Проблема индивидуальной устойчивости к стрессу занимает важное место в современной физиологической науке. В ходе комплексных исследований, посвященных данной проблеме выявлено, что особи, отличающиеся по устойчивости к стрессу, различаются по поведенческим показателям, нейрохимической организации мозга, электрической активности ряда мозговых структур [Судаков К.В. и др., 2010].

Поведение животных в открытом поле многогранно и отражает множество психофизиологических функций. В частности имеются такие формы поведения как груминг, отражающий степень тревожности, фризинг (замирание), являющееся проявлением сильного стресса. Кроме того, важным фактором поведения является суммарное время движения. Вегетативный баланс оценивается по числу актов дефекации (болюс). Интегральный показатель устойчивости к стрессу формируется из нескольких поведенческих показателей. Трудности в создании единого интегрального коэффициента заключаются в том, что количественный вклад разных поведенческих показателей в общий акт поведения неравнозначен. Так, существенное изменение функционирования организма может приводить к изменению показателя «болюс» на 2-3 единицы, а количества пересеченных квадратов на 20-30 шт. Математическая обработка большого количества неравнозначных значений стандартными методами затруднительна, поскольку сложно учесть всю вариабельность сочетаний показателей. Разделение животных на группы проводится, как правило, при тестировании в «открытом поле» путем расчета интегральных коэффициентов. Наиболее часто используемым критерием в нашей стране является коэффициент, предложенный Е.В. Коплик [Коплик Е.В., 1995, 2002]. Данный коэффициент отражает такие показатели как латентный период выхода в центр, латентный период первого движения (как показатели страха) и количество пересеченных квадратов, как показатель исследовательской активности.

Построение нейро-нечетких сетей с использованием аналитической системы ANFIS (Adaptive Neuro-Fuzzy Inference System) широко распространено в области медицины, высоких технологий и прогнозирования процессов [Suhail M., 2011; Bhardwaj К. et al, 2013; Vishnuvaradhan S. et al, 2013]. Положительные стороны использования системы нечетких логик: получение комплексной информации в виде единого показателя при большом количестве переменных позволяют использовать данный метод для автоматизированной классификации ЭЭГ, поиска специфических паттернов, что является актуальным для современной эпилептологии, а также системы Brain computer interface [Garg G. et al, 2011]. Обученная нейронная сеть позволяет рассчитать более 1000 возможных комбинаций. Принцип работы нейронной сети заключается в том, что по имеющемуся набору данных конструируется некая зависимость между входными и выходными переменными системы, при этом в процессе обучения сети настраиваются параметры (веса) получаемых функциональных отношений. Нечеткие нейронные сети или гибридные сети призваны объединить в себе достоинства нейронных сетей и систем нечеткого вывода. Они позволяют разрабатывать и представлять модели систем в форме правил нечетких продукций, которые обладают наглядностью и простотой содержательной интерпретации [Леоненков А.В., 2003]. При этом количество входных данных варьирует в самых широких пределах. Система использует стандартные алгоритмы нечетких логик Mamdani и Sugeno. В пакете Fuzzy Logic Toolbox системы МАТLАВ адаптивная система нейро-нечеткого вывода ANFIS представляет собой гибридную сеть, которая является многослойной нейронной сетью специальной структуры без обратных связей. В данной сети используются обычные (не нечеткие) сигналы, веса и функции активации, а выполнение операции суммирования основано на использовании фиксированной Т-нормы, Т-конормы или некоторой другой непрерывной операции. При этом значения входов, выходов и весов гибридной нейронной сети представляют собой вещественные числа из отрезка [0, 1].

В доступной отечественной и зарубежной литературе нами не было найдено данных об использовании нейро-нечетких систем в комплексной оценке поведения человека и животных. В связи с этим была поставлена цель: на основании экспериментальных данных синтезировать экспертную систему на основании гибридной нейро-нечеткой сети ANFIS для комплексной оценки индивидуальной стресс-устойчивости животных и провести сравнение полученных данных с общепринятыми критериями. 

Материалы и методы исследования.

Эксперименты выполнены на белых беспородных крысах-самцах массой 180-220 г. В постановке опытов руководствовались правилами проведения работ на экспериментальных животных (Приложение к Приказу Министерства здравоохранения № 267 от 19.06.2003), принципами, изложенными в Директиве Европейского Сообщества (86/609ЕС) и требованиями Всемирного общества защиты животных (WSPA). Животных содержали в клетках (по 6-7 особей) при 20-22°С в условиях свободного доступа к воде и пище. Опыты проводили в осенне-зимний период, в первую половину дня для исключения влияния сезонной и циркадной зависимости на исследуемые показатели.

В процессе разработки экспертной системы нами была синтезирована нейро-нечеткая сеть на основании матрицы данных, в состав которой вошли поведенческие показатели, полученные при тестировании 30 крыс в «открытом поле» белого цвета. При разработке нейро-нечеткой сети нами был использован алгоритм, описанный в работе Л.Р.Черняховской с соавт. [Черняховская Л.Р. и др., 2004]. В качестве искусственной нейросети была использована нейронная сеть TSK, в которой выделяется пять слоев:

Первый слой выполняет раздельную фуззификацию каждой переменной x_i (i=1,2, … , N), определяя для каждого k-го правила вывода значение коэффициента принадлежности в соответствии с применяемой функцией фаззификации. Это параметрический слой. В наших исследованиях в качестве данных параметров использовались поведенческие показатели.

Второй слой выполняет агрегирование отдельных переменных x_i, определяя результирующее значение коэффициента принадлежности для вектора x (уровень активизации правила вывода). Это слой непараметрический.

Третий слой представляет собой генератор функции TSK. В этом слое также производится умножение сигналов y_k(x) на значения w_k, сформированные на предыдущем слое. Это параметрический слой, в котором адаптации подлежат линейные веса p_kj для k = 1,2, … ,M и j = 1,2, … ,N, определяющие функцию следствия модели TSK.

Четвертый слой составляют два нейрона-сумматора, один из которых рассчитывает взвешенную сумму сигналов y_k(x), а второй определяет сумму весов. Это непараметрический слой.

Последний, пятый слой, состоящий из единственного выходного нейрона, – это нормализующий слой, в котором веса подвергаются нормализации.

Рисунок 1. Структурная организация нечеткой сети TSK

Входными данными системы явились латентный период первого движения, латентный период выхода в центр, количество пересеченных квадратов, количество вертикальных стоек, число болюсов, длительность и число актов груминга, длительность и число актов фризинга, общее время движения. В качестве прогностической переменной использовался коэффициент стресс-устойчивости Е.В. Коплик, алгоритма – стандартный алгоритм Sugeno. После генерации нейронная сеть проходила 40 эпох обучения, при этом формировалось 1024 уникальных сочетания признаков. При введении входных данных в обученную нейросеть происходит гибкий подбор наиболее подходящего сочетания показателей с последующим синтезом интегрального коэффициента.

Далее в ходе тестирования экспертной системы проводилась обработка поведенческих показателей у животных (по коэффициенту стресс-устойчивости) в синтезированной нейронной сети.

 Результаты и их обсуждение

Поскольку на значения коэффициента устойчивости влияют только три поведенческих показателя (латентный период выхода в центр, латентный период первого движения, и количество пересеченных квадратов) [Коплик Е.В., 2002], то данный коэффициент является наиболее приемлемым для оценки стресс-устойчивости  в «открытом поле». Это связано  с тем, что стресс-реакция в «открытом поле» имеет в своей основе конфликт реакции страха открытого пространства и исследовательской активности. В то же время поведенческий акт имеет многогранную структуру, что проявляется в наличии второстепенных в данной ситуации компонентов поведения (груминг, фризинг и т.д.). Стресс-устойчивые и стресс-неустойчивые животные имеют относительно стабильные поведенческие паттерны [Умрюхин П.Е., 1996]. Группа амбивалентных животных специфических паттернов не имеет и поведение данных животных очень разнообразно. Выявление закономерностей поведения амбивалентных животных целесообразно проводить с использованием максимально-возможного числа показателей.

В наших исследованиях была проанализирована динамика основных показателей поведения в зависимости от коэффициента устойчивости к стрессу (К) у амбивалентных животных (табл. 1). Выявлено, что динамика изменения поведенческих показателей неодинакова. При этом значения коэффициента ANFIS не коррелировали ни с одним из поведенческих показателей. В целом значения коэффициента устойчивости и коэффициента ANFIS у одних и тех же животных не совпадали, что может быть связано с их разной физиологической значимостью: коэффициент устойчивости указывает на прогностическую устойчивость животных к стрессу, что является генетически предопределенным. Наличие генетически обусловленной стресс-устойчивости или стресс-неустойчивости определяет специфическую нейрохимическую интеграцию, которая определяет особенности поведения. Коэффициент ANFIS, который выражает интегральную совокупность многих, в том числе и второстепенных, поведенческих показателей, т. е. формирует уникальный поведенческий паттерн. На данный коэффициент у животных с различной степенью устойчивости оказывают влияние разные психофизиологические функции организма. Вероятно, с этим связана неоднородность группы амбивалентных животных, их прогностическая неопределенность. Можно предположить, что у животных амбивалентной группы для определения степени прогностической устойчивости к стрессу необходима комплексная оценка с использованием двух вышеизложенных коэффициентов. В связи с этим актуален вопрос о ранжировании группы амбивалентных животных.

Нами была выбрана группа животных с К=0-0,29, т.к. она является наиболее часто встречаемой в популяции. Проведено ранжирование животных данной группы, исходя из изменения коэффициента ANFIS относительно коэффициента индивидуальной стресс-устойчивости по Е.В. Коплик.  Результатом ранжирования стало распределение крыс на 3 группы:

1 группа (К=0-0,1) – характеризуется нарастанием интегрального коэффициента поведения. Отмечается снижение суммарного времени фризинга с увеличением К. По данным литературы, фризинг – это реакция, которая является проявлением наиболее сильного стресса [Walsh R. N. еt al, 1976] и сопровождается резкими вегетативными расстройствами у животного. В наших исследованиях у крыс с очень низким коэффициентом устойчивости двигательная реакция практически отсутствует. Большую часть времени тестирования занимает реакция фризинга, т.е. стресс-индуцированное торможение исследовательского поведения.

2 группа (К=0,10-0,13) – характеризуется снижением интегрального коэффициента поведения. У животных данной группы отмечается отрицательная корреляция между временем груминга и временем фризинга, причем данные показатели не зависят от К устойчивости. Груминг является показателем, который отражает степень тревожности животного. В наших экспериментах было выявлено, что после помещения животных в «открытое поле» наблюдается двигательная реакция, которая продолжается от 50 до 100 сек, после чего следует смена поведенческого системокванта на груминг или фризинг [Судаков К.В. и др., 2010]. Данные изменения индивидуальны, что может быть связано с особенностями нейрохимической организации мозга [Юматов Е.А. и др., 1990].

3 группа (К=0,14-0,20) – характеризуется повышением интегрального коэффициента поведения. При этом сохраняется отрицательная корреляция между временем груминга и временем фризинга. Отмечается появление второй волны движения. В наших экспериментах было выявлено, что после помещения животных данной группы в «открытое поле» их поведение аналогично поведению крыс группы 2. Однако через 80-100 сек после прекращения первой волны движения, следует вторая волна движения. Вероятно, физиологический смысл этого явления лежит в быстрой адаптации к новой обстановке, что определяет более высокую степень устойчивости к стрессу [Егоркина С.Б. и др., 2010].

Таблица 1. Результаты тестирования амбивалентных животных в «открытом поле»

Рисунок 2. Значения коэффициента индивидуальной стресс-устойчивости крыс, при обработке в нейро-нечеткой гибридной системе ANFIS.

Вывод

Использование экспертной системы на основании нейро-нечеткой гибридной сети ANFIS с целью оценки индивидуальной стресс-устойчивости позволяет проводить более точный анализ с использованием большого числа поведенческих показателей. Вычисляемый при помощи данной экспертной системы критерий индивидуальной стресс-устойчивости позволяет проводить ранжирование группы амбивалентных животных для более глубокого анализа их поведения.