Spremembe možganske povezljivosti med spanjem s transkranialno nevrostimulacijo z zaprto zanko napovedujejo občutljivost metaspomina 2. del

Elektrofiziološki posnetki in transkranialna stimulacija

Podatki EEG so bili zbrani in stimulacija je bila uporabljena sočasno s prototipom StarStim64 podjetja Neuroelectrics, Inc., s 64-kanalno neoprensko glavo, ki vključuje 32 kanalov EEG in 32 kanalov za stimulacijo.

Nenehni razvoj sodobne znanosti in tehnologije je vse bolj poglabljal raziskovanje možganov ljudi. V zadnjih letih vse več študij dokazuje tesno povezavo med elektroencefalografijo (EEG) in spominom. EEG je metoda beleženja električne aktivnosti možganov. Izraža električne signale človeških možganov v obliki črtnih risb z zaznavanjem bioelektričnih signalov možganov. Spomin je sposobnost možganskega nevronskega sistema za pridobivanje, obdelavo, shranjevanje, prepoznavanje in priklic informacij. Za odnos med obema lahko rečemo, da je tesno povezan.

EEG beleži gibanje telesa, jezik, razmišljanje in senzorične informacije ter se pogosto uporablja na področjih, kot so medicina, nevroznanost in psihologija. Med njimi so raziskovalci ugotovili, da ima EEG pomembno povezavo s spominom. Posnetki EEG nam lahko pomagajo bolje razumeti proces vzpostavljanja in obnavljanja spomina ter so dragocena referenca za zdravljenje motenj spomina. Glede na raziskave nastajanje dolgoročnega spomina spremlja električna aktivnost različnih stopenj in porazdelitve, in ko si ljudje prikličejo spomine, se spremenijo tudi signali EEG, kar dodatno potrjuje tesno povezavo med EEG in spominom.

Poleg tega lahko EEG raziskovalcem pomaga razumeti različne vrste spomina, kot so kratkoročni spomin, dolgoročni spomin, prostorski spomin in čustveni spomin. V raziskavah lahko analiza EEG pokaže električno aktivnost iz različnih področij možganov. Te posebne električne dejavnosti lahko razkrijejo, kako se spominski materiali prenašajo in obdelujejo v možganih, ter razkrijejo tudi vzroke za okvaro spomina.

Lahko rečemo, da ima EEG pozitiven pomen za izboljšanje kakovosti življenja. Sodobni ljudje dolgo časa uporabljajo elektronske izdelke, kot so računalniki in mobilni telefoni, in se celo preveč zanašajo na družbene medije, zaradi česar se ljudje težko osredotočijo in zlahka pozabijo stvari. Raziskave kažejo, da lahko kratko usposabljanje s povratnimi informacijami EEG izboljša sposobnost učenja in spomin ljudi. Z individualno EEG terapijo lahko popravimo nepravilnosti v delovanju možganov, izboljšamo možgansko aktivnost ter izboljšamo spomin in učne sposobnosti.

Če povzamemo, tehnologijo EEG je treba nujno široko uporabljati v našem vsakdanjem življenju, potrebne pa so tudi nadaljnje raziskave, da bi raziskali več njenih aplikacij in potenciala. V prihodnosti nam bo nenehno izboljševanje tehnologije EEG prineslo več priložnosti in izzivov, kar nam bo omogočilo učinkovitejše in bolj zdrave možgane. Razvidno je, da moramo izboljšati spomin, in Cistanche deserticola lahko bistveno izboljša spomin, saj ima Cistanche deserticola antioksidativne, protivnetne učinke in učinke proti staranju, kar lahko pomaga zmanjšati oksidacijo in vnetne reakcije v možganih, s čimer ščiti zdravje živčnega sistema. Poleg tega lahko Cistanche deserticola spodbuja tudi rast in popravilo živčnih celic ter tako izboljša povezljivost in delovanje nevronskih mrež. Ti učinki lahko pomagajo izboljšati spomin, učenje in hitrost razmišljanja ter lahko tudi preprečijo razvoj kognitivnih motenj in nevrodegenerativnih bolezni.

ClickKnoww izboljša kratkoročni spomin

EEG kanali so bili postavljeni v montažo po sistemu 10-10. Podatki EEG so bili zbrani na 23 od 32 mest, vzorčenih pri 500 Hz, in so se nanašali na kanal Fz. Dodatnih 9 elektrod je posnelo elektrookulogram, elektromiogram in elektrokardiogram, kar omogoča zaznavanje faz spanja. Med zbiranjem ni bilo uporabljeno spletno filtriranje strojne opreme, razen filtriranje črtnega šuma (60 Hz).

Aktivna transkranialna stimulacija je bila dostavljena v obliki edinstvenih nizov prostorsko-časovnih tokov preko 32 stimulacijskih elektrod. Skupni pozitivni električni tok je bil nastavljen na manj kot 2,5 mA, s tokom vsakega kanala pod 1,5 mA in nad 150 uA.

Vzorci stimulacije so bili ustvarjeni z optimizacijo gradientnega spuščanja, da bi povečali ortogonalnost čez inducirana električna polja v 3-D volumnu šablone odrasle človeške glave s kaznovanjem korelacije in antikorelacije.

Med poskusom je bila za aktivno stanje vsaka od 14 vinjet naključno povezana ali "označena" z drugačnim vzorcem stimulacije, predloge po meri za vsak vzorec pa so bile programirane v programski opremi za nadzor nevroelektrične stimulacije CoreGUI. Samo polovica teh vzorcev tES je bila ponovno uporabljena ponoči, da bi spodbudili ponovno aktivacijo spomina (Tag & Cue), vedenjske analize pa so se osredotočile na odzive testa priklica spomina za ciljne vinjete.

Edinstveni vzorci so bili v prvi vrsti zasnovani za posebne spomine, ne za spreminjanje nevronske aktivnosti na posebne načine; zato možganski odzivi in ​​spremembe povezljivosti s posameznimi STAMP niso bili analizirani, temveč so bili združeni, da bi povečali število poskusov.

Zaznavanje počasnih valov

Stimulacija je bila samodejno dostavljena časovno zaklenjena na up-stanje SWO z algoritmom za zaznavanje zaprte zanke, prilagojenim iz predhodno razvitega algoritma (Cox et al., 2014). Med spanjem so bili dohodni podatki EEG iz 13 sprednjih parietalnih centralnih kanalov (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 in P4) shranjeni v tekočem {{17} }s medpomnilnik, ki se je nenehno posodabljal.

Za čiščenje podatkov je bilo uporabljeno odštevanje drsečega povprečja z oknom 1-s in zavrnjeni so bili vsi kanali, ki so v obdobju medpomnilnika presegli 500 μV najmanjše do največje amplitude.

Preostali kanali so bili povprečeni skupaj, da bi ustvarili virtualni kanal za robustno SWOdetection. Moč znotraj počasnega pasu (0.5–1.2 Hz) je bila primerjana s skupno širokopasovno močjo (0.1–250 Hz) in če je bilo to razmerje večje od 0,3, potem je bil izračunan natančen vrh moči v pasu počasnih valov (centralna frekvenca).

Navidezni kanal je bil nato filtriran z Butterworthovim pasovnim filtrom drugega reda s pasovno širino 1-Hz okoli središčne frekvence (z najmanjšo nižjo mejo 0,1 Hz) in uporabljena je bila Hilbertova transformacija. Fazo smo premaknili nazaj za 90 stopinj in izločili namišljeno komponento, kar je prineslo trenutno fazo.

Nato je bil ustvarjen sinusni val na srednji frekvenci z optimizirano fazo, odmikom in amplitudo filtriranega signala. Sinusni val je bil projiciran naprej v času, da se določi naslednja točka ničelne faze (tj. začetek stanja dviga), stimulacija pa se je začela na tej časovni točki in je trajala predvideno stanje dviga z naraščanjem in upadanjem. časi 100 ms.

Med lažnimi nočmi so bile zabeležene časovne točke stimulacije, vendar stimulacija ni bila dostavljena. Tako sta bili primerjavi aktivnih in navideznih noči na istih časovnih točkah SWO, pri čemer je bila edina razlika v dostavi STAMP stimulacije. Validacija zaznavanja up-state je bila izvedena na podatkih iz navideznih noči, da bi se izognili artefaktom, ki jih proizvaja STAMPsonn Active nights.

Označevalci so bili pridobljeni iz časovnih točk up-stanj, ki jih je predvidel prileganje sinusnega vala. V nekaterih primerih je bila zaradi zakasnitve strojne opreme časovna stimulacija premaknjena v stanje dviga po takoj zaznanem stanju dviga, kar je morda do neke mere povečalo variabilnost faz. Epohe, časovno zaklenjene na označevalce začetka stimulacije (–5 do +5 s), so bile ekstrahirane iz neobdelanih podatkov EEG in pasovno filtrirane v območju 0,5–1,2 Hz.

Fazne vrednosti na vsaki časovni točki začetka označevalca so bile izračunane s Hilbertovo transformacijo. Povprečne fazne vrednosti v preskušanjih so bile izračunane za vsakega udeleženca in te povprečne faze so bile predložene testiranju v-testa za razliko od 0 stopinj (Berens, 2009). Številke in statistični podatki o validaciji algoritma z zaprto zanko so predstavljeni v podpornih informacijah.

Obdelava podatkov EEG in teoretična analiza grafov

EEG signale smo analizirali brez povezave s skripti EEGLAB in MATLAB po meri. Da bi očistili podatke in ločili vire šuma od možganskega signala, so bili posnetki EEG znižani na 250 Hz, ponovno sklicevani na povprečje vseh elektrod in pasovno filtrirani z uporabo Butterworthovega filtra (0,1–70 Hz, 24 dB/ okt).

Očesni in nenevralni artefakti so bili identificirani in ročno odstranjeni z uporabo metode analize neodvisnih komponent (ICA) v EEGLAB in njenega vgrajenega algoritma infomax (Delorme & Makeig, 2004).

Podatki brez artefaktov so bili segmentirani v epohah, ki so vsebovale -6,4 do -2,4 pred začetkom stimulacije kot osnovno okno in 3 do 7 s po odmiku stimulacije kot okno analize. Za vsako epoho je bil spekter moči na vsakem kanalu izračunan z uporabo Welchove metode spektralne ocene na 2048-ms segmentih z 1,024-ms (50%) prekrivanjem, pri čemer je bil vsak segment zožen s Hammingovim oknom.

Funkcionalna povezljivost in teoretične analize grafov so bile izvedene z BioNeCtToolbox, prilagojenim orodjem MATLAB za analizo povezljivosti možganov (Casanova, El-Baz, & Suri, 2017). Funkcionalna povezljivost možganov med regijami možganov je ocenjena z izračunavanjem navzkrižne korelacije v frekvenčni domeni med signali EEG (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Med različnimi metrikami funkcionalne povezljivosti namišljena koherenca (iCoh) zaznava izključno "prave" interakcije med signali EEG, ki se pojavijo v določenem časovnem zamiku, in tako ignorira trenutno interakcijo med sosednjimi elektrodami, ki jo verjetno povzroči volumsko prevajanje električne aktivnosti iz skupnega možganskega vira (Bullmore & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

Vrednosti iCoh so bile izračunane za vse možne elektrodeparacije v naslednjih frekvenčnih pasovih: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), vreteno (12–15 Hz), beta (16– 30 Hz) in nizko gama (40–50 Hz).

Te analize so bile izvedene na aktivnih in lažnih podatkih. Poleg tega so bile vrednosti iCoh izračunane za časovna okna po stimulaciji in pred stimulacijo, vrednosti oken pred stimulacijo pa so bile odštete od vrednosti oken po stimulaciji za korekcijo osnovne črte. Visoka večdimenzionalnost meritev iCoh je bila razrešena s pristopom teorije grafov.

Teoretične metrike grafov zagotavljajo informacije o stopnji segregacije omrežja (tj. nagnjenosti možganskih regij, da tvorijo lokalne grozde z gostimi funkcionalnimi medsebojnimi povezavami) ter integraciji in učinkovitosti omrežja (tj. zmožnosti omrežja, da postane medsebojno povezano in učinkovito izmenjuje informacije med možgani). regije; Bullmore & Sporns, 2009; Mohammad-Rezazadeh et al., 2016).

Naslednje običajno uporabljene mere grafov so bile izračunane za vse zgoraj omenjene frekvenčne pasove v obdobjih pred in po stimulaciji: povprečni koeficient združevanja (verjetnost, da so sosednja vozlišča povezana, kar odraža lokalno povezanost); globalna učinkovitost (kako učinkovito je omrežje pri prenosu informacij); značilna dolžina poti, polmer in premer (povprečno število robov vzdolž najkrajših poti, najmanjša možna razdalja in največja možna razdalja med vsemi možnimi pari vozlišč); modularnost (stopnja, do katere je možgansko omrežje ločeno) v podomrežja ali module); asortativnost (delež vozlišč, ki so pritrjena na druga vozlišča s podobnimi stopnjami v primerjavi z različnimi stopnjami); gostota (število robov, deljeno s številom vozlišč v grafu); in povprečna koherenca (povprečna koherenca med vsemi pari vozlišč).

Klasifikacijske in regresijske analize

Dobljeni podatki so bili sestavljeni iz 48 funkcij funkcionalne povezljivosti (8 teoretičnih metrik 8 × 6 frekvenčnih pasov) za pogoje aktivne in navidezne stimulacije za vsakega udeleženca. Natančneje, funkcije povezljivosti so bile ekstrahirane po stimulaciji v aktivnih nočeh, v katerih je prišlo tudi do stimulacije STAMP kot med lažnimi nočmi, v katerih ni prišlo do stimulacije.

Da bi raziskali, katere spremembe povezljivosti napovedujejo stanje stimulacije in so povezane z vedenjem, smo uvedli klasifikacijo na ravni udeležencev in regresijsko navzkrižno validacijsko analizo, v kateri so bili podatki iz podskupine udeležencev izpuščeni kot testni podatki za napovedovanje. Da bi zmanjšali varianco, smo izvedli 35 zgibov, pri katerih so bili eden do trije udeleženci naenkrat izpuščeni.

Ta ponavljajoča se naključna metoda vzorčenja ima prednost pred običajno uporabljeno metodo "izpusti enega", kar lahko privede do nestabilnih in pristranskih ocen variance (Scheinost et al., 2019; Varoquaux et al., 2017). Za ta pristop, ki temelji na podatkih, smo se odločili ne samo zaradi velikega prostora podatkov, temveč tudi zaradi novosti preiskave.

Nekaj ​​študij do danes je preučevalo razmerja med teoretičnimi metrikami možganske povezljivosti in občutljivostjo metaspomina, nobena pa ni preučila, kako se to spreminja z možgansko stimulacijo. Tako bi potencialno zamudili pomembna razmerja med funkcionalno povezljivostjo in metaspominom, če bi preučevali le določene frekvenčne pasove (npr. theta) ali mere (npr. povprečna koherenca) na podlagi prejšnjih ugotovitev v literaturi. Diagram, ki opisuje analizni cevovod, je predstavljen na sliki 2.

Za vsako gubo je bila izvedena metoda izbire funkcij na podatkih o usposabljanju, da bi našli teoretične značilnosti grafov (osnovna linija po stimulaciji, popravljena s predstimulacijo), ki so razlikovale med aktivnimi in lažnimi pogoji stimulacije. Številne funkcije so bile močno povezane med seboj, kar je razvidno iz podpornih informacij, slika S2.

Tako so bile prve zelo kolinearne spremenljivke odstranjene z iskanjem parov značilnosti z visokimi korelacijami (vrednost praga r 0.8) in odstranitvijo spremenljivke z višjo srednjo absolutno korelacijo z drugimi spremenljivkami. Dodatne informacije o odstranjenih spremenljivkah zaradi visoke kolinearnosti najdete v podpornih informacijah.

Nato je bil za vsako značilnost izveden odvisen test (ker je bila študija zasnovana znotraj subjekta), ki je testiral razliko med aktivnimi in navideznimi pogoji. Spremenljivke z nizkimi absolutnimi vrednostmi t (prag 1) smo odstranili z utemeljitvijo, da je razlika med temi spremenljivkami minimalna. Preostale lastnosti smo vnesli v algoritem za izbiro lastnosti Boruta (Kursa & Rudnicki, 2010).

Boruta je izbirna metoda, ki temelji na permutaciji, pri kateri se vsaka značilnost, kot tudi kopija značilnosti z njenimi vrednostmi, premešana med udeleženci (imenovana "senčna značilnost"), vnese v naključni gozdni klasifikator, in pomembnost vsake lastnosti se določi kot rezultat Z. Pomembnost resničnih značilnosti mora biti višja od maksimalne ocene Z senčnih značilnosti, da se štejejo za pomembno pomembne.

Ta postopek se večkrat ponovi z različnimi permutacijami senčnih značilnosti, da dobimo porazdelitev vrednosti, s katero je mogoče primerjati vrednosti pomembnosti dejanskih značilnosti. Tako je Boruta analitično relevantna metoda izbire lastnosti – v bistvu je s postopkom mogoče izbrati vse spremenljivke ali nobeno od njih. Izbrane so bile samo funkcije, ki so imele višje ocene Z kot funkcije v senci.

Pokazalo se je, da ta algoritem izboljšuje zmogljivost pri iskanju pomembnih funkcij v primerjavi z drugimi algoritmi za izbiro funkcij (Degenhardt et al., 2017; Kursa, 2017). Funkcije, ki jih je izbral Boruta, so bile nato vnesene v logistični regresijski model, ki napoveduje Aktivno v primerjavi s pogoji. Izvedli smo tudi regularizirano logistično regresijo z L2 regularizacijo (grebenska regresija), pri kateri je bil optimalni parameter λ določen z navzkrižno validacijo znotraj podatkov o usposabljanju.

Nazadnje smo izvedli tudi klasifikacijo logistične regresije z uporabo samo najpomembnejše spremenljivke, ki jo je izbral algoritem Boruta. Po prilagoditvi parametrov modela na podatke o usposabljanju so bili modeli uporabljeni za napovedovanje izpuščenih testnih podatkov, kar je prineslo ocene verjetnosti za vsak testni primer, ki pripada aktivnemu ali lažnemu stanju. Te verjetnosti so bile združene med gubami in uporabljene za izračun relativnih krivulj delovanja, iz katerih smo izpeljali vrednosti površine pod krivuljo (AUC) (Fawcett, 2006).

AUC je bolj občutljivo merilo učinkovitosti klasifikatorja kot zgolj neobdelana natančnost, zato je tukaj poročano. Znotraj istega navzkrižnega preverjanja so bili podatki o usposabljanju uporabljeni za napovedovanje sprememb v občutljivosti pomnilnika za ciljne vinjete (in sicer Tag & Cue) iz Night 2 preskusa pred spanjem do testa po spanju v aktivnem stanju.

Merilo vedenjske uspešnosti je bila AUC krivulje relativne operativne značilnosti tipa-2, neparametrična mera metakognitivne občutljivosti brez pristranskosti, pri čemer večja AUC odraža večjo občutljivost spomina (Fleming & Lau, 2014; Galvin et al., 2003) . Tukaj so modeli napovedali spremembo AUC čez noč, da bi povezali spremembe v povezljivosti s spremembami v občutljivosti spomina. Vse funkcije povezljivosti so bile vnesene v podoben postopek izbire značilnosti kot analiza klasifikacije. Zelo kolinearne funkcije so bile odstranjene kot prej.

Namesto at-testa je bila izračunana korelacija med vsako značilnostjo in spremembo AUC čez noč in značilnosti z nizkimi absolutnimi vrednostmi r (prag 0.1) so bile odstranjene. Preostale funkcije so bile izvedene z algoritmom Boruta, ki je tokrat napovedal spremembe AUC čez noč.

Te značilnosti, kot tudi samo najvišja značilnost, so bile vnesene v modele linearne regresije in L2 regularizirane regresijske modele, ki napovedujejo izpuščene testne podatke. Izračunane so bile vrednosti korenske srednje kvadratne napake (RMSE) in povprečne vrednosti RMSE po pregibih so bile primerjane z vrednostmi RMSE iz napovedi iz linearne regresije samo s presekom.

Kot končno analizo smo vzeli značilnosti, ki jih je izbral Boruta iz klasifikacijske analize, kot tudi značilnosti, ki jih je izbral Boruta iz regresijske analize, ter ponovno razvrstitev in regresijo s kombiniranim naborom funkcij, kot tudi najvišjo funkcijo iz vsakega niza. Vrednosti AUC iz klasifikacijskih analiz in vrednosti RMSE iz regresijskih analiz so navedene za vsak niz funkcij.

For more information:1950477648nn@gmail.com