Aju ühenduvuse muutused une ajal suletud ahela transkraniaalse neurostimulatsiooni abil ennustavad metamälutundlikkust, 2. osa

Elektrofüsioloogilised salvestised ja transkraniaalne stimulatsioon

EEG-andmed koguti ja stimulatsiooni rakendati samaaegselt Neuroelectrics, Inc.-i prototüübiga StarStim64, millel oli 64-kanali neopreenist peakate, mis sisaldas 32 EEG kanalit ja 32 stimulatsioonikanalit.

Kaasaegse teaduse ja tehnoloogia pidev areng on muutnud inimeste ajuuuringuid üha põhjalikumaks. Viimastel aastatel on üha rohkem uuringuid näidanud tihedat seost elektroentsefalograafia (EEG) ja mälu vahel. EEG on meetod aju elektrilise aktiivsuse registreerimiseks. See väljendab inimese aju elektrilisi signaale joonjooniste kujul, tuvastades aju bioelektrilisi signaale. Mälu on aju neuronisüsteemi võime hankida, töödelda, salvestada, ära tunda ja meelde tuletada. Võib öelda, et nende kahe suhe on tihedalt seotud.

EEG registreerib keha liikumist, keelt, mõtlemist ja sensoorset teavet ning seda on laialdaselt kasutatud sellistes valdkondades nagu meditsiin, neuroteadus ja psühholoogia. Nende hulgas leidsid teadlased, et EEG-l on oluline seos mäluga. EEG-salvestised võivad aidata meil paremini mõista mälu loomise ja taastamise protsessi ning pakkuda väärtuslikku teavet mäluhäirete raviks. Uuringute kohaselt kaasneb pikaajalise mälu tekkega erineva raskusastme ja jaotusega elektriline aktiivsus ning kui inimesed meenutavad mälestusi, muutuvad ka EEG signaalid, mis kinnitab veelgi EEG ja mälu tihedat seost.

Lisaks võib EEG aidata teadlastel mõista erinevaid mälutüüpe, nagu lühiajaline mälu, pikaajaline mälu, ruumiline mälu ja emotsionaalne mälu. Uuringutes võib EEG-analüüs välja tuua elektrilise aktiivsuse erinevatest ajupiirkondadest. Need spetsiaalsed elektrilised tegevused võivad paljastada, kuidas mälumaterjale ajus edastatakse ja töödeldakse, ning paljastada ka mäluhäirete põhjused.

Võib öelda, et EEG-l on positiivne tähendus elukvaliteedi parandamisel. Kaasaegsed inimesed kasutavad elektroonikatooteid nagu arvutid ja mobiiltelefonid kaua ning loodavad isegi liiga palju sotsiaalmeediale, mistõttu on inimestel raske keskenduda ja asjad kergesti unustada. Uuringud näitavad, et lühike EEG tagasiside koolitus võib parandada inimeste õppimisvõimet ja mälu. Individuaalse EEG-ravi abil saab parandada ajufunktsiooni kõrvalekaldeid, parandada ajutegevust ning parandada mälu ja õppimisvõimet.

Kokkuvõtteks võib öelda, et EEG-tehnoloogiat tuleb meie igapäevaelus kiiresti laialdaselt kasutada ning selle rakenduste ja potentsiaali uurimiseks on vaja ka täiendavaid uuringuid. Tulevikus toob EEG-tehnoloogia pidev täiustamine meile rohkem võimalusi ja väljakutseid, võimaldades meil omada tõhusamat ja tervemat aju. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola omab antioksüdantset, põletikuvastast ja vananemisvastast toimet, mis võib aidata vähendada oksüdatsiooni ja põletikulisi reaktsioone ajus, kaitstes seeläbi närvisüsteemi tervis. Lisaks võib Cistanche deserticola soodustada ka närvirakkude kasvu ja paranemist, parandades seeläbi närvivõrkude ühenduvust ja funktsiooni. Need mõjud võivad aidata parandada mälu, õppimist ja mõtlemiskiirust ning võivad samuti ära hoida kognitiivse düsfunktsiooni ja neurodegeneratiivsete haiguste teket.

ClickKnoww parandab lühiajalist mälu

EEG-kanalid paigutati montaaži vastavalt 10-10süsteemile. EEG andmed koguti 23-st 32-st kohast, mis võeti sagedusel 500 Hz ja viidati kanalile Fz. Täiendavad 9 elektroodi salvestasid unefaaside tuvastamiseks elektrookulogrammi, elektromüogrammi ja elektrokardiogrammi. Kogumise ajal ei rakendatud võrgus riistvara filtreerimist, välja arvatud linemüra (60 Hz) filtreerimine.

Aktiivne transkraniaalne stimulatsioon viidi läbi ainulaadsete spatiotemporaalsete voolude massiivide kujul 32 stimulatsioonielektroodi vahel. Kogu positiivne elektrivool määrati alla 2,5 mA, kusjuures iga kanali vool oli alla 1,5 mA ja üle 150 uA.

Stimulatsiooni mustrid loodi gradiendi laskumise optimeerimise teel, et maksimeerida täiskasvanud inimese pea malli 3-D mahus indutseeritud elektriväljade ortogonaalsust, karistades korrelatsioone ja antikorrelatsioone.

Katse ajal seostati aktiivse seisundi jaoks kõik 14 vinjetist juhuslikult või "märgistati" erineva stimulatsioonimustriga ja iga mustri jaoks programmeeriti kohandatud mallid Neuroelectricsstimulation juhtimistarkvaras CoreGUI. Vaid pooled neist tES-mustritest rakendati öö jooksul uuesti mälu taasaktiveerimiseks (Tag & Cue) ning käitumisanalüüsid keskendusid sihitud vinjettide mälu meenutamise testi vastustele.

Unikaalsed mustrid loodi peamiselt konkreetsete mälestuste jaoks, mitte närvitegevuse teatud viisil muutmiseks; seega ei analüüsitud üksikute STAMP-ide ajureaktsioone ja ühenduvuse muutusi ning selle asemel kombineeriti neid katsete arvu suurendamiseks.

Aeglase laine võnkumise tuvastamine

Stimulatsioon edastati automaatselt ajalukuna SWO-de ülemisse olekusse suletud ahela tuvastamise algoritmiga, mis oli kohandatud eelnevalt väljatöötatud algoritmi alusel (Cox et al., 2014). Unerežiimis salvestati sissetulevad EEG andmed 13 eesmisest parietaal-keskkanalist (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 ja P4) töötavas {{17} }-i puhvrit, mida pidevalt uuendati.

Andmete puhastamiseks rakendati liikuva keskmise lahutamist 1-s aknaga ja kõik kanalid, mis ületavad 500 μV min-max amplituudi kogu puhverperioodi jooksul, lükati tagasi.

Ülejäänud kanalid keskmistati kokku, et luua virtuaalne kanal tugeva SWO tuvastamise jaoks. Aeglase sagedusriba võimsust (0,5–1,2 Hz) võrreldi lairiba koguvõimsusega (0,1–250 Hz) ja kui see suhe oli suurem kui 0,3, siis arvutati täpne võimsuse tipp aeglaineribas (kesksagedus).

Seejärel filtreeriti virtuaalne kanal teist järku Butterworthi ribapääsfiltriga 1-Hz ribalaiusega kesksageduse ümber (minimaalse alumise piiriga 0,1 Hz) ja rakendati Hilberti teisendust. Faasi nihutati 90 kraadi võrra tagasi ja kujuteldav komponent ekstraheeriti, saades hetkelise faasi.

Seejärel genereeriti siinuslaine kesksagedusel koos filtreeritud signaali optimeeritud faasi, nihke ja amplituudiga. Siinuslaine projitseeriti ajas ettepoole, et määrata kindlaks järgmine nullfaasi punkt (st üles-oleku algus) ning sellel ajahetkel alustati stimulatsiooni ning see kestis prognoositud üles-olekuni koos tõusmise ja langusega. korda 100 ms.

Näidisöödel registreeriti stimulatsiooni ajapunktid, kuid stimulatsiooni ei edastatud. Seega olid aktiivsete ja näiliste ööde võrdlus SWO-ga samad ajapunktid, ainsaks erinevuseks oli STAMP-stimulatsiooni edastamine. STAMPsonn Active ööde toodetud artefaktide vältimiseks viidi läbi faasituvastuse valideerimine Sham-ööde andmete põhjal.

Markerid eraldati siinuslaine sobivuse järgi ennustatud tõususeisundite ajapunktidest. Mõnel juhul viidi ajastatud stimulatsioon riistvaralise viivituse tõttu pärast kohe tuvastatud ülesolekut ülemisse olekusse, mis võis faaside varieeruvust mingil määral suurendada. Stimulatsiooni alguse markeritele lukustatud ajastud (–5 kuni +5 s) eraldati EEG töötlemata andmetest ja ribapääs filtreeriti vahemikus 0,5–1,2 Hz.

Faasiväärtused igal algusmarkeri ajahetkel arvutati Hilberti teisenduse abil. Iga osaleja jaoks arvutati uuringute keskmised faasiväärtused ja need keskmised faasid viidi läbi v-testi testimiseks, et tuvastada erinevus 0 kraadist (Berens, 2009). Arvud ja statistika suletud ahela algoritmi valideerimise kohta on esitatud tugiteabes.

EEG andmetöötlus ja graafikuteoreetiline analüüs

EEG signaale analüüsiti võrguühenduseta EEGLAB ja kohandatud MATLAB skriptidega. Andmete puhastamiseks ja müraallikate eraldamiseks ajusignaalist alandati EEG-salvestised alla 250 Hz-ni, viidati kõigi elektroodide keskmisele, ja ribapääsfiltriti, kasutades Butterworthi filtrit (0,1–70 Hz, 24 dB/). okt).

Silma ja mitteneuraalsed artefaktid tuvastati ja eemaldati käsitsi, kasutades EEGLAB sõltumatu komponentanalüüsi (ICA) meetodit ja selle sisseehitatud infomax-algoritmi (Delorme & Makeig, 2004).

Artefaktideta andmed jaotati perioodideks, mis sisaldasid -6,4 kuni -2,4 enne stimulatsiooni algust algtaseme aknana ja 3 kuni 7 sekundit pärast stimulatsiooni nihutamist analüüsiaknana. Iga ajastu jaoks arvutati iga kanali võimsusspekter, rakendades Welchi spektrihinnangu meetodit 2048-ms segmentidele, mille kattuvus on 1,024- ms (50%), kusjuures iga segment oli Hammingi akna võrra kitsendatud.

Funktsionaalse ühenduvuse ja graafikuteoreetilised analüüsid viidi läbi BioNeCtToolboxiga, mis on kohandatud MATLAB tööriistakast aju ühenduvuse analüüsiks (Casanova, El-Baz, & Suri, 2017). Funktsionaalset aju ühenduvust ajupiirkondade vahel hinnatakse EEG-signaalide vahelise sageduspiirkonna ristkorrelatsiooni arvutamise teel (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Funktsionaalse ühenduvuse erinevate mõõdikute hulgas tuvastab kujuteldav koherentsus (iCoh) eranditult teatud aja jooksul toimuvate EEG-signaalide vahelise "tõelise" interaktsiooni, jättes seega tähelepanuta naaberelektroodide vahelise hetkelise interaktsiooni, mis on tõenäoliselt põhjustatud ühisest ajuallikast pärineva elektrilise aktiivsuse mahujuhtimisest (Bullmore). & Sporns, 2009; Fallani jt, 2014; Mohammad-Rezazadeh jt, 2016).

iCoh väärtused arvutati kõigi võimalike elektrodeparatsioonide jaoks järgmistes sagedusribades: delta (1–4 Hz), teeta (4–8 Hz), alfa (8–12 Hz), spindel (12–15 Hz), beeta (16– 30 Hz) ja madal gamma (40–50 Hz).

Need analüüsid viidi läbi nii aktiivsete kui ka näiliste andmete põhjal. Lisaks arvutati iCoh väärtused nii poststimulatsiooni kui ka eelstimulatsiooni ajaakna jaoks ning eelstimulatsiooni akna väärtused lahutati algtaseme korrigeerimise poststimulatsiooniakna väärtustest. ICOH meetmete suur mitmemõõtmelisus eraldati graafikuteoreetilise lähenemisviisiga.

Graafiku teoreetilised mõõdikud annavad teavet võrgu segregatsiooni astme (st ajupiirkondade kalduvuse moodustada lokaalseid tihedate funktsionaalsete ühendustega klastreid) ning võrgu integratsiooni ja tõhususe (st võrgu võime saada omavahel seotud ja aju vahel tõhusalt teavet vahetada) kohta. piirkonnad, Bullmore & Sporns, 2009; Mohammad-Rezazadeh jt, 2016;

Kõikide ülalnimetatud sagedusribade jaoks eel- ja järelstimulatsiooniperioodil arvutati järgmised tavaliselt kasutatavad graafikunäitajad: keskmine klastri koefitsient (naabersõlmede ühendamise tõenäosus, mis peegeldab kohalikku seotust); globaalne tõhusus (kui tõhus on võrk teabe edastamisel); iseloomulik tee pikkus, raadius ja läbimõõt (keskmine servade arv lühimatel teedel, minimaalne võimalik kaugus ja suurim võimalik vahemaa vastavalt kõigi võimalike sõlmepaaride vahel); modulaarsus (ajuvõrgu eraldatuse määr alamvõrkudesse või moodulitesse);assortiivsus (sõlmpunktide osakaal, mis on seotud teiste sarnaste astmetega vs.erinevate kraadidega); tihedus (servade arv jagatud graafiku sõlmede arvuga);ja keskmine koherentsus (keskmine sidusus kõigi sõlmepaaride vahel).

Klassifikatsiooni- ja regressioonianalüüsid

Saadud andmed koosnesid 48 funktsionaalsest ühenduvusfunktsioonist (8 graafikuteoreetilist mõõdikut × 6 sagedusriba) nii aktiivse kui ka võltsitud stimulatsiooni tingimuste jaoks iga osaleja jaoks. Täpsemalt ekstraheeriti ühenduvusfunktsioonid pärast stimulatsiooni Active nights'il, kus toimus ka STAMP-stimulatsioon. nagu näivatel öödel, mil stimulatsiooni ei toimunud.

Et uurida, millised ühenduvuse muutused ennustavad stimulatsiooni seisundit ja on seotud käitumisega, rakendasime osalejataseme klassifikatsiooni ja regressiooni ristvalideerimise analüüsi, milles osalejate alamhulga andmed jäeti ennustamiseks katseandmetena välja. Dispersiooni vähendamiseks tegime 35 volti, millest üks kuni kolm osalejat jäeti korraga kõrvale.

Seda korduvat juhuslikku jagamismeetodit eelistatakse tavapäraselt rakendatavale "jäta üks välja" meetodile, mis võib viia ebastabiilsete ja kallutatud dispersioonihinnanguteni (Scheinost et al., 2019; Varoquaux et al., 2017). Valisime selle andmepõhise lähenemisviisi mitte ainult andmete suure funktsiooniruumi tõttu, vaid ka uurimise uudsuse tõttu.

Vähesed uuringud on siiani uurinud seoseid aju ühenduvuse graafikuteoreetiliste mõõdikute ja metamälu tundlikkuse vahel ning üheski pole uuritud, kuidas see aju stimulatsiooniga muutub. Seega jätaksime potentsiaalselt kahe silma vahele olulised seosed funktsionaalse ühenduvuse ja metamälu vahel, kui uuriksime ainult teatud sagedusribasid (nt teeta) või mõõdikuid (nt keskmine koherentsus), mis põhinevad varasematel kirjanduses leidudel. Analüüsi konveierit kirjeldav diagramm on esitatud joonisel 2.

Iga volti puhul kasutati treeningandmetel funktsioonide valimise meetodit, et leida graafikuteoreetilised tunnused (stimulatsioonijärgne algtase, mida on korrigeeritud eelstimulatsiooniga), mis eristasid aktiivse ja näilise stimulatsiooni tingimusi. Paljud funktsioonid olid üksteisega tugevas korrelatsioonis, mida võib näha tugiteabe joonisel S2.

Seega eemaldati esmalt väga kollineaarsed muutujad, leides kõrge korrelatsiooniga tunnuste paarid (r-läviväärtus 0,8) ja eemaldades muutuja, millel on kõrgem keskmine absoluutne korrelatsioon teiste muutujatega. Lisateavet suure kollineaarsuse tõttu eemaldatud muutujate kohta leiate tugiteabest.

Seejärel viidi iga funktsiooniga läbi sõltuv test (kuna uuring oli subjektide sisekujundus), testides erinevust aktiivsete ja võltstingimuste vahel. Madala absoluutse t väärtusega muutujad (lävi 1) eemaldati põhjendusega, et erinevus nende muutujate vahel oli minimaalne. Ülejäänud tunnused sisestati Boruta tunnuste valiku algoritmi (Kursa & Rudnicki, 2010).

Boruta on permutatsioonil põhinev valikumeetod, mille puhul iga funktsioon, samuti objekti koopia koos väärtustega, mis on segatud osalejate vahel (nn "varjufunktsioon"), sisestatakse juhuslikku metsa klassifikaatorisse ja iga objekti tähtsus. määratakse Z-skoorina. Tõeliste tunnuste tähtsus peab olema suurem kui variobjektide maksimaalne Z skoor, et neid saaks pidada oluliseks.

Seda protseduuri korratakse mitu korda varjutunnuste erinevate permutatsioonidega, et saada väärtuste jaotus, millega saab võrrelda tegelike tunnuste tähtsuse väärtusi. Seega on Boruta kogu asjakohane funktsioonide valimise meetod – põhimõtteliselt saab protsessiga valida kõik muutujad või mitte ühtegi muutujat. Valiti ainult funktsioonid, mille Z-skoor oli suurem kui varifunktsioonidel.

On näidatud, et see algoritm parandab tähenduslike funktsioonide leidmise jõudlust võrreldes teiste funktsioonide valiku algoritmidega (Degenhardt et al., 2017; Kursa, 2017). Seejärel sisestati Boruta valitud funktsioonid logistilisse regressioonimudelisse, mis ennustab aktiivset versus tingimusi. Samuti viisime läbi regulaarse logistilise regressiooni L2 regulaarsusega (harja regressioon), milles optimaalne λ parameeter määrati treeningandmete ristvalideerimise teel.

Lõpuks viisime läbi ka logistilise regressiooni klassifikatsiooni, kasutades ainult Boruta algoritmi poolt valitud kõige olulisemat muutujat. Pärast mudeli parameetrite sobitamist treeningandmetele kasutati mudeleid väljajäetud katseandmete ennustamiseks, saades iga katsenäite tõenäosuse hinnangud, mis kuuluvad kas aktiivse või vale tingimusesse. Need tõenäosused ühendati voltide vahel ja neid kasutati suhteliste tööomaduste kõverate arvutamiseks, millest tuletasime kõveraaluse pindala (AUC) väärtused (Fawcett, 2006).

AUC on klassifikaatori jõudluse tundlikum mõõt kui lihtsalt töötlemata täpsus ja seetõttu on see siin esitatud. Sama ristvalideerimise voldi raames kasutati treeningandmeid, et ennustada muutusi sihitud vinjettide (nimelt Tag & Cue) mälutundlikkuses ööst. 2 uneeelset testi kuni unejärgse testini aktiivses olekus.

Käitumise tulemuslikkuse mõõt oli tüübi -2 suhtelise töökarakteristiku kõvera AUC, metakognitiivse tundlikkuse nihkevaba mitteparameetriline mõõt, mille suurem AUC peegeldab suuremat mälutundlikkust (Fleming & Lau, 2014; Galvin et al., 2003). . Siin ennustasid mudelid AUC üleöö muutust, mis seob ühenduvuse muutused mälutundlikkuse muutustega. Kõik ühenduvusfunktsioonid sisestati sarnasesse funktsioonide valimise protsessi nagu klassifikatsioonianalüüs. Väga kollineaarsed omadused eemaldati nagu varem.

At-testi asemel arvutati korrelatsioon iga tunnuse ja üleöö AUC muutuse vahel ning eemaldati madala absoluutse rväärtusega tunnused (lävi 0.1). Ülejäänud funktsioonid käivitati Borutaalgoritmi kaudu, ennustades seekord üleöö AUC muutusi.

Need funktsioonid, nagu ka ainult peamine omadus, sisestati lineaarsesse regressiooni ja L2 regulaarsesse regressioonimudelisse, mis ennustasid väljajäetud katseandmeid. Arvutati ruutkeskmise vea (RMSE) väärtused ja keskmisi RMSE väärtusi voltide lõikes võrreldi lineaarse regressiooni ennustuste RMSE väärtustega ainult lõikepunktiga.

Lõpliku analüüsina võtsime Boruta valitud tunnused klassifikatsioonianalüüsist, samuti Boruta valitud tunnused regressioonianalüüsist ning klassifitseerimise ja regressiooni uuesti kombineeritud funktsioonide komplektiga, samuti iga komplekti peamise funktsiooni. Iga funktsioonikomplekti kohta on esitatud klassifikatsioonianalüüside AUC väärtused ja regressioonanalüüsi RMSE väärtused.

For more information:1950477648nn@gmail.com