сможет онлайн определять целевые изображения по ЭЭГ, вполне можно использовать такой подход для аутентификации. Но по опыту ЭЭГ дает в принципе довольно персонализированный сигнал. Если мы поищем какие-то уникальные индивидуальные паттерны, с помощью которых как по отпечаткам пальцев, можно будет идентифицировать человека, — и объединим это с описанным в статье методом по предметной классификации, это может стать чуть ли не самым надежным методом защиты данных.

Мозговая бегущая волна как самостоятельный вычислительный механизм 🤔

Тета-, альфа- и бета-ритмы (волны) могут быть не просто отражением синхронной работы больших популяций нейронов, но и самостоятельно модулировать работу нейронов? 19 августа в Journal of Neuroscience была опубликована теоретическая статья-мнение исследователей MIT о мозговых ритмах. Я опущу часть про теории сознания, тк для меня это темный и опасный лес. Но интересная гипотеза о том, что пространственно-временная динамика электрических полей может напрямую влиять на работу тех или иных нейронных ансамблей.

Один из ключевых аргументов авторов— многопрофильность нейронов (mixed selectivity). Один нейрон может участвовать в разных задачах и кодировать разные признаки в зависимости от контекста. А значит, и входить в разные нейронные сети. Возникает вопрос, как мозг так быстро «пересобирает» функциональные сети, не меняя при этом сами синаптические связи. Авторы предполагают, что эту "дирижирующую" роль могут выполнять альфа- и бета-ритмы: их пространственные паттерны регулируют, где нейроны активно кодируют информацию, а где обработка временно подавляется. Гамма-ритм и спайки при этом скорее отражают "актуальное содержание" обработки.

Эти ритмы распространяются по коре в виде бегущих волн (travelling waves). Про них, кстати, писал профессор М. Лебедев (тут, тут и тут). Область повышенной или пониженной возбудимости может буквально перемещаться по коре, последовательно активируя разные нейронные ансамбли. А электрические поля, создаваемые такой активностью, потенциально способны сами влиять на возбудимость нейронов через внеклеточную среду, без непосредственной синаптической передачи (см. Эфаптическая связь).

Авторы приводят идею аналоговых вычислений: волны имеют непрерывные параметры — фазу, амплитуду, частоту — и могут физически складываться или ослаблять друг друга. Есть предположение, что мозг может использовать эту собственную физику для вычислений. Теория о бегущих волнах и связи ритмов с поведением хорошо подтверждены экспериментально (в том числе моим диссером), а вот то, что интерференция мозговых волн сама по себе является вычислительным механизмом — вопрос ужасно интересный, но открытый. Тем более, связь этих вычислений с феноменом сознания и иже с ней.

Miller, E. K., Brincat, S. L., & Roy, J. E. (2026). Analog Cognition and Consciousness. The Journal of neuroscience : the official journal of the Society for Neuroscience, 46(33), e0711262026. https://doi.org/10.1523/JNEUROSCI.0711-26.2026
(полная версия доступна всем известном репозитории)

Забыла отчитаться и здесь. 27 августа в Нижнем Новгороде немного оторвалась от жизни мамы и доложила сразу два постера.

Один из них про эксплораторное ВП-исследование восприятия мемов на корковых источниках. Статья уже на второй рецензии, обязательно расскажу о наших результатах тут после публикации.

Второй – мой извечный диссер. Я пока не защитилась, хотя текст уже давно готов и даже найден один оппонент. Мы в поиске второго, а ещё ждали публикации экспериментальной статьи и окончания отпускного сезона.
Напомню, что мой диссер об электрофизиологических признаках пространственного внимания. Постер был о части, где мы проверяем особенности оного у киберспортсменов и у всех участников в VR.

Статья по постеру уже есть:
https://www.sciencedirect.com/science/article/abs/pii/S0747563226000440

Brain2Qwerty или как с помощью DL и неинвазивных методов регистрации научились считывать то, что человек собирается напечатать

Громкая относительно свежая статья Nature Neuroscience. Авторы использовали ЭЭГ и МЭГ данные во время того, как люди печатали текст, и обучили сеть распознавать этот напечатанный текст. 35 участников (у 20 регистрировали ЭЭГ, у 20 МЭГ, у 5 — оба) видели на экране предложение по одному слову на испанском, запоминали их и воспроизводили, не глядя на напечатанный ими текст. Это условие было необходимо, чтобы чтение своего текста не "перекрыло" мозговую активность при печатании.

Предложения состояли из 5-8 слов, всего для ЭЭГ сеть получила 146тыс. символов, а для МЭГ — 193 тыс. На вход нейросети подавали фрагменты ЭЭГ- и МЭГ-записей окном 500 мс, от -200 мс до нажатия на клавишу и +300 мс от этого момента. Интересно, что архитектура DL-нейросетки представляла собой не только работу с данными с мозга.

В первом уровне сеть действительно обрабатывала полученные временные ряды. Причем, там есть отдельный слой, который вычленяет особенности записи для каждого человека. В основном ЭЭГ/МЭГ данные проходили через сверточные слои и активационный слой GELU.

На втором уровне нейросеть анализирует текстовый контекст, который уже был получен из 1 уровня (все еще с мозговой активности). То есть сеть не учится побуквенно вычленять паттерны ЭЭГ. Сеть вычисляет вероятность определенной выше буквы в контексте слова и предложения.

Далее сеть исправляет опечатки. В этом уровне она уже совсем не работает с данными с мозга. Работа этого уровня чем-то напоминает T9.

В итоге модель ошибалась (на уровне символов, character error rate — CER) для ЭЭГ-записи в 65% случаев, а для МЭГ-записи в 29%. Это неидеальный результат, но все же очень высокий для неинвазивной аппаратуры.

Очень интересно было посмотреть, какие именно паттерны ЭЭГ/МЭГ помогли сети обучиться. Выяснилось, что значительная часть информации — моторная. Это выяснили по высокой корреляции ошибок сети с расстоянием до правильной клавиши на клавиатуре (например, сеть предположила, что напечатали букву U, а напечатали соседнюю букву I). Скорее всего, декодер опирался на сигнал от моторной коры, проецирующей движение пальцев. Но модель брала не только данные от моторной коры, ведь случались и верные предсказания о намерениях при фактических опечатках.

Эта работа показывает, что придется еще много работать до "чтения мыслей" по трем электродам на голове. Однако на мой взгляд, это уже огромный шаг как минимум к более быстрой разработке решений, коллосально повышающих уровень жизни людей с соответствующими клиническими ограничениями.

https://www.nature.com/articles/s41593-026-02303-2

👀 Предсказание предсказуемости: что мы не знали о гиппокампе

В нейронауках работа гиппокампа преимущественно ассоциируется с процессами памяти: консолидация, воспроизведение, вспоминание, пространственные карты. Но в последней публикации Nature Neuroscience коллектив авторов выявил более широкую и тонкую его работу — не просто предсказание возможного исхода на основе памяти, но кодирование множества возможных исходов и степени неопределенности между ними. Гиппокамп, связываясь со зрительной корой, меняет ее реакцию на событие. Это зависит от неожиданности появления стимула. Так гиппокамп на основе предыдущей информации сигнализирует о том, насколько непредсказуемым и потенциально информативным может быть следующий стимул.

Эти выводы были получены на основе анализа интракраниальной электрической активности мозга у 17 пациентов с эпилепсией (8 мужчин, средний возраст 37 лет). Электроды были вживлены в гиппокамп, веретнообразную извилину (височная и затылочная кора) и в зрительную кору. Стимульная задача была очень простой: сопоставить появившуюся цветную фигуру с четырьмя имеющимися. Всего было 2 цвета и 2 фигуры, то есть 4 варианта ответа. В разных блоках менялась частота предъявления той или иной фигуры: в одном блоке распределение было более равномерным, а в другом некоторые фигуры выпадали чаще остальных.

Для каждой пробы вычислялись два основных регрессора:
- энтропия — ожидаемая неопределенность появления стимула (до стимула)
- неожиданность — насколько маловероятным оказался конкретный стимул после появления (после стимула).
В данном случае исследователи вычисляли эти параметры с позиции идеального байесовского наблюдателя, который накапливает данные от задачи и постоянно меняет свои оценки ожиданий.

Далее авторы оценили изменения высокочастотных осцилляций гиппокампа (ripple) в зависимости от вышеуказанных параметров и их влияние на активность зрительной коры. В результате они получили следующее:
🚩 частота и длительность гиппокампальных рипплов зависят от ожидаемой неопределённости;
🚩 этот эффект возникает до стимула и не сводится к реакции на редкое событие;
🚩 предстимульные рипплы связаны с изменением гамма-динамики зрительной коры;
🚩 при наличии риппла веретенообразная извилина быстрее отвечает на неожиданный стимул;
🚩 после неожиданного события усиливается направленная связь от веретенообразной извилины к гиппокампу.

То есть работа поддерживает гипотезу о том, что гиппокамп влияет на работу коры в зависимости от своей оценки неопределенности стимула. Он может готовить зрительную кору к восприятию потенциально информативного стимула. Это опять снова меняет и наши представления о центрах принятия решений и оценки неопределенности, которые в бородатых учебниках часто приписываются неокортикальным проекциям и топ-даун модуляциям.

Frank, D., Moratti, S., Hellerstedt, R. et al. Human hippocampal ripples tune cortical responses based on predicted uncertainty. Nat Neurosci (2026). https://doi.org/10.1038/s41593-026-02345-6

Сегодня, 22 июля, — Всемирный День Мозга.

Не забывайте всегда относиться к СЕБЕ с уважением и заботой!

А тех, кто занимается нейронаукой, поздравляю с практически профессиональным праздником! 🎉🎉🎉

Принимаю поздравления ❤️

Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages

В свежей статье npj Digital Medicine (Q1) авторы утверждают, что машинными методами можно выделить паттерны ЭЭГ, которые лежат глубже хорошо известных стадий сна, и связать их с общим физиологическим состоянием человека.

Для этого авторы использовали датасеты с полисомнографическими (т.е. ЭЭГ, окулограмма, миограмма, дыхание, пульс, сатурация и т.д) данными, записанными для 7 201 человека (всего 11 261 ночных записей). При этом, модель обучали только на ЭЭГ.

Авторы использовали два подхода: самоконтролируемое обучение и обучение с учителем. Сначала модели (они назвали ее Sleep 2.0) давали сырые ЭЭГ-данные и предлагали предсказывать скрытые фрагменты сигнала на основе их окружения. Таким образом модель самостоятельно выделяла латентные паттерны ЭЭГ без информации о стадиях сна.

Во второй части модель обучили уже на размеченных данных с информацией о стадии сна. На третьем этапе модель обучали предсказывать характеристики испытуемых: возраст, пол, индекс массы тела (ИМТ), индекс апноэ, результаты когнитивных тестов, настроение, данные о дневной сонливости.

Самостоятельно модель Sleep2.0 разделила ЭЭГ на те же традиционные 5 стадий сна (N1,N2,N3,REM и wake). Но внутри стадии N2 модель так же увидела неоднородность данных, которая была связана с возрастом, ИМТ и индексом апноэ. То есть ЭЭГ в этой фазе можно разделить на кластеры, которые отличаются у людей разных возрастов и обладающих разными физиологическими признаками.

Это позволяет поближе взглянуть на микроструктуру ЭЭГ второй фазы сна. При этом, какие это конкретно паттерны ЭЭГ, авторы не знают. Есть предположения, что это паттерны перехода между стадиями или неоднородность внутри стадии, которые могли не исследоваться при разделении на 30-секундные стандартные эпохивнутри каждой фазы.

В конечном счете, вполне логично, что и возраст, и ИМТ (уж тем более индекс апноэ) как-то должны были отражаться на ЭЭГ-сомнографии. Структура и качество сна, длительность фаз, переходы меняются с возрастом, отличаются у худых и не очень. Теперь дело за малым — определить эти паттерны и понять физиологические механизмы, которые их формируют.


Ссылка на open-access статью (она пока доступна в неотредактированном варианте): https://www.nature.com/articles/s41746-026-02970-2

Статья в журнале Neuron предлагает новую модель внимания, где главным героем выступает глубокий слой коры головного мозга — слой 6b.

Этот слой фильтрует входящие сигналы от органов чувств и помогает мозгу сфокусироваться. Нейроны этого слоя отправляют свои сигналы напрямую в таламус, а точнее — в его высшие ядра, такие как подушка и медиодорсальное ядро. Возбуждение этих ядер дирижирует активность мозга, усиливая важную информацию и подавляя фоновый шум.

Такой взгляд на работу связей между корой и таламусом, возможно, поможет лечению синдрома дефицита внимания и гиперактивности.

https://www.cell.com/neuron/fulltext/S0896-6273(25)00921-3

Может быть, для людей уже и нашли "аналог"? (см. пост выше)

Новая группа нейронов из "древней" структуры, помогающая игнорировать дистракторы

Как мы фокусируемся? В основном, за счет торможения обработки отвлекающих стимулов и усиления обработки нужных стимулов. Этот механизм применим не только для рабочих задач, но и для ориентации в пространстве: например, когда мы ищем друга в толпе или концентриуемся на разговоре в шумной комнате.

По мнению одного научпоп издания, ранее считалось, что за торможение обработки отвлекающих стимулов (дистракторов) отвечают структуры коры больших полушарий. Это не так, несмотря на то, что мой диссер по пространственному вниманию посвящен работе коры. Вроде логично, это высшие когнитивные функции — значит, как минимум фронтальная кора :) На самом деле, уже давно были выявлены подкорковые структуры, которые регулируют релевантность той или иной информации для задачи.

Однако исследователи университета Хопкинса обнаружили группу тормозных нейронов в стволе мозга, которые участвуют в регуляции пространственного внимания у мышей. При подавлении работы этой группы мыши заметно хуже игнорировали дистракторы и были гиперотвлекаемыми. Самое забавное, что исследователи в качестве задачи давали мышам стимул, аналогичный Фланкерному тесту для людей.

Результаты статьи как минимум ставят под вопрос исключительную роль коры в регуляции внимания и выборе приоритетного объекта для выполнения задачи (здесь мы уже разобрались, что Scientific report немного сгустил краски). Скорее всего, более древние структуры мозга могут запускать механизм выбора между конкурирующими объектами, а кора — регулирует, контролирует, направляет, устанавливает цель для этого. Как-то же птицы, рыбы, другие животные без такого же развитого неокортекса, как у нас, ориентируются в пространстве?

Что касается человека, уже давно были открыты нейроны подушки таламуса (тоже древняя структура), которые усиливают обработку нужной информации и подавляют обработку ненужной, а потом отправляют это "наверх". Интерес здесь на самом деле в другом: у мышей эта структура (tegmental area) является одной из наиболее древних отделов центральной нервной системы. То есть в теории можно проверить, а есть ли у человека в стволе мозга нейрональные группы, которые на более ранних этапах начинают отбор информации?

Спасибо авторам за открытие новой популяции нейронов, влияющих на выбор нужного нам объекта. В первую очередь, это может быть важным для потенциальной мишени лечения СДВГ.

​ИИ обработка сигналов мозга

Признайтесь честно, как часто вы используете нейронки в своей работе? А теперь максимально честно — это как-то влияет на вашу оценку себя как профессионала?

У меня с этой самооценкой начались проблемы около 4 месяцев назад. Возможно, эти проблемы были и раньше, но сейчас проходит их острая фаза. Чатжпт точно превосходит меня в поиске и анализе литературы, написании хорошего введения в статье, подборе оптимальных методов анализа и написании кода. Он пока только регистрировать ЭЭГ не умеет, но я тоже уже давно этим не занимаюсь.

Однако же наш исследовательский человек адаптировался и к этому: на биоархиве появилось несколько свежих работ по этой теме.

Одна из них — ИИ-агент, который выстраивает пайплайны обработки ЭЭГ, BrainAgent. Он сам выбирает метод обработки, статистики, интерпретирует полученные цифры. Возможно, даже статью напишет.

Вторая (более крутая, на мой взгляд) — единая архитектурная ИИ-система, которая объединяет сигнал с мозга, изображения и язык — BrainJanus. Она умеет кодировать текст в мозговой сигнал и декодировать мозговой сигнал (электрический) в изображение и текст.

Вывод: из работы у меня останется, скорее всего, уборка, уход за ребенком, готовка и работа над собой.

PS: биоархив — это не научные публикации, а банк препринтов. Сюда публикуют работы, которые еще пока не опубликованы в журналах, а значит, не прошли рецензирование независимыми экспертами. Соответственно, "take it with caution", как пишет чатжпт.

И ещё тарантиновские диалоги в науке:

- В группе с курением у нас ожидаемо увеличилась доля смурфиков.
- Чего?
- Смурфиков.
- Это какой-то термин?
- Да, для синих животных. А, вы не из нашей области, сейчас объясню.

Оказывается, кишечник с возрастом становится всё более проницаемым. В молодости он не пропускает микробов и прочую гадость в организм, а в старости становится «дырявым» и что попало может пройти в кровоток (в случае дрозофил – в гемолимфу). Это верно и для мушек, и для людей

Учёные, работающие с дрозофилами, используют проницаемость кишечника для объективного измерения старости. Можно скормить мушке синий краситель: у молодой он не пройдёт стенку кишечника, а чем старше дрозофила, тем больше красителя попадёт в организм. Совсем старые мушки становятся синими и официально называются смурфиками. Вот научная статья с названием «Как поймать смурфика» и шкалой смурфиковости дрозофил

Смурфики сильно помогают науке, позволяя изучать как разные воздействия влияют на старение. Например, если мушки дышат сигаретным дымом или плохо питаются, старость наступает раньше, а смурфиков в таких группах становится больше

Это ведь в теории и к человеку применимо. Кто первый напишет грант по изучению смурфиков? Хотя предлагаю сделать ребрендинг в «аватаров», тогда есть шанс, что исследование проспонсирует Джеймс Кэмерон

#биология@chelovek_nauk

Очень люблю подобную иронию в науке. Она сбавляет градус важности и серьезности работы и усиливает игривое любопытство 😁 которое часто теряется за бесконечными итерациями обработки данных

Относительно недавно писала про белок ежа Соника
https://t.me/cyber_left_em/685

СДВГ у взрослых

Возвращаясь к теме внимания: сейчас мои коллеги изучают СДВГ (синдром дефицита внимания и гиперактивности) у взрослых. Это примерно когда «вроде не отвлекаюсь, начал работать, но спустя час обнаружил себя в ленте новостей».

Если Вы в Москве и хотите внести свой вклад в изучение этого вопроса, можно прийти и поучаствовать в полноценном психофизиологическом исследовании с записью ЭЭГ. Просто свяжитесь с ними через форму на сайте: https://adhd-study.tilda.ws

Еще вы можете помочь тем, что заполните короткий опросник. Это международная шкала ASRS (всего 18 вопросов, минут на 5). Никакого диагноза не надо, могут участвовать все желающие. Важно пройти два раза: сейчас и через месяц (Вам напомнят). Ваши ответы реально могут помочь сделать скрининг СДВГ в России точнее
📎 Опросник здесь: https://docs.google.com/forms/d/e/1FAIpQLSe-u6P8v8mhGgGulUqQYNjYG0lHuUFr1hEPz6lLMHNoZZtGyg/viewform

21 мая была трансляция выпуска программы "Доброе утро" Первого канала о внимании с моим участием

Мы поговорили о том, почему сейчас стало сложнее концентрироваться и причем тут короткие видео. Мой основной посыл состоял в том, что для мозга нет хорошего и плохого (кроме смерти, конечно). А есть натренированность — чем больше мы переключаем внимание, тем легче у нас это получается в рамках, данных нам генетическими предрасположенностями. Если мы часто удерживаем внимание, это тоже со временем будет получаться все лучше.

Мир ставит перед нами требование переключаться все чаще — повышать многозадачность (и это при том, что с роботами-пылесосами, посудомойками и прочей автоматизацией и ИИ все должно было быть наоборот). А многозадачности и вовсе нет. Есть быстрые скачки между задачами, требующие большого когнитивного ресурса.

Короче, это все большой разговор, который тяжело уместить в 2 минуты эфира. Но получилось, кажется, интересно. Я там даже хлопушки хлопала)

Может, как-нибудь напишу про дофамин. Я его обожаю, читала несколько раз науч-поп лекции про него. В коротких видео он тоже активно участвует.


Фрагмент выпуска можно посмотреть по ссылке:
https://www.1tv.ru/shows/dobroe-utro/mezhdu-tem/vnimanie-koncentriruemsya-dobroe-utro-fragment-vypuska-ot-21-05-2026

⚡️В продолжение к последнему посту: приглашаем принять участие в  нейрокогнитивном исследовании восприятия мемов 🤓

В чем заключается эксперимент?
В шапочке с электродами для регистрации ЭЭГ вы будете смотреть и оценивать мемы, специально подобранные для эксперимента.

Что мы предлагаем?
- Подборку из более чем 150 весёлых мемов, которые нужно будет оценивать.
- Чай с печеньками и разговорами о нейрофизиологии.
- Уникальный опыт участия в реальном научном исследовании.
- Статью с результатами эксперимента по окончании исследования.

Продолжительность: около 2 часов.

Требования к участникам:
1.  Возраст от 26 до 45 лет
2.  Отсутствие неврологических и психиатрических расстройств
3.  Не употреблять антидепрессанты 3 месяца.

Место проведения:
Москва, ул. Бутлерова, 5Ас1 (Институт высшей нервной деятельности и нейрофизиологии РАН). 
https://yandex.ru/maps/-/CLUgaE0O

Контакты:
Диана
@dianasnrz
+7 916 036 0494

Мемы — почему они нам так нравятся?

Дофаминовая петля, вкусные короткие видео как жвачка, юмор (смотри пост выше), жизненность и культурный код — все это про мемы. На самом деле, довольно сложно изучать их восприятие мозгом, потому что оно и на словах многокомпонентное и сложное.

Но у нас что-то получилось 😝. Пока статья о восприятии мемов мозгом на рецензии, хочу похвастаться своим научным руководителем и завлабом Екатериной Дмитриевной, которая снялась в научпоп выпуске про мемы.

В этом проекте я участвовала совсем чуть-чуть — со стороны обработки мозговых сигналов. Проект выполняется нашей лабой совместно с лингвистами из МГУ и МГЛУ, а также поддержан РНФ.

https://www.youtube.com/watch?v=OAaVs1aE4cg