Endringer i hjerneforbindelsen under søvn med lukket sløyfe transkraniell nevrostimulering Forutsi metamehukommelsesfølsomhet del 2

Elektrofysiologiske registreringer og transkraniell stimulering

EEG-data ble samlet inn og stimulering ble brukt samtidig med en prototype StarStim64 fra Neuroelectrics, Inc., med en 64-kanals neoprenhodehette inkludert 32 EEG-kanaler og 32 stimuleringskanaler.

Den kontinuerlige utviklingen av moderne vitenskap og teknologi har gjort folks forskning på hjernen mer og mer dyptgående. De siste årene har et økende antall studier vist den nære sammenhengen mellom elektroencefalografi (EEG) og hukommelse. EEG er en metode for å registrere hjernens elektriske aktivitet. Den uttrykker menneskelige hjernes elektriske signaler i form av strektegninger ved å oppdage hjernens bioelektriske signaler. Minne er evnen til hjernens nevronsystem til å tilegne seg, behandle, lagre, gjenkjenne og huske informasjon. Forholdet mellom de to kan sies å være nært beslektet.

EEG registrerer kroppsbevegelser, språk, tenkning og sensorisk informasjon, og har blitt mye brukt i felt som medisin, nevrovitenskap og psykologi. Blant dem fant forskere at EEG har et viktig forhold til hukommelse. EEG-registreringer kan hjelpe oss bedre å forstå prosessen med minneetablering og gjenfinning, og gi verdifull referanse for behandling av hukommelsesforstyrrelser. I følge forskning er langtidshukommelsesdannelse ledsaget av elektrisk aktivitet av ulik grad og distribusjon, og når folk gjenkaller minner vil EEG-signaler også endre seg, noe som ytterligere bekrefter den nære sammenhengen mellom EEG og hukommelse.

I tillegg kan EEG også hjelpe forskere med å forstå ulike typer hukommelse, som korttidshukommelse, langtidshukommelse, romlig hukommelse og emosjonell hukommelse. I forskning kan EEG-analyse peke ut elektrisk aktivitet fra ulike hjerneområder. Disse spesielle elektriske aktivitetene kan avsløre hvordan minnematerialer overføres og behandles i hjernen og også avsløre årsakene til hukommelsessvekkelse.

Man kan si at EEG har en positiv betydning for å bedre livskvaliteten. Moderne mennesker bruker elektroniske produkter som datamaskiner og mobiltelefoner i lang tid og stoler til og med for mye på sosiale medier, noe som gjør det vanskelig for folk å konsentrere seg og lett glemme ting. Forskning viser at kort EEG-tilbakemeldingstrening kan forbedre folks læringsevne og hukommelse. Gjennom individuell EEG-terapi kan abnormiteter i hjernefunksjonen repareres, hjerneaktiviteten forbedres og hukommelsen og læreevnen forbedres.

Oppsummert må EEG-teknologi raskt bli mye brukt i våre daglige liv, og ytterligere forskning er også nødvendig for å utforske flere av dens anvendelser og potensial. I fremtiden vil den kontinuerlige forbedringen av EEG-teknologi gi oss flere muligheter og utfordringer, slik at vi kan ha mer effektive og sunnere hjerner. Det kan sees at vi trenger å forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen betydelig, fordi Cistanche deserticola har antioksidant-, anti-inflammatoriske og antialdringseffekter, som kan bidra til å redusere oksidasjon og inflammatoriske reaksjoner i hjernen, og dermed beskytte helsen til nervesystemet. I tillegg kan Cistanche deserticola også fremme vekst og reparasjon av nerveceller, og dermed forbedre tilkoblingen og funksjonen til nevrale nettverk. Disse effektene kan bidra til å forbedre hukommelse, læring og tenkehastighet, og kan også forhindre utvikling av kognitiv dysfunksjon og nevrodegenerative sykdommer.

ClickKnoww forbedrer korttidsminnet

EEG-kanaler ble plassert i en montasje i henhold til 10-10systemet. EEG-data ble samlet inn fra 23 av de 32 stedene samplet ved 500 Hz og referert til kanal Fz. De ytterligere 9 elektrodene registrerte elektrookulogram, elektromyogram og elektrokardiogram for å tillate deteksjon av søvnstadier. Ingen nettbasert maskinvarefiltrering, bortsett fra linenoise (60 Hz) filtrering, ble brukt under innsamlingen.

Aktiv transkraniell stimulering ble levert i form av unike arrays av spatiotemporal-strømmer over de 32 stimuleringselektrodene. Den totale positive elektriske strømmen ble satt til under 2,5 mA, med hver kanals strøm under 1,5 mA og over 150 uA.

Stimuleringsmønstrene ble skapt gjennom gradientnedstigningsoptimalisering for å maksimere ortogonalitet på tvers av de induserte elektriske feltene i 3-D-volumet til en mal for et voksent menneskehode ved å straffe korrelasjoner og antikorrelasjoner.

Under eksperimentet, for den aktive tilstanden, ble hver av de 14 vignettene tilfeldig assosiert eller "merket" med et annet stimuleringsmønster, og tilpassede maler for hvert mønster ble programmert i Neuroelectricsstimulation-kontrollprogramvaren, CoreGUI. Bare halvparten av disse tES-mønstrene ble brukt på nytt i løpet av natten for å signalisere minnereaktivering (Tag & Cue), og atferdsanalyser fokuserte på minnegjenkallingstestresponser for de målrettede vignettene.

De unike mønstrene ble først og fremst designet for å spore spesifikke minner, ikke for å endre nevral aktivitet på bestemte måter; Hjerneresponser og tilkoblingsendringer til individuelle STAMP-er ble derfor ikke analysert og ble i stedet kombinert for å øke antallet forsøk.

Slow-Wave Oscillation Detection

Stimulering ble automatisk levert tidslåst til opp-tilstander av SWOer med en lukket sløyfedeteksjonsalgoritme, tilpasset fra en tidligere utviklet algoritme (Cox et al., 2014). Under søvn ble innkommende EEG-data fra 13 front-parietal-sentral-kanaler (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 og P4) lagret i en løpende {{17} }s buffer som ble kontinuerlig oppdatert.

For å rense dataene ble subtraksjon med glidende gjennomsnitt med et 1-s-vindu brukt, og alle kanaler som oversteg 500 μV min-til-maks-amplitude over bufferperioden ble avvist.

De resterende kanalene ble beregnet sammen for å lage en virtuell kanal for robust SWO-deteksjon. Effekten innenfor saktebølgebåndet (0.5–1.2 Hz) ble sammenlignet med total bredbåndseffekt (0.1–250 Hz), og hvis dette forholdet var større enn 0,3, så ble den nøyaktige toppen av effekt i saktebølgebåndet (senterfrekvensen) beregnet.

Den virtuelle kanalen ble deretter filtrert med et andreordens Butterworth-båndpassfilter med en 1-Hz-båndbredde rundt senterfrekvensen (med en minimumsgrense på 0.1 Hz), og en Hilbert-transformasjon ble brukt. Fasen ble forskjøvet tilbake 90 grader, og den imaginære komponenten ble ekstrahert, noe som ga den øyeblikkelige fasen.

En sinusbølge ved senterfrekvensen med optimert fase, offset og amplitude til det filtrerte signalet ble deretter generert. Sinusbølgen ble projisert fremover i tid for å bestemme neste punkt i nullfase (dvs. starten på opp-tilstanden), og stimulering ble startet på dette tidspunktet og varte i den forutsagte opp-tilstanden med opp- og nedrampe tider på 100 ms.

Under sham-netter ble stimuleringstidspunkter registrert, men ingen stimulering ble levert. Derfor var sammenligningen av Active og Sham-netter på samme tidspunkt for SWO, med den eneste forskjellen som levering av STAMP-stimulering. Validering av opp-state deteksjon ble utført på data fra Sham-netter for å unngå artefakter produsert av STAMPsonn Active nights.

Markører ble trukket ut fra tidspunktene for opp-tilstander spådd av sinusbølgetilpasningen. I noen tilfeller, på grunn av maskinvareforsinkelse, ble tidsstyrt stimulering flyttet til opp-tilstanden etter den umiddelbart oppdagede opp-tilstanden, noe som kan ha økt variabiliteten av fasene til en viss grad. Epoker tidslåst til stimuleringsstartmarkører (−5 til +5 s) ble ekstrahert fra de rå EEG-dataene og båndpassfiltrert i området 0.5–1,2 Hz.

Faseverdier ved hvert startmarkørtidspunkt ble beregnet ved bruk av Hilbert-transformasjonen. Gjennomsnittlige faseverdier på tvers av forsøk ble beregnet for hver deltaker, og disse gjennomsnittlige fasene ble sendt til v-testing for en forskjell fra 0 grader (Berens, 2009). Tall og statistikk om valideringen av lukket sløyfealgoritmen er presentert i støtteinformasjonen.

EEG-databehandling og grafteoretisk analyse

EEG-signaler ble analysert off-line med EEGLAB og tilpassede MATLAB-skript. For å rense dataene og separere støykilder fra hjernesignalet, ble EEG-opptakene nedsamplet til 25 0 Hz, referert til gjennomsnittet av alle elektrodene, og båndpassfiltrert ved hjelp av et Butterworth-filter (0,1–70 Hz, 24 dB/ oktober).

Okulære og ikke-neurale artefakter ble identifisert og fjernet manuelt ved hjelp av metoden for uavhengig komponentanalyse (ICA) i EEGLAB og dens innebygde infomax-algoritme (Delorme & Makeig, 2004).

De artefaktfrie dataene ble segmentert i epoker som inneholdt -6,4 til -2,4 før starten av stimulering som et grunnlinjevindu, og 3 til 7 s etter forskyvningen av stimulering som et analysevindu. For hver epoke ble effektspekteret ved hver kanal beregnet ved å bruke Welch-spektralestimeringsmetoden på 2048-ms-segmenter med 1,024-ms (50%) overlapping, med hvert segment avsmalnet av et Hamming-vindu.

Funksjonell tilkobling og grafteoretiske analyser ble utført med BioNeCtToolbox, en tilpasset MATLAB-verktøykasse for hjernetilkoblingsanalyse (Casanova, El-Baz, & Suri, 2017). Funksjonell hjerneforbindelse mellom hjerneregioner estimeres ved å beregne krysskorrelasjonen i frekvensdomenet mellom EEG-signaler (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Blant de forskjellige metrikkene for funksjonell tilkobling, oppdager imaginær koherens (iCoh) utelukkende "ekte" interaksjoner mellom EEG-signaler som oppstår innen en viss tidsforsinkelse, og ignorerer dermed øyeblikkelig interaksjon mellom naboelektroder som sannsynligvis produseres av volumledning av elektrisk aktivitet fra en felles hjernekilde (Bullmore & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

iCoh-verdier ble 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 analysene ble utført på både Active- og Sham-dataene. I tillegg ble iCoh-verdier beregnet for både poststimulerings- og prestimuleringstidsvinduene, og verdiene for prestimuleringsvinduet ble trukket fra verdiene for poststimuleringsvinduet for grunnlinjekorreksjon. Den høye flerdimensjonaliteten til iCoh-målene ble løst ut med en grafteoretisk tilnærming.

Grafteoretiske beregninger gir informasjon om graden av nettverkssegregering (dvs. tendensen til hjerneregioner til å danne lokale klynger med tette funksjonelle sammenkoblinger) og nettverksintegrasjon og effektivitet (dvs. nettverkets kapasitet til å bli sammenkoblet og effektivt utveksle informasjon mellom hjerner regioner; Bullmore & Sporns, 2009; Fallani et al., 2014;

Følgende vanlig brukte grafmål ble beregnet for alle de ovennevnte frekvensbåndene i pre- og poststimuleringsperioden: gjennomsnittlig klyngingskoeffisient (sannsynligheten for at nabonoder blir tilkoblet, noe som reflekterer lokal tilknytning); global effektivitet (hvor effektivt nettverket er i å overføre informasjon); karakteristisk banelengde, radius og diameter (gjennomsnittlig antall kanter langs de korteste banene, minst mulig avstand og størst mulig avstand, henholdsvis mellom alle mulige nodepar); modularitet (graden i hvilken hjernenettverket er adskilt inn i undernettverk eller moduler);assortativitet (andelen av noder som er knyttet til andre noder med lignende grader vs ulik grader); tetthet (antall kanter delt på antall noder i grafen); og gjennomsnittlig koherens (gjennomsnittlig koherens mellom alle nodepar).

Klassifikasjons- og regresjonsanalyser

De resulterende dataene besto av 48 funksjonelle tilkoblingsfunksjoner (8 grafteoretiske beregninger × 6 frekvensbånd) for både Active og Sham-stimuleringsbetingelsene for hver deltaker. Mer spesifikt ble tilkoblingsfunksjoner ekstrahert etter stimulering på Active nights der STAMP-stimulering fant sted, også som under falske netter der ingen stimulering skjedde.

For å undersøke hvilke tilkoblingsendringer som er prediktive for stimuleringstilstanden, samt relatert til atferd, implementerte vi en klassifisering på deltakernivå og regresjonkryssvalideringsanalyse, der data fra en undergruppe av deltakere ble utelatt som testdata for å forutsi. For å redusere variansen kjørte vi 35 folds der en til tre deltakere ble utelatt om gangen.

Denne gjentatte tilfeldige splittemetoden for prøvetaking foretrekkes fremfor den vanlig implementerte "la én ute"-metoden, som kan føre til ustabile og partiske variansestimater (Scheinost et al., 2019; Varoquaux et al., 2017). Vi valgte å ta denne datadrevne tilnærmingen, ikke bare på grunn av den store funksjonsplassen til dataene, men også på grunn av nyheten i undersøkelsen.

Få studier til dags dato har undersøkt sammenhenger mellom grafteoretiske beregninger for hjernetilkobling og metamemorsensitivitet, og ingen har undersøkt hvordan dette endres med hjernestimulering. Dermed vil vi potensielt gå glipp av viktige sammenhenger mellom funksjonell tilkobling og metaminne ved kun å undersøke visse frekvensbånd (f.eks. theta) eller mål (f.eks. gjennomsnittlig koherens) basert på tidligere funn i litteraturen. Et diagram som skisserer analyserørledningen er presentert i figuren 2.

For hver fold ble det kjørt en funksjonsvalgmetode på treningsdataene for å finne grafteoretiske trekk (poststimuleringsbaseline korrigert med prestimulering) som diskriminerte mellom Active og Sham-stimuleringsbetingelser. Mange funksjoner var sterkt korrelert med hverandre, noe som kan sees i Støtteinformasjon Figur S2.

De første svært kollineære variablene ble derfor fjernet ved å finne funksjonspar med høye korrelasjoner (terskel r-verdi på 0.8) og fjerne variabelen med den høyere gjennomsnittlige absolutte korrelasjonen med de andre variablene. Ytterligere informasjon om fjernede variabler på grunn av høy kollinearitet finnes i støtteinformasjonen.

Deretter ble en avhengig test (ettersom studien var et design innen fag) kjørt på hver funksjon, og testet forskjellen mellom aktive og falske forhold. Variabler med lave absolutte t-verdier (terskel på 1) ble fjernet, med begrunnelsen at forskjellen mellom disse variablene var minimal. De resterende funksjonene ble lagt inn i Boruta-funksjonsvalgalgoritmen (Kursa &Rudnicki, 2010).

Boruta er en permutasjonsbasert utvalgsmetode, der hver funksjon, så vel som en kopi av funksjonen med dens verdier, blandet på tvers av deltakere (kalt en "skyggefunksjon"), legges inn i en tilfeldig skogklassifiserer, og viktigheten av hver funksjon bestemmes som en Z-score. Betydningen av de sanne funksjonene må være høyere enn maks. Z-poengsum for skyggefunksjonene for å anses som vesentlig viktig.

Denne prosedyren gjentas flere ganger med forskjellige permutasjoner av skyggetrekkene for å oppnå en fordeling av verdier som viktighetsverdiene til de faktiske funksjonene kan sammenlignes med. Dermed er Boruta en alt-relevant funksjonsvalgmetode - i hovedsak kan alle eller ingen av variablene velges av prosessen. Bare funksjoner som hadde høyere Z-score enn skyggefunksjonene ble valgt.

Denne algoritmen har vist seg å forbedre ytelsen når det gjelder å finne meningsfulle funksjoner sammenlignet med andre funksjonsvalgalgoritmer (Degenhardt et al., 2017; Kursa, 2017). Funksjonene valgt av Boruta ble deretter lagt inn i en logistisk regresjonsmodell som predikerte Active versus condition. Vi kjørte også en regularisert logistisk regresjon med L2-regularisering (ryggregresjon), der den optimale λ-parameteren ble bestemt gjennom kryssvalidering i treningsdataene.

Til slutt kjørte vi også en logistisk regresjonsklassifisering ved å bruke bare den viktigste variabelen valgt av Boruta-algoritmen. Etter å ha tilpasset modellparametrene på treningsdataene, ble modellene brukt til å forutsi utelatte testdata, og ga estimater av sannsynlighet for hvert testeksempel som enten tilhørte Active eller Sham-tilstanden. Disse sannsynlighetene ble sammenkoblet på tvers av folder og brukt til å beregne relative driftskarakteristiske kurver, hvorfra vi utledet area under kurven (AUC) verdier (Fawcett, 2006).

AUC er et mer følsomt mål for klassifiseringsytelse enn bare rå nøyaktighet og rapporteres derfor her. Innenfor den samme kryssvalideringsfolden ble treningsdataene brukt til å forutsi endringer i minnesensitiviteten for de målrettede vignettene (nemlig Tag & Cue) fra natten 2 forhåndstest til postsleep-testen i aktiv tilstand.

Målingen av atferdsytelse var AUC av typen-2 relativ driftskarakteristikk, et skjevhetsfritt ikke-parametrisk mål på metakognitiv sensitivitet, med større AUC som reflekterer større minnesensitivitet (Fleming & Lau, 2014; Galvin et al., 2003) . Her spådde modellene endringen i AUC over natten for å knytte endringer i tilkobling med endringer i minnefølsomhet. Alle tilkoblingsfunksjonene ble lagt inn i en lignende funksjonsvalgprosess som klassifiseringsanalysen. Svært kollineære funksjoner ble fjernet som før.

I stedet for en at-test, ble korrelasjonen mellom hver funksjon og AUC-endringen over natten beregnet og funksjoner med lave absolutte rverdier (terskel på 0.1) ble fjernet. De resterende funksjonene ble kjørt gjennom Borutaalgorithm, denne gangen forutsier AUC-endringer over natten.

Disse funksjonene, så vel som bare toppfunksjonen, ble lagt inn i lineær regresjon og L2-regulariserte regresjonsmodeller som forutsier utelatte testdata. Root-mean-square error-verdier (RMSE) ble beregnet, og gjennomsnittlige RMSE-verdier på tvers av folder ble sammenlignet med RMSE-verdier fra prediksjoner fra en lineær regresjon med bare skjæringspunktet.

Som en siste analyse tok vi Boruta-valgte funksjoner fra klassifiseringsanalysen, så vel som Boruta-valgte funksjoner fra regresjonsanalysen, og endret klassifisering og regresjon med det kombinerte funksjonssettet, samt toppfunksjonen fra hvert sett. AUC-verdier fra klassifiseringsanalyser og RMSE-verdier fra regresjonsanalyser rapporteres for hvert funksjonssett.

For more information:1950477648nn@gmail.com