Ændringer i hjerneforbindelsen under søvn ved lukket sløjfe transkraniel neurostimulering Forudsig metamehukommelsesfølsomhed, del 2

Elektrofysiologiske optagelser og transkraniel stimulering

EEG-data blev indsamlet, og stimulering blev påført samtidigt med en prototype StarStim64 fra Neuroelectrics, Inc., med en 64-kanal-neoprenhovedhætte inklusive 32 EEG-kanaler og 32 stimuleringskanaler.

Den fortsatte udvikling af moderne videnskab og teknologi har gjort folks forskning i hjernen mere og mere dybdegående. I de senere år har et stigende antal undersøgelser påvist det tætte forhold mellem elektroencefalografi (EEG) og hukommelse. EEG er en metode til at registrere hjernens elektriske aktivitet. Det udtrykker menneskets hjernes elektriske signaler i form af stregtegninger ved at detektere hjernens bioelektriske signaler. Hukommelse er hjernens neuronsystems evne til at erhverve, behandle, lagre, genkende og genkalde information. Forholdet mellem de to kan siges at være tæt forbundet.

EEG registrerer kropsbevægelser, sprog, tænkning og sensorisk information og har været meget brugt inden for områder som medicin, neurovidenskab og psykologi. Blandt dem fandt forskerne ud af, at EEG har et vigtigt forhold til hukommelsen. EEG-optagelser kan hjælpe os med bedre at forstå processen med etablering og genfinding af hukommelsen og give værdifuld reference til behandling af hukommelsesforstyrrelser. Ifølge forskning er langtidshukommelsesdannelse ledsaget af elektrisk aktivitet af forskellig grad og fordeling, og når folk genkalder minder, vil EEG-signaler også ændre sig, hvilket yderligere bekræfter den tætte forbindelse mellem EEG og hukommelse.

Derudover kan EEG også hjælpe forskere med at forstå forskellige typer hukommelse, såsom korttidshukommelse, langtidshukommelse, rumlig hukommelse og følelsesmæssig hukommelse. I forskning kan EEG-analyse pege på elektrisk aktivitet fra forskellige hjerneområder. Disse specielle elektriske aktiviteter kan afsløre, hvordan hukommelsesmaterialer transmitteres og behandles i hjernen og afslører også årsagerne til hukommelsessvækkelse.

Man kan sige, at EEG har en positiv betydning for forbedring af livskvaliteten. Moderne mennesker bruger elektroniske produkter som computere og mobiltelefoner i lang tid og stoler endda for meget på sociale medier, hvilket gør det svært for folk at koncentrere sig og nemt glemme ting. Forskning viser, at kort EEG-feedback-træning kan forbedre folks indlæringsevne og hukommelse. Gennem individuel EEG-terapi kan abnormiteter i hjernens funktion repareres, hjerneaktivitet forbedres og hukommelse og indlæringsevner forbedres.

Sammenfattende har EEG-teknologien et presserende behov for at blive brugt bredt i vores daglige liv, og yderligere forskning er også nødvendig for at udforske flere af dens anvendelser og potentiale. I fremtiden vil den kontinuerlige forbedring af EEG-teknologien give os flere muligheder og udfordringer, hvilket giver os mulighed for at få mere effektive og sundere hjerner. Det kan ses, at vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola har antioxidant-, anti-inflammatoriske og anti-aldringseffekter, som kan hjælpe med at reducere oxidation og inflammatoriske reaktioner i hjernen og derved beskytte nervesystemets sundhed. Derudover kan Cistanche deserticola også fremme vækst og reparation af nerveceller og derved forbedre forbindelsen og funktionen af ​​neurale netværk. Disse effekter kan hjælpe med at forbedre hukommelsen, indlæringen og tænkehastigheden og kan også forhindre udviklingen af ​​kognitiv dysfunktion og neurodegenerative sygdomme.

ClickKnoww forbedrer korttidshukommelsen

EEG-kanaler blev placeret i en montage i henhold til 10-10systemet. EEG-data blev indsamlet fra 23 af de 32 steder, der blev samplet ved 500 Hz og refereret til kanal Fz. De yderligere 9 elektroder optog elektrookulogram, elektromyogram og elektrokardiogram for at tillade påvisning af søvnstadier. Ingen online hardwarefiltrering, undtagen linenoise (60 Hz) filtrering, blev anvendt under indsamlingen.

Aktiv transkraniel stimulation blev leveret i form af unikke arrays af spatiotemporal-strømme på tværs af de 32 stimuleringselektroder. Den samlede positive elektriske strøm blev sat til under 2,5 mA, med hver kanals strøm under 1,5 mA og over 150 uA.

Stimuleringsmønstrene blev skabt gennem gradient-nedstigningsoptimering for at maksimere ortogonalitet på tværs af de inducerede elektriske felter i 3-D-volumenet af en voksen menneskehovedskabelon ved at penalisere korrelationer og anti-relationer.

Under eksperimentet, for den aktive tilstand, blev hver af de 14 vignetter tilfældigt forbundet eller "mærket" med et andet stimuleringsmønster, og brugerdefinerede skabeloner for hvert mønster blev programmeret i Neuroelectricsstimulation-kontrolsoftwaren, CoreGUI. Kun halvdelen af ​​disse tES-mønstre blev genanvendt i løbet af natten for at signalere hukommelsesreaktivering (Tag & Cue), og adfærdsanalyser fokuserede på hukommelsesgenkaldelsestestsvar for de målrettede vignetter.

De unikke mønstre var primært designet til at spore specifikke minder, ikke for at ændre neural aktivitet på bestemte måder; således blev hjernereaktioner og forbindelsesændringer til individuelle STAMP'er ikke analyseret og i stedet kombineret for at øge antallet af forsøg.

Langsom bølge svingning detektion

Stimulering blev automatisk leveret tidslåst til op-tilstande af SWO'er med en lukket sløjfedetektionsalgoritme, tilpasset fra en tidligere udviklet algoritme (Cox et al., 2014). Under søvn blev indgående EEG-data fra 13 front-parietal-centrale kanaler (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 og P4) gemt i en kørende {{17} }s buffer, der løbende blev opdateret.

For at rense dataene blev der anvendt glidende gennemsnitssubtraktion med et 1-s-vindue, og alle kanaler, der oversteg 500 μV min-til-maks amplitude over bufferperioden, blev afvist.

De resterende kanaler blev gennemsnittet sammen for at skabe en virtuel kanal til robust SWO-detektion. Effekten inden for slow-wave-båndet (0.5–1.2 Hz) blev sammenlignet med den samlede bredbåndseffekt (0.1–250 Hz), og hvis dette forhold var større end 0,3, så blev den præcise top af effekt i langsomme bølgebåndet (centerfrekvensen) beregnet.

Den virtuelle kanal blev derefter filtreret med et andenordens Butterworth-båndpasfilter med en 1-Hz-båndbredde omkring centerfrekvensen (med en minimumsgrænse på 0.1 Hz), og en Hilbert-transformation blev anvendt. Fasen blev flyttet 90 grader tilbage, og den imaginære komponent blev ekstraheret, hvilket gav den øjeblikkelige fase.

En sinusbølge ved centerfrekvensen med optimeret fase, offset og amplitude af det filtrerede signal blev derefter genereret. Sinusbølgen blev projiceret fremad i tid for at bestemme det næste punkt i nulfasen (dvs. starten af ​​op-tilstanden), og stimulering blev startet på dette tidspunkt og varede i den forudsagte op-tilstand med rampe-op og rampe-ned gange på 100 ms.

Under sham-nætter blev stimuleringstidspunkter registreret, men der blev ikke leveret nogen stimulation. Sammenligningen af ​​Active og Sham-nætter var således på samme tidspunkt for SWO, hvor den eneste forskel var leveringen af ​​STAMP-stimulering. Validering af up-state detektion blev udført på data fra Sham-nætter for at undgå artefakter produceret af STAMPsonn Active nights.

Markører blev udtrukket fra tidspunkterne for op-tilstande forudsagt af sinusbølgetilpasningen. I nogle tilfælde blev tidsbestemt stimulering på grund af hardwareforsinkelse flyttet til op-tilstanden efter den umiddelbart detekterede op-tilstand, hvilket kan have øget variabiliteten af ​​faser til en vis grad. Epoker tidslåst til stimuleringsstartmarkører (−5 til +5 s) blev ekstraheret fra de rå EEG-data og båndpasfiltreret i området 0.5-1,2 Hz.

Faseværdier ved hvert begyndelsesmarkørtidspunkt blev beregnet under anvendelse af Hilbert-transformationen. Gennemsnitlige faseværdier på tværs af forsøg blev beregnet for hver deltager, og disse middelfaser blev underkastet v-test test for en forskel fra 0 grader (Berens, 2009). Tal og statistikker om valideringen af ​​lukket sløjfe-algoritmen er præsenteret i den understøttende information.

EEG-databehandling og grafteoretisk analyse

EEG-signaler blev analyseret off-line med EEGLAB og brugerdefinerede MATLAB-scripts. For at rense dataene og adskille kilder til støj fra hjernesignaler blev EEG-optagelserne nedsamplet til 25 0 Hz, refereret til gennemsnittet af alle elektroder og båndpasfiltreret ved hjælp af et Butterworth-filter (0,1-70 Hz, 24 dB/ okt).

Okulære og ikke-neurale artefakter blev identificeret og fjernet manuelt ved hjælp af den uafhængige komponentanalyse (ICA) metode i EEGLAB og dens indbyggede infomax-algoritme (Delorme & Makeig, 2004).

De artefaktfrie data blev segmenteret i epoker, der indeholdt -6,4 til -2,4 før begyndelsen af ​​stimulation som et basislinjevindue og 3 til 7 s efter forskydningen af ​​stimulering som et analysevindue. For hver epoke blev effektspektret ved hver kanal beregnet ved at anvende Welch-spektralestimeringsmetoden på 2048-ms segmenter med et 1,024-ms (50%) overlap, hvor hvert segment er tilspidset af et Hamming-vindue.

Funktionel forbindelse og grafteoretiske analyser blev udført med BioNeCtToolbox, en tilpasset MATLAB-værktøjskasse til hjerneforbindelsesanalyse (Casanova, El-Baz, & Suri, 2017). Funktionel hjerneforbindelse mellem hjerneregioner estimeres ved at beregne krydskorrelationen i frekvensdomænet mellem EEG-signaler (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Blandt de forskellige metrikker for funktionel konnektivitet detekterer imaginær kohærens (iCoh) udelukkende "sande" interaktioner mellem EEG-signaler, der forekommer inden for en vis tidsforsinkelse, og ignorerer således øjeblikkelig interaktion mellem naboelektroder, der sandsynligvis produceres af volumenledning af elektrisk aktivitet fra en fælles hjernekilde (Bullmore & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

iCoh-værdier blev beregnet for alle mulige elektrodepar i følgende frekvensbånd: delta (1-4 Hz), theta (4-8 Hz), alfa (8-12 Hz), spindel (12-15 Hz), beta (16- 30 Hz) og lav gamma (40-50 Hz).

Disse analyser blev udført på både Active- og Sham-dataene. Derudover blev iCoh-værdier beregnet for både poststimulerings- og prestimuleringstidsvinduerne, og præstimuleringsvinduets værdier blev trukket fra poststimuleringsvinduets værdier til basislinjekorrektion. Den høje multidimensionalitet af iCoh-målene blev afviklet med en grafteoretisk tilgang.

Grafteoretiske målinger giver information om graden af ​​netværkssegregation (dvs. hjerneregioners tendens til at danne lokale klynger med tætte funktionelle sammenkoblinger) og netværksintegration og effektivitet (dvs. netværkets kapacitet til at blive sammenkoblet og effektivt udveksle information mellem hjerner regioner; Bullmore & Sporns, 2009; Mohammad-Rezazadeh et al.

Følgende almindeligt anvendte grafmål blev beregnet for alle de ovennævnte frekvensbånd i præ- og poststimuleringsperioderne: gennemsnitlig klyngekoefficient (sandsynligheden for, at naboknudepunkter er forbundet, hvilket afspejler lokal forbindelse); global effektivitet (hvor effektivt netværket er til at overføre information); karakteristisk vejlængde, radius og diameter (det gennemsnitlige antal kanter langs de korteste veje, den mindst mulige afstand og den størst mulige afstand, henholdsvis mellem alle mulige noderpar); modularitet (graden, hvori hjernenetværket er adskilt ind i undernetværk eller moduler);assortativitet (andelen af ​​noder, der er knyttet til andre noder med lignende grader vs. uens grader); tæthed (antallet af kanter divideret med antallet af noder i grafen); og middelkohærens (den gennemsnitlige sammenhæng mellem alle nodepar).

Klassifikations- og regressionsanalyser

De resulterende data bestod af 48 funktionelle tilslutningsfunktioner (8 grafteoretiske metrikker × 6 frekvensbånd) for både aktive og falske stimuleringsbetingelser for hver deltager. Mere specifikt blev tilslutningsfunktioner udtrukket efter stimulering på Active nights, hvor STAMP-stimulering også fandt sted som under falske nætter, hvor der ikke fandt stimulation sted.

For at undersøge hvilke tilslutningsændringer, der forudsiger stimuleringstilstanden, såvel som relaterer til adfærd, implementerede vi en klassificering på deltagerniveau og regressionskrydsvalideringsanalyse, hvor data fra en undergruppe af deltagere blev udeladt som testdata til at forudsige. For at reducere variansen kørte vi 35 fold, hvor en til tre deltagere blev udeladt ad gangen.

Denne gentagne tilfældige opdelingsmetode til prøveudtagning foretrækkes frem for den almindeligt implementerede "leave one out"-metode, som kan føre til ustabile og skæve variansestimater (Scheinost et al., 2019; Varoquaux et al., 2017). Vi valgte at tage denne datadrevne tilgang, ikke kun på grund af dataens store funktionsrum, men også på grund af undersøgelsens nyhed.

Få undersøgelser til dato har undersøgt forholdet mellem grafteoretiske målinger for hjerneforbindelse og metamemorisk følsomhed, og ingen har undersøgt, hvordan dette ændrer sig med hjernestimulering. Således ville vi potentielt gå glip af vigtige relationer mellem funktionel forbindelse og metahukommelse ved kun at undersøge visse frekvensbånd (f.eks. theta) eller mål (f.eks. middelkohærens) baseret på tidligere resultater i litteraturen. Et diagram, der skitserer analysepipelinen, er præsenteret i figuren 2.

For hver fold blev der kørt en funktionsvalgsmetode på træningsdataene for at finde grafteoretiske træk (poststimulationsbaseline korrigeret med præstimulering), der skelnede mellem Active og Sham-stimuleringsbetingelser. Mange funktioner var stærkt korrelerede med hinanden, hvilket kan ses i Understøttende information Figur S2.

Således blev de første meget kollineære variabler fjernet ved at finde trækpar med høje korrelationer (tærskel r-værdi på 0.8) og fjerne variablen med den højere gennemsnitlige absolutte korrelation med de andre variable. Yderligere oplysninger om fjernede variabler på grund af høj kollinearitet kan findes i den understøttende information.

Derefter blev der kørt en afhængig test (da undersøgelsen var et design inden for fag) på hver funktion, der testede forskellen mellem aktive og falske betingelser. Variabler med lave absolutte t-værdier (tærskel på 1) blev fjernet med det rationale, at forskellen mellem disse variable var minimal. De resterende funktioner blev indtastet i Boruta-funktionsvalgalgoritmen (Kursa &Rudnicki, 2010).

Boruta er en permutationsbaseret udvælgelsesmetode, hvor hver feature, såvel som en kopi af featuren med dens værdier, blandet på tværs af deltagere (kaldet en "shadowfeature"), indtastes i en tilfældig skovklassificering, og vigtigheden af ​​hver feature bestemmes som en Z-score. Vigtigheden af ​​de sande træk skal være højere end den maksimale Z-score for skyggetrækkene for at blive betragtet som væsentligt vigtige.

Denne procedure gentages flere gange med forskellige permutationer af skyggeegenskaberne for at opnå en fordeling af værdier, som vigtighedsværdierne af de faktiske funktioner kan sammenlignes med. Boruta er således en alt-relevant funktionsudvælgelsesmetode - i det væsentlige kunne alle eller ingen af ​​variablerne vælges af processen. Kun funktioner, der havde højere Z-score end skyggefunktionerne, blev valgt.

Denne algoritme har vist sig at forbedre ydeevnen til at finde meningsfulde funktioner sammenlignet med andre funktionsvalgalgoritmer (Degenhardt et al., 2017; Kursa, 2017). Funktionerne udvalgt af Boruta blev derefter indgået i en logistisk regressionsmodel, der forudsagde Active versus betingelser. Vi kørte også en regulariseret logistisk regression med L2-regularisering (ridge-regression), hvor den optimale λ-parameter blev bestemt gennem krydsvalidering i træningsdataene.

Til sidst kørte vi også en logistisk regressionsklassifikation ved kun at bruge den vigtigste variabel valgt af Boruta-algoritmen. Efter at have tilpasset modelparametrene på træningsdataene, blev modellerne brugt til at forudsige de udeladte testdata, hvilket gav estimater af sandsynlighed for hvert testeksempel, der enten tilhørte Active eller Sham-tilstanden. Disse sandsynligheder blev sammenkædet på tværs af folder og brugt til at beregne relative driftskarakteristiske kurver, hvorfra vi udledte areal under kurven (AUC) værdier (Fawcett, 2006).

AUC er et mere følsomt mål for klassificeringspræstation end blot rå nøjagtighed og rapporteres derfor her. Inden for den samme krydsvalideringsfold blev træningsdataene brugt til at forudsige ændringer i hukommelsesfølsomheden for de målrettede vignetter (nemlig Tag & Cue) fra natten 2 forudsøvntest til postsleeptest i aktiv tilstand.

Målingen af ​​adfærdsmæssig ydeevne var AUC af typen-2 relativ operationskarakteristik, en bias-fri, ikke-parametrisk måling af metakognitiv følsomhed, hvor større AUC afspejler større hukommelsesfølsomhed (Fleming & Lau, 2014; Galvin et al., 2003) . Her forudsagde modellerne ændringen i AUC natten over for at forbinde ændringer i forbindelse med ændringer i hukommelsesfølsomhed. Alle tilslutningsfunktionerne blev indgået i en lignende funktionsudvælgelsesproces som klassifikationsanalysen. Meget kollineære funktioner blev fjernet som før.

I stedet for en at-test blev korrelationen mellem hver funktion og AUC-ændringen natten over beregnet, og funktioner med lave absolutte r-værdier (tærskel på 0.1) blev fjernet. De resterende funktioner blev kørt gennem Borutaalgorithmen, denne gang forudsige AUC-ændringer natten over.

Disse funktioner, såvel som kun den øverste funktion, blev indtastet i lineær regression og L2-regulariserede regressionsmodeller, der forudsiger udeladte testdata. Root-mean-square error (RMSE)-værdier blev beregnet, og gennemsnitlige RMSE-værdier på tværs af folder blev sammenlignet med RMSE-værdier fra forudsigelser fra en lineær regression med kun skæringen.

Som en endelig analyse tog vi Boruta-valgte træk fra klassifikationsanalysen, såvel som Boruta-valgte træk fra regressionsanalysen, og genkørte klassifikation og regression med det kombinerede funktionssæt, såvel som det øverste træk fra hvert sæt. AUC-værdier fra klassifikationsanalyser og RMSE-værdier fra regressionsanalyser rapporteres for hvert funktionssæt.

For more information:1950477648nn@gmail.com