Smadzeņu savienojamības izmaiņas miega laikā, izmantojot slēgta cikla transkraniālo neirostimulāciju, prognozējot metamememorijas jutīgumu, 2. daļa

Elektrofizioloģiskie ieraksti un transkraniālā stimulācija

EEG dati tika savākti un stimulācija tika piemērota vienlaikus ar prototipu StarStim64 no Neuroelectrics, Inc. ar 64-kanāla neoprēna galvas vāciņu, kas ietver 32 EEG kanālus un 32 stimulācijas kanālus.

Mūsdienu zinātnes un tehnoloģiju nepārtrauktā attīstība ir padarījusi cilvēku smadzeņu izpēti arvien padziļinātāku. Pēdējos gados arvien vairāk pētījumu ir pierādījuši ciešu saistību starp elektroencefalogrāfiju (EEG) un atmiņu. EEG ir smadzeņu elektriskās aktivitātes reģistrēšanas metode. Tas izsaka cilvēka smadzeņu elektriskos signālus līniju zīmējumu veidā, atklājot smadzeņu bioelektriskos signālus. Atmiņa ir smadzeņu neironu sistēmas spēja iegūt, apstrādāt, uzglabāt, atpazīt un atsaukt informāciju. Var teikt, ka attiecības starp abiem ir cieši saistītas.

EEG reģistrē ķermeņa kustības, valodu, domāšanu un sensoro informāciju, un to plaši izmanto tādās jomās kā medicīna, neirozinātne un psiholoģija. Tostarp pētnieki atklāja, ka EEG ir svarīga saistība ar atmiņu. EEG ieraksti var palīdzēt mums labāk izprast atmiņas izveides un izguves procesu un sniegt vērtīgu atsauci atmiņas traucējumu ārstēšanai. Saskaņā ar pētījumiem, ilgtermiņa atmiņas veidošanos pavada dažādas pakāpes un sadalījuma elektriskā aktivitāte, un, kad cilvēki atceras atmiņas, mainīsies arī EEG signāli, kas vēl vairāk apstiprina ciešo saikni starp EEG un atmiņu.

Turklāt EEG var arī palīdzēt pētniekiem izprast dažādus atmiņas veidus, piemēram, īstermiņa atmiņu, ilgtermiņa atmiņu, telpisko atmiņu un emocionālo atmiņu. Pētījumos EEG analīze var norādīt uz elektrisko aktivitāti no dažādām smadzeņu zonām. Šīs īpašās elektriskās aktivitātes var atklāt, kā atmiņas materiāli tiek pārraidīti un apstrādāti smadzenēs, kā arī atklāt atmiņas traucējumu cēloņus.

Var teikt, ka EEG ir pozitīva nozīme dzīves kvalitātes uzlabošanā. Mūsdienu cilvēki ilgstoši lieto elektroniskos produktus, piemēram, datorus un mobilos tālruņus, un pat pārāk daudz paļaujas uz sociālajiem medijiem, kas apgrūtina koncentrēšanos un viegli aizmirst lietas. Pētījumi liecina, ka īsa EEG atgriezeniskā saite var uzlabot cilvēku mācīšanās spējas un atmiņu. Izmantojot individuālu EEG terapiju, var novērst smadzeņu darbības novirzes, uzlabot smadzeņu darbību un uzlabot atmiņu un mācīšanās spējas.

Rezumējot, EEG tehnoloģija ir steidzami plaši jāizmanto mūsu ikdienas dzīvē, un ir nepieciešami arī turpmāki pētījumi, lai izpētītu vairāk tās pielietojumu un potenciāla. Nākotnē nepārtraukta EEG tehnoloģijas uzlabošana dos mums vairāk iespēju un izaicinājumu, ļaujot mums iegūt efektīvākas un veselīgākas smadzenes. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var ievērojami uzlabot atmiņu, jo Cistanche deserticola piemīt antioksidanta, pretiekaisuma un pretnovecošanās iedarbība, kas var palīdzēt samazināt oksidācijas un iekaisuma reakcijas smadzenēs, tādējādi aizsargājot nervu sistēmas veselība. Turklāt Cistanche deserticola var arī veicināt nervu šūnu augšanu un atjaunošanos, tādējādi uzlabojot neironu tīklu savienojamību un darbību. Šie efekti var palīdzēt uzlabot atmiņu, mācīšanos un domāšanas ātrumu, kā arī var novērst kognitīvo disfunkciju un neirodeģeneratīvo slimību attīstību.

ClickKnoww uzlabo īstermiņa atmiņu

EEG kanāli tika ievietoti montāžā saskaņā ar 10-10sistēmu. EEG dati tika savākti no 23 no 32 vietām, kas atlasītas ar 500 Hz un atsaucas uz kanālu Fz. Papildu 9 elektrodi ierakstīja elektrookulogrammu, elektromiogrammu un elektrokardiogrammu, lai varētu noteikt miega stadijas. Ievākšanas laikā netika lietota tiešsaistes aparatūras filtrēšana, izņemot linenoise (60 Hz) filtrēšanu.

Aktīvā transkraniālā stimulācija tika nodrošināta unikālu spatiotemporālo strāvu masīvu veidā pa 32 stimulācijas elektrodiem. Kopējā pozitīvā elektriskā strāva tika iestatīta uz mazāku par 2,5 mA, katra kanāla strāvai zem 1,5 mA un virs 150 uA.

Stimulācijas modeļi tika izveidoti, izmantojot gradienta nolaišanās optimizāciju, lai palielinātu ortogonalitāti pār inducētajiem elektriskajiem laukiem pieauguša cilvēka galvas veidnes 3-D tilpumā, novēršot korelācijas un antikorelācijas.

Eksperimenta laikā aktīvajam stāvoklim katra no 14 vinjetēm tika nejauši saistīta vai "marķēta" ar atšķirīgu stimulācijas modeli, un pielāgotas veidnes katram modelim tika ieprogrammētas Neuroelectricsstimulation vadības programmatūrā CoreGUI. Tikai puse no šiem tES modeļiem tika atkārtoti lietoti nakts laikā, lai norādītu atmiņas atkārtotu aktivizēšanu (Tag & Cue), un uzvedības analīzes koncentrējās uz atmiņas atgādināšanas testa atbildēm mērķa vinjetēm.

Unikālie modeļi galvenokārt tika izstrādāti, lai radītu īpašas atmiņas, nevis mainītu neironu darbību konkrētos veidos; tādējādi smadzeņu reakcijas un savienojamības izmaiņas atsevišķiem STAMP netika analizētas un tā vietā tika apvienotas, lai palielinātu izmēģinājumu skaitu.

Lēnu viļņu svārstību noteikšana

Stimulācija tika automātiski piegādāta ar laika bloķēšanu SWO augšējos stāvokļos ar slēgtas cilpas noteikšanas algoritmu, kas pielāgots iepriekš izstrādātam algoritmam (Cox et al., 2014). Miega režīmā ienākošie EEG dati no 13 priekšējiem-parietāli-centrālajiem kanāliem (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 un P4) tika saglabāti darbojošā {{17} }s buferis, kas tika nepārtraukti atjaunināts.

Lai notīrītu datus, tika piemērota slīdošā vidējā atņemšana ar 1-s logu, un visi kanāli, kas pārsniedz 500 μV min-to-max amplitūdu bufera periodā, tika noraidīti.

Atlikušie kanāli tika aprēķināti kopā, lai izveidotu virtuālu kanālu spēcīgai SWOdetection. Jauda lēno viļņu joslā (0,5–1,2 Hz) tika salīdzināta ar kopējo platjoslas jaudu (0,1–250 Hz) un, ja šī attiecība bija lielāka par 0,3, tad tika aprēķināts precīzs jaudas maksimums lēno viļņu joslā (centrālajā frekvencē).

Pēc tam virtuālais kanāls tika filtrēts ar otrās kārtas Batervortas joslas caurlaides filtru ar 1-Hz joslas platumu ap centrālo frekvenci (ar minimālo zemāko robežvērtību 0,1 Hz), un tika izmantota Hilberta transformācija. Fāze tika nobīdīta atpakaļ par 90 grādiem, un iedomātā sastāvdaļa tika ekstrahēta, iegūstot momentānu fāzi.

Pēc tam tika ģenerēts sinusoidāls vilnis centrālajā frekvencē ar optimizētu filtrētā signāla fāzi, nobīdi un amplitūdu. Sinusoidālais vilnis tika projicēts uz priekšu laikā, lai noteiktu nākamo nulles fāzes punktu (ti, augšupejošā stāvokļa sākumu), un šajā laika punktā tika sākta stimulācija, un tā ilga līdz prognozētajam augšupējam stāvoklim ar paaugstināšanu un uz leju. reizes 100 ms.

Šaubu nakšu laikā tika reģistrēti stimulācijas laika punkti, bet stimulācija netika piegādāta. Tādējādi aktīvo un fiktīvo nakšu salīdzinājums bija vieni un tie paši SWO laika punkti, ar vienīgo atšķirību STAMP stimulācijas piegāde. Lai izvairītos no STAMPsonn Active naktis radītajiem artefaktiem, tika veikta augšējā stāvokļa noteikšanas validācija, izmantojot datus par fiktīvajām naktīm.

Marķieri tika iegūti no augšējo stāvokļu laika punktiem, ko paredz sinusoidālā viļņa atbilstība. Dažos gadījumos aparatūras aizkaves dēļ laika stimulācija tika pārvietota uz augšupejošu stāvokli pēc nekavējoties konstatētā augšupejas stāvokļa, kas, iespējams, zināmā mērā palielināja fāžu mainīgumu. Laikposmi, kas bija ierobežoti līdz stimulācijas sākuma marķieriem (-5 līdz +5 s), tika iegūti no neapstrādātiem EEG datiem un joslas caurlaides filtrēšana diapazonā 0,5–1,2 Hz.

Fāžu vērtības katrā sākuma marķiera laika punktā tika aprēķinātas, izmantojot Hilberta transformāciju. Katram dalībniekam tika aprēķinātas izmēģinājumu vidējās fāzes vērtības, un šīs vidējās fāzes tika pakļautas v-testa pārbaudei, lai noteiktu atšķirību no 0 grādiem (Berens, 2009). Skaitļi un statistika par slēgtā cikla algoritma apstiprināšanu ir sniegti papildinformācijā.

EEG datu apstrāde un grafiku teorētiskā analīze

EEG signāli tika analizēti bezsaistē, izmantojot EEGLAB un pielāgotus MATLAB skriptus. Lai attīrītu datus un atdalītu trokšņa avotus no smadzeņu signāla, EEG ieraksti tika samazināti līdz 250 Hz, atsaucoties uz visu elektrodu vidējo vērtību, un frekvenču joslas filtrēšana, izmantojot Butterworth filtru (0,1–70 Hz, 24 dB/ oktobris).

Acu un neurālie artefakti tika identificēti un manuāli noņemti, izmantojot EEGLAB neatkarīgo komponentu analīzes (ICA) metodi un tās iebūvēto infomax algoritmu (Delorme & Makeig, 2004).

Dati bez artefaktiem tika segmentēti laikmetos, kas satur −6,4 līdz −2,4 pirms stimulācijas sākuma kā bāzes līnijas logs un 3 līdz 7 s pēc stimulācijas nobīdes kā analīzes logs. Katram laikmetam jaudas spektrs katrā kanālā tika aprēķināts, piemērojot Velča spektrālās novērtēšanas metodi 2048- ms segmentiem ar 1,024- ms (50%) pārklāšanos, un katrs segments tika samazināts ar Haminga logu.

Funkcionālās savienojamības un grafiku teorētiskās analīzes tika veiktas, izmantojot BioNeCtToolbox, pielāgotu MATLAB rīku komplektu smadzeņu savienojamības analīzei (Casanova, El-Baz, & Suri, 2017). Funkcionālā smadzeņu savienojamība starp smadzeņu reģioniem tiek novērtēta, aprēķinot EEG signālu savstarpējo korelāciju frekvenču domēnā (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Starp dažādiem funkcionālās savienojamības rādītājiem iedomātā saskaņotība (iCoh) nosaka tikai "patiesu" mijiedarbību starp EEG signāliem, kas notiek noteiktā laika aizkavē, tādējādi ignorējot tūlītēju mijiedarbību starp blakus esošajiem elektrodiem, ko, iespējams, rada elektriskās aktivitātes vadīšana no kopēja smadzeņu avota (Bullmore). & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

iCoh vērtības tika aprēķinātas visiem iespējamiem elektrodepariem šādās frekvenču joslās: delta (1–4 Hz), teta (4–8 Hz), alfa (8–12 Hz), vārpstas (12–15 Hz), beta (16– 30 Hz) un zema gamma (40–50 Hz).

Šīs analīzes tika veiktas gan ar aktīvajiem, gan fiktīvajiem datiem. Turklāt iCoh vērtības tika aprēķinātas gan pēcstimulācijas, gan priekšstimulācijas laika logiem, un pirmsstimulācijas loga vērtības tika atņemtas no pēcstimulācijas loga vērtībām bāzes līnijas korekcijai. iCoh mērījumu augstā daudzdimensionalitāte tika atdalīta ar grafiku teorētisko pieeju.

Grafiku teorētiskie rādītāji sniedz informāciju par tīkla segregācijas pakāpi (ti, smadzeņu reģionu tendenci veidot lokālas kopas ar blīviem funkcionāliem starpsavienojumiem) un tīkla integrāciju un efektivitāti (ti, tīkla spēju kļūt savstarpēji saistītiem un efektīvi apmainīties ar informāciju starp smadzenēm reģioni Bullmore & Sporns, 2009; Mohammad-Rezazadeh et al., 2016;

Visām iepriekš minētajām frekvenču joslām pirms- un pēcstimulācijas periodā tika aprēķināti šādi parasti izmantotie grafu mērījumi: vidējais klasterizācijas koeficients (varbūtība, ka blakus mezgli tiks savienoti, atspoguļojot lokālo savienojumu); globālā efektivitāte (cik tīkls ir efektīvs informācijas pārsūtīšanā); raksturīgais ceļa garums, rādiuss un diametrs (vidējais malu skaits gar īsāko ceļu, minimālais iespējamais attālums un lielākais iespējamais attālums attiecīgi starp visiem iespējamiem mezglu pāriem); modularitāte (smadzeņu tīkla segregācijas pakāpe apakštīklos vai moduļos);assortativitāte (to mezglu īpatsvars, kas pievienoti citiem mezgliem ar līdzīgām pakāpēm, salīdzinot ar atšķirīgām pakāpēm); blīvums (malu skaits dalīts ar mezglu skaitu grafikā);un vidējā saskaņotība (vidējā saskaņotība starp visiem mezglu pāriem).

Klasifikācijas un regresijas analīzes

Iegūtie dati sastāvēja no 48 funkcionālām savienojamības iezīmēm (8 grafiku teorētiskie rādītāji × 6 frekvenču joslas) gan aktīvajiem, gan fiktīvajiem stimulācijas apstākļiem katram dalībniekam. Konkrētāk, savienojamības pazīmes tika iegūtas pēc stimulācijas aktīvajā naktī, kurā notika arī STAMP stimulācija. kā fiktīvu naktis, kurās stimulācija nenotika.

Lai izpētītu, kādas savienojamības izmaiņas paredz stimulācijas stāvokli, kā arī ir saistītas ar uzvedību, mēs ieviesām dalībnieku līmeņa klasifikāciju un regresijas savstarpējās validācijas analīzi, kurā dati no dalībnieku apakškopas tika atstāti kā testa dati, lai prognozētu. Lai samazinātu dispersiju, mēs veicām 35 reizes, kad viens līdz trīs dalībnieki tika atstāti ārpusē.

Šai atkārtotai izlases sadales metodei tiek dota priekšroka salīdzinājumā ar parasti ieviesto metodi “atstāt vienu”, kas var novest pie nestabiliem un neobjektīviem dispersijas aprēķiniem (Scheinost et al., 2019; Varoquaux et al., 2017). Mēs izvēlējāmies izmantot šo uz datiem balstīto pieeju ne tikai datu lielās funkciju telpas dēļ, bet arī izmeklēšanas novitātes dēļ.

Līdz šim tikai daži pētījumi ir pētījuši attiecības starp smadzeņu savienojamības grafiku teorētisko metriku un metamiņas jutīgumu, un neviens nav pētījis, kā tas mainās ar smadzeņu stimulāciju. Tādējādi mēs, iespējams, palaistu garām svarīgas attiecības starp funkcionālo savienojamību un metamiņu, pārbaudot tikai noteiktas frekvenču joslas (piemēram, teta) vai mērus (piemēram, vidējo koherenci), pamatojoties uz iepriekšējiem atklājumiem literatūrā. Diagramma, kurā izklāstīts analīzes konveijeris, ir parādīta attēlā. 2.

Katram locījumam tika izmantota īpašību atlases metode, izmantojot apmācības datus, lai atrastu grafiku teorētiskās pazīmes (pēcstimulācijas bāzes līnija, kas koriģēta ar priekšstimulāciju), kas atšķir aktīvās un fiktīvas stimulācijas apstākļus. Daudzas funkcijas bija cieši saistītas viena ar otru, ko var redzēt Papildinformācijas attēlā S2.

Tādējādi pirmie ļoti kolineārie mainīgie tika noņemti, atrodot pazīmju pārus ar augstu korelāciju (r sliekšņa vērtība 0.8) un noņemot mainīgo ar augstāku vidējo absolūto korelāciju ar citiem mainīgajiem. Papildinformāciju par noņemtajiem mainīgajiem lielās kolinearitātes dēļ var atrast atbalsta informācijā.

Pēc tam katrai funkcijai tika veikts atkarīgs tests (tā kā pētījums bija subjektu iekšējais dizains), pārbaudot atšķirību starp aktīvajiem un viltus apstākļiem. Mainīgie lielumi ar zemām absolūtajām t vērtībām (slieksnis 1) tika noņemti, pamatojoties uz to, ka atšķirība starp šiem mainīgajiem bija minimāla. Pārējās pazīmes tika ievadītas Boruta pazīmju atlases algoritmā (Kursa & Rudnicki, 2010).

Boruta ir uz permutāciju balstīta atlases metode, kurā katrs objekts, kā arī objekta kopija ar tā vērtībām, kas sajaukta starp dalībniekiem (saukta par "ēnu iezīmi"), tiek ievadīta nejaušā meža klasifikatorā un katra objekta nozīmīgums. tiek noteikts kā Z rādītājs. Patieso pazīmju nozīmei ir jābūt augstākai par ēnu iezīmju maksimālo Z punktu skaitu, lai tās uzskatītu par ievērojami svarīgām.

Šo procedūru atkārto vairākas reizes ar dažādām ēnu pazīmju permutācijām, lai iegūtu vērtību sadalījumu, ar kuru var salīdzināt faktisko pazīmju svarīguma vērtības. Tādējādi Boruta ir visa būtiskā pazīmju atlases metode — būtībā process var atlasīt visus mainīgos vai nevienu no tiem. Tika atlasīti tikai līdzekļi, kuriem bija augstāki Z rādītāji nekā ēnas līdzekļi.

Ir pierādīts, ka šis algoritms uzlabo veiktspēju jēgpilnu pazīmju atrašanā, salīdzinot ar citiem pazīmju atlases algoritmiem (Degenhardt et al., 2017; Kursa, 2017). Pēc tam Borutas atlasītie elementi tika ievadīti loģistikas regresijas modelī, kas paredzēja Aktīvo un apstākļus. Mēs arī veicām regulāru loģistikas regresiju ar L2 regularizāciju (kores regresiju), kurā optimālais λ parametrs tika noteikts, veicot krustenisko validāciju apmācības datos.

Visbeidzot, mēs arī veicām loģistikas regresijas klasifikāciju, izmantojot tikai vissvarīgāko mainīgo, kas atlasīts ar Boruta algoritmu. Pēc modeļa parametru pielāgošanas apmācības datiem modeļi tika izmantoti, lai prognozētu atstātos testa datus, iegūstot katra testa piemēra varbūtības aplēses, kas pieder pie aktīva vai fiktīva stāvokļa. Šīs varbūtības tika savienotas krokās un izmantotas, lai aprēķinātu relatīvās darbības raksturlīknes, no kurām mēs atvasinājām laukuma zem līknes (AUC) vērtības (Fawcett, 2006).

AUC ir jutīgāks klasifikatora veiktspējas mērs nekā vienkārši neapstrādāta precizitāte, un tāpēc tas ir norādīts šeit. Tajā pašā savstarpējās validācijas locījumā apmācības dati tika izmantoti, lai prognozētu atmiņas jutīguma izmaiņas mērķa vinjetēm (proti, Tag & Cue) no nakts. 2 pirmsmiega tests uz pēcmiega testu aktīvajā stāvoklī.

Uzvedības veiktspējas mēraukla bija -2 tipa relatīvās darbības raksturlīknes AUC — bez novirzēm neparametrisks metakognitīvās jutības rādītājs ar lielāku AUC, kas atspoguļo lielāku atmiņas jutīgumu (Fleming & Lau, 2014; Galvin et al., 2003). . Šeit modeļi paredzēja AUC izmaiņas vienas nakts laikā, lai savienotu savienojamības izmaiņas ar atmiņas jutīguma izmaiņām. Visas savienojamības funkcijas tika ievadītas līdzīgā pazīmju atlases procesā kā klasifikācijas analīze. Ļoti kolineārās pazīmes tika noņemtas tāpat kā iepriekš.

At-testa vietā tika aprēķināta korelācija starp katru pazīmi un vienas nakts AUC izmaiņām un tika noņemtas pazīmes ar zemām absolūtajām rvērtībām (slieksnis 0.1). Atlikušās funkcijas tika palaists caur Borutaalgoritm, šoreiz paredzot nakts AUC izmaiņas.

Šīs pazīmes, kā arī tikai galvenā funkcija, tika ievadītas lineārās regresijas un L2 legalizētās regresijas modeļos, kas paredzēja atstātos testa datus. Tika aprēķinātas vidējās kvadrātiskās kļūdas (RMSE) vērtības, un vidējās RMSE vērtības krokās tika salīdzinātas ar RMSE vērtībām, kas iegūtas no lineārās regresijas prognozēm, izmantojot tikai krustpunktu.

Kā galīgo analīzi mēs paņēmām Borutas atlasītos līdzekļus no klasifikācijas analīzes, kā arī Boruta atlasītos līdzekļus no regresijas analīzes un pārkārtojām klasifikāciju un regresiju ar kombinēto funkciju kopu, kā arī katras kopas galveno līdzekli. Katrai pazīmju kopai tiek ziņotas AUC vērtības no klasifikācijas analīzēm un RMSE vērtības no regresijas analīzes.

For more information:1950477648nn@gmail.com