Förändringar i hjärnanslutning under sömn genom sluten slinga transkraniell neurostimulering Förutsäg metamenesskänslighet del 2

Elektrofysiologiska registreringar och transkraniell stimulering

EEG-data samlades in och stimulering applicerades samtidigt med en prototyp StarStim64 från Neuroelectrics, Inc., med en 64-kanals neopren-huvudkåpa inklusive 32 EEG-kanaler och 32 stimuleringskanaler.

Den ständiga utvecklingen av modern vetenskap och teknik har gjort människors forskning om hjärnan mer och mer djupgående. Under de senaste åren har ett ökande antal studier visat det nära sambandet mellan elektroencefalografi (EEG) och minne. EEG är en metod för att registrera hjärnans elektriska aktivitet. Den uttrycker mänskliga hjärnans elektriska signaler i form av linjeritningar genom att detektera hjärnans bioelektriska signaler. Minne är förmågan hos hjärnans neuronsystem att förvärva, bearbeta, lagra, känna igen och återkalla information. Relationen mellan de två kan sägas vara nära besläktad.

EEG registrerar kroppsrörelser, språk, tänkande och sensorisk information och har använts i stor utsträckning inom områden som medicin, neurovetenskap och psykologi. Bland dem fann forskare att EEG har ett viktigt samband med minne. EEG-inspelningar kan hjälpa oss att bättre förstå processen för minnesetablering och -hämtning, och ge värdefull referens för behandling av minnesstörningar. Enligt forskning åtföljs långtidsminnesbildningen av elektrisk aktivitet av varierande grad och fördelning, och när människor återkallar minnen kommer EEG-signaler också att förändras, vilket ytterligare bekräftar det nära sambandet mellan EEG och minne.

Dessutom kan EEG också hjälpa forskare att förstå olika typer av minne, såsom korttidsminne, långtidsminne, rumsminne och känslomässigt minne. Inom forskning kan EEG-analys peka ut elektrisk aktivitet från olika hjärnområden. Dessa speciella elektriska aktiviteter kan avslöja hur minnesmaterial överförs och bearbetas i hjärnan och även avslöja orsakerna till minnesförsämring.

Man kan säga att EEG har en positiv betydelse för att förbättra livskvaliteten. Moderna människor använder elektroniska produkter som datorer och mobiltelefoner under lång tid och förlitar sig till och med för mycket på sociala medier, vilket gör det svårt för människor att koncentrera sig och lätt glömma saker. Forskning visar att kort EEG-feedbackträning kan förbättra människors inlärningsförmåga och minne. Genom individuell EEG-terapi kan avvikelser i hjärnans funktion repareras, hjärnaktiviteten förbättras och minnet och inlärningsförmågan förbättras.

Sammanfattningsvis måste EEG-tekniken snabbt användas i stor utsträckning i våra dagliga liv, och ytterligare forskning behövs också för att utforska fler av dess tillämpningar och potential. I framtiden kommer den kontinuerliga förbättringen av EEG-tekniken att ge oss fler möjligheter och utmaningar, vilket gör att vi kan få effektivare och friskare hjärnor. Det kan ses att vi behöver förbättra minnet, och Cistanche deserticola kan förbättra minnet avsevärt, eftersom Cistanche deserticola har antioxidant-, anti-inflammatoriska och anti-aging-effekter, vilket kan hjälpa till att minska oxidation och inflammatoriska reaktioner i hjärnan och därigenom skydda nervsystemets hälsa. Dessutom kan Cistanche deserticola också främja tillväxt och reparation av nervceller, och därigenom förbättra anslutningen och funktionen hos neurala nätverk. Dessa effekter kan hjälpa till att förbättra minnet, inlärnings- och tankehastigheten och kan också förhindra utvecklingen av kognitiv dysfunktion och neurodegenerativa sjukdomar.

ClickKnoww förbättrar korttidsminnet

EEG-kanaler placerades i ett montage enligt 10-10systemet. EEG-data samlades in från 23 av de 32 ställena som provades vid 500 Hz och refererade till kanal Fz. De ytterligare 9 elektroderna registrerade elektrookulogram, elektromyogram och elektrokardiogram för att möjliggöra upptäckt av sömnstadier. Ingen online-hårdvarufiltrering, förutom linnoise-filtrering (60 Hz), användes under insamlingen.

Aktiv transkraniell stimulering levererades i form av unika arrayer av spatiotemporala strömmar över de 32 stimuleringselektroderna. Den totala positiva elektriska strömmen sattes till under 2,5 mA, med varje kanals ström under 1,5 mA och över 150 uA.

Stimuleringsmönstren skapades genom optimering av gradientnedstigning för att maximera ortogonalitet över de inducerade elektriska fälten i 3-D-volymen av en vuxen människohuvudmall genom att straffa korrelationer och anti-relationer.

Under experimentet, för det aktiva tillståndet, var var och en av de 14 vinjetterna slumpmässigt associerade eller "taggade" med ett annat stimuleringsmönster, och anpassade mallar för varje mönster programmerades i styrmjukvaran Neuroelectricsstimulation, CoreGUI. Endast hälften av dessa tES-mönster återapplicerades under natten för att signalera minnesreaktivering (Tag & Cue), och beteendeanalyser fokuserade på minnesåterkallningstestsvar för de riktade vinjetterna.

De unika mönstren var i första hand utformade för att skapa specifika minnen, inte för att förändra neural aktivitet på specifika sätt; sålunda analyserades inte hjärnans svar och anslutningsförändringar till enskilda STAMPs utan kombinerades istället för att öka antalet försök.

Slow-Wave Oscillation Detektion

Stimulering levererades automatiskt tidslåst till upp-tillstånd av SWOs med en sluten slingdetektionsalgoritm, anpassad från en tidigare utvecklad algoritm (Cox et al., 2014). Under sömn lagrades inkommande EEG-data från 13 främre parietal-centrala kanaler (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 och P4) i en löpande {{17} }s buffert som uppdaterades kontinuerligt.

För att rensa data användes subtraktion av glidande medelvärde med ett 1-s-fönster, och alla kanaler som översteg 500 μV min-till-max-amplitud över buffertperioden avvisades.

De återstående kanalerna beräknades tillsammans för att skapa en virtuell kanal för robust SWO-detektion. Effekten inom långsamvågsbandet (0.5–1.2 Hz) jämfördes med total bredbandseffekt (0.1–250 Hz), och om detta förhållande var större än 0,3, sedan beräknades den exakta toppen av effekt i långsamvågsbandet (mittfrekvensen).

Den virtuella kanalen filtrerades sedan med ett andra ordningens Butterworth-bandpassfilter med en 1-Hz-bandbredd runt mittfrekvensen (med en lägsta lägre cutoff på 0.1 Hz), och en Hilbert-transform applicerades. Fasen flyttades tillbaka 90 grader och den imaginära komponenten extraherades, vilket gav den momentana fasen.

En sinusvåg vid mittfrekvensen med optimerad fas, offset och amplitud för den filtrerade signalen genererades sedan. Sinusvågen projicerades framåt i tiden för att bestämma nästa punkt i nollfasen (dvs början av upp-tillståndet), och stimulering startade vid denna tidpunkt och varade under det förutsagda upp-tillståndet med upprampning och nedrampning tider på 100 ms.

Under skennätter registrerades stimuleringstidpunkter, men ingen stimulering levererades. Således var jämförelsen av aktiva och skennätter vid samma tidpunkter för SWO, där den enda skillnaden var leveransen av STAMP-stimulering. Validering av upp-tillståndsdetektion utfördes på data från skennätter för att undvika artefakter producerade av STAMPsonn Active nights.

Markörer extraherades från tidpunkterna för upp-tillstånd som förutspåddes av sinusvågsanpassningen. I vissa fall, på grund av hårdvarufördröjning, flyttades tidsstyrd stimulering till upptillståndet efter det omedelbart detekterade upptillståndet, vilket kan ha ökat variabiliteten av faser till viss del. Epoker tidslåsta till stimuleringsstartmarkörer (−5 till +5 s) extraherades från rå EEG-data och bandpassfiltrerades i området 0.5–1,2 Hz.

Fasvärden vid varje tidpunkt för startmarkören beräknades med hjälp av Hilbert-transformen. Medelfasvärden för försöken beräknades för varje deltagare, och dessa medelfaser underkastades v-test testning för en skillnad från 0 grader (Berens, 2009). Siffror och statistik om valideringen av den slutna slingalgoritmen presenteras i stödinformationen.

EEG-databehandling och grafteoretisk analys

EEG-signaler analyserades off-line med EEGLAB och anpassade MATLAB-skript. För att rensa data och separera bruskällor från hjärnsignaler, samplades EEG-inspelningarna till 25 0 Hz, refererade till medelvärdet av alla elektroder, och bandpassfiltrerades med ett Butterworth-filter (0,1–70 Hz, 24 dB/ okt).

Okulära och icke-neurala artefakter identifierades och togs bort manuellt med den oberoende komponentanalysmetoden (ICA) i EEGLAB och dess inbyggda infomax-algoritm (Delorme & Makeig, 2004).

De artefaktfria data segmenterades i epoker som innehöll -6,4 till -2,4 före stimuleringens början som ett baslinjefönster och 3 till 7 s efter stimuleringsförskjutningen som ett analysfönster. För varje epok beräknades effektspektrumet vid varje kanal genom att tillämpa Welchs spektraluppskattningsmetod på 2048-ms segment med en 1,024-ms (50%) överlappning, med varje segment avsmalnande av ett Hamming-fönster.

Funktionell anslutning och grafteoretiska analyser utfördes med BioNeCtToolbox, en anpassad MATLAB-verktygslåda för hjärnanslutningsanalys (Casanova, El-Baz, & Suri, 2017). Funktionell hjärnanslutning mellan hjärnregioner uppskattas genom att beräkna korskorrelationen i frekvensdomänen mellan EEG-signaler (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Bland de olika mätvärdena för funktionell anslutning detekterar imaginär koherens (iCoh) uteslutande "sanna" interaktioner mellan EEG-signaler som inträffar inom en viss tidsfördröjning, och ignorerar på så sätt omedelbar interaktion mellan angränsande elektroder som sannolikt produceras av volymledning av elektrisk aktivitet från en gemensam hjärnkälla (Bullmore & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

iCoh-värden beräknades för alla möjliga elektrodepar i följande frekvensband: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), spindel (12–15 Hz), beta (16– 30 Hz) och låg gamma (40–50 Hz).

Dessa analyser utfördes på både Active och Sham-data. Dessutom beräknades iCoh-värden för både poststimulerings- och prestimuleringstidsfönstren, och värdena för prestimuleringsfönster subtraherades från poststimuleringsfönstrets värden för baslinjekorrigering. Den höga flerdimensionaliteten hos iCoh-måtten lösgjordes med en grafteoretisk metod.

Grafteoretiska mått ger information om graden av nätverkssegregation (dvs. hjärnregionernas tendens att bilda lokala kluster med täta funktionella sammankopplingar) och nätverksintegration och effektivitet (dvs nätverkets kapacitet att bli sammankopplad och effektivt utbyta information mellan hjärnor regioner; Bullmore & Sporns, 2009; Fallani et al., 2014;

Följande allmänt använda grafmått beräknades för alla ovan nämnda frekvensband i pre- och poststimuleringsperioderna: genomsnittlig klustringskoefficient (sannolikheten för att angränsande noder är anslutna, vilket reflekterar lokal koppling); global effektivitet (hur effektivt nätverket är för att överföra information); karakteristisk väglängd, radie och diameter (det genomsnittliga antalet kanter längs de kortaste banorna, minsta möjliga avstånd och största möjliga avstånd mellan alla möjliga nodpar respektive); modularitet (graden till vilken hjärnnätverket är segregerat in i undernätverk eller moduler);assortativitet (andelen noder som är kopplade till andra noder med liknande grader kontra olika grader); densitet (antalet kanter dividerat med antalet noder i grafen); och medelkoherens (den genomsnittliga koherensen mellan alla nodpar).

Klassificerings- och regressionsanalyser

Den resulterande data bestod av 48 funktionella anslutningsfunktioner (8 grafteoretiska mätvärden × 6 frekvensband) för både aktiva och sken-stimuleringsförhållanden för varje deltagare. Mer specifikt extraherades anslutningsfunktioner efter stimulering på aktiva nätter där STAMP-stimulering också inträffade som under skennätter där ingen stimulering inträffade.

För att undersöka vilka anslutningsförändringar som förutsäger stimuleringstillstånd, samt relaterar till beteende, implementerade vi en klassificering på deltagarnivå och regressionskorsvalideringsanalys, där data från en delmängd av deltagare utelämnades som testdata för att förutsäga. För att minska variansen körde vi 35 veck där en till tre deltagare lämnades borta åt gången.

Denna upprepade slumpmässiga uppdelningsmetod för provtagning är att föredra framför den allmänt implementerade metoden "utelämna en ute", vilket kan leda till instabila och partiska uppskattningar av varians (Scheinost et al., 2019; Varoquaux et al., 2017). Vi valde att ta detta datadrivna tillvägagångssätt inte bara på grund av det stora funktionsutrymmet i datan utan också på grund av undersökningens nyhet.

Få studier har hittills undersökt sambanden mellan grafteoretiska mätvärden för hjärnanslutning och metamemykänslighet, och ingen har undersökt hur detta förändras med hjärnstimulering. Således skulle vi potentiellt missa viktiga samband mellan funktionell anslutning och metameory genom att endast undersöka vissa frekvensband (t.ex. theta) eller mått (t.ex. medelkoherens) baserat på tidigare fynd i litteraturen. Ett diagram som beskriver analyspipelinen presenteras i figuren 2.

För varje veck kördes en funktionsvalsmetod på träningsdata för att hitta grafteoretiska egenskaper (poststimuleringsbaslinje korrigerad med prestimulering) som skilde mellan aktiva och sken-stimuleringsförhållanden. Många funktioner var starkt korrelerade med varandra, vilket kan ses i Stödinformation Figur S2.

Sålunda togs de första mycket kolinjära variablerna bort genom att hitta par av egenskaper med höga korrelationer (tröskelvärdet r på 0.8) och ta bort variabeln med den högre genomsnittliga absoluta korrelationen med de andra variablerna. Ytterligare information om borttagna variabler på grund av hög kollinearitet finns i Supporting Information.

Sedan kördes ett beroendetest (eftersom studien var en design inom ämnena) på varje funktion, som testade skillnaden mellan aktiva och skenbara förhållanden. Variabler med låga absoluta t-värden (tröskel på 1) togs bort, med motiveringen att skillnaden mellan dessa variabler var minimal. De återstående funktionerna matades in i Boruta-funktionsvalsalgoritmen (Kursa &Rudnicki, 2010).

Boruta är en permutationsbaserad urvalsmetod, där varje funktion, såväl som en kopia av funktionen med dess värden, blandad över deltagare (kallad "skuggfunktion"), läggs in i en slumpmässig skogsklassificerare, och vikten av varje funktion bestäms som en Z-poäng. Vikten av de sanna funktionerna måste vara högre än max Z-poängen för skuggfunktionerna för att anses vara väsentligt viktiga.

Denna procedur upprepas flera gånger med olika permutationer av skuggegenskaperna för att erhålla en fördelning av värden som de faktiska egenskapernas betydelsevärden kan jämföras med. Boruta är alltså en helt relevant funktionsvalsmetod - i huvudsak kan alla eller ingen av variablerna väljas av processen. Endast funktioner som hade högre Z-poäng än skuggfunktionerna valdes.

Denna algoritm har visat sig förbättra prestandan när det gäller att hitta meningsfulla funktioner jämfört med andra funktionsvalsalgoritmer (Degenhardt et al., 2017; Kursa, 2017). Funktionerna som Boruta valde sattes sedan in i en logistisk regressionsmodell som förutspådde Active kontra villkoren. Vi körde också en regulariserad logistisk regression med L2-regularisering (ridge-regression), där den optimala λ-parametern bestämdes genom korsvalidering inom träningsdata.

Slutligen körde vi också en logistisk regressionsklassificering med endast den viktigaste variabeln vald av Boruta-algoritmen. Efter att ha anpassat modellparametrarna på träningsdata, användes modellerna för att förutsäga utelämnade testdata, vilket gav uppskattningar av sannolikhet för varje testexempel som antingen tillhörde Active eller Sham-tillståndet. Dessa sannolikheter sammanfogades över veck och användes för att beräkna relativa funktionskarakteristiska kurvor, från vilka vi härledde areal under kurvan (AUC) värden (Fawcett, 2006).

AUC är ett mer känsligt mått på klassificerarens prestanda än bara rå noggrannhet och rapporteras därför här. Inom samma korsvalideringsfält användes träningsdata för att förutsäga förändringar i minneskänsligheten för de riktade vinjetterna (nämligen Tag & Cue) från natten 2 försömnsteste till eftersömnstestet i aktivt tillstånd.

Måttet på beteendeprestanda var AUC av typen-2 relativ operationskarakteristikkurva, ett förspänningsfritt icke-parametriskt mått på metakognitiv känslighet, med högre AUC som återspeglar större minneskänslighet (Fleming & Lau, 2014; Galvin et al., 2003) . Här förutspådde modellerna förändringen i AUC över natten för att koppla förändringar i anslutning med förändringar i minneskänslighet. Alla anslutningsfunktioner ingick i en liknande funktionsvalsprocess som klassificeringsanalysen. Mycket kolinjära funktioner togs bort som tidigare.

Istället för ett at-test beräknades korrelationen mellan varje funktion och AUC-ändringen över natten och funktioner med låga absoluta rvärden (tröskelvärde på 0.1) togs bort. De återstående funktionerna kördes genom Borutaalgorithm, denna gång förutspådde AUC-förändringar över natten.

Dessa funktioner, såväl som bara den översta funktionen, ingick i linjär regression och L2-regulerade regressionsmodeller som förutsäger utelämnade testdata. Root-mean-square error (RMSE)-värden beräknades och genomsnittliga RMSE-värden över veck jämfördes med RMSE-värden från förutsägelser från en linjär regression med endast skärningen.

Som en slutlig analys tog vi Boruta-valda egenskaper från klassificeringsanalysen, såväl som Boruta-valda funktioner från regressionsanalysen, och körde om klassificering och regression med den kombinerade egenskapsuppsättningen, såväl som den översta egenskapen från varje uppsättning. AUC-värden från klassificeringsanalyser och RMSE-värden från regressionsanalyser rapporteras för varje funktionsuppsättning.

For more information:1950477648nn@gmail.com