Modificări ale conectivității creierului în timpul somnului prin neurostimulare transcraniană în buclă închisă Prezicerea sensibilității metamemoriei partea 2

Înregistrări electrofiziologice și stimulare transcraniană

Datele EEG au fost colectate și stimularea a fost aplicată simultan cu un prototip StarStim64 de la Neuroelectrics, Inc., cu un capac din neopren 64-canal, care include 32 de canale EEG și 32 de canale de stimulare.

Dezvoltarea continuă a științei și tehnologiei moderne a făcut ca cercetarea oamenilor asupra creierului să fie din ce în ce mai aprofundată. În ultimii ani, un număr tot mai mare de studii au demonstrat relația strânsă dintre electroencefalografie (EEG) și memorie. EEG este o metodă de înregistrare a activității electrice a creierului. Exprimă semnalele electrice ale creierului uman sub formă de desene prin detectarea semnalelor bioelectrice ale creierului. Memoria este capacitatea sistemului neuronal al creierului de a dobândi, procesa, stoca, recunoaște și reaminti informații. Se poate spune că relația dintre cei doi este strâns legată.

EEG înregistrează mișcarea corpului, limbajul, gândirea și informațiile senzoriale și a fost utilizat pe scară largă în domenii precum medicina, neuroștiința și psihologia. Printre acestea, cercetătorii au descoperit că EEG are o relație importantă cu memoria. Înregistrările EEG ne pot ajuta să înțelegem mai bine procesul de stabilire și regăsire a memoriei și să ofere o referință valoroasă pentru tratamentul tulburărilor de memorie. Conform cercetărilor, formarea memoriei pe termen lung este însoțită de activitate electrică de diferite grade și distribuție, iar atunci când oamenii își amintesc amintiri, semnalele EEG se vor schimba și ele, confirmând în continuare legătura strânsă dintre EEG și memorie.

În plus, EEG îi poate ajuta pe cercetători să înțeleagă diferite tipuri de memorie, cum ar fi memoria pe termen scurt, memoria pe termen lung, memoria spațială și memoria emoțională. În cercetare, analiza EEG poate indica activitatea electrică din diferite zone ale creierului. Aceste activități electrice speciale pot dezvălui modul în care materialele de memorie sunt transmise și procesate în creier și, de asemenea, dezvăluie cauzele deteriorării memoriei.

Se poate spune că EEG are o semnificație pozitivă pentru îmbunătățirea calității vieții. Oamenii moderni folosesc produse electronice, cum ar fi computerele și telefoanele mobile pentru o lungă perioadă de timp și chiar se bazează prea mult pe rețelele de socializare, ceea ce face dificil pentru oameni să se concentreze și să uite lucrurile cu ușurință. Cercetările arată că antrenamentul scurt cu feedback EEG poate îmbunătăți capacitatea de învățare și memoria oamenilor. Prin terapia EEG individuală, anomaliile funcției creierului pot fi reparate, activitatea creierului îmbunătățită și abilitățile de memorie și de învățare îmbunătățite.

În rezumat, tehnologia EEG trebuie să fie utilizată urgent pe scară largă în viața noastră de zi cu zi și, de asemenea, sunt necesare cercetări suplimentare pentru a explora mai multe dintre aplicațiile și potențialul acesteia. În viitor, îmbunătățirea continuă a tehnologiei EEG ne va aduce mai multe oportunități și provocări, permițându-ne să avem un creier mai eficient și mai sănătos. Se poate observa că trebuie să îmbunătățim memoria, iar Cistanche deserticola poate îmbunătăți semnificativ memoria, deoarece Cistanche deserticola are efecte antioxidante, antiinflamatorii și anti-îmbătrânire, care pot ajuta la reducerea oxidarii și a reacțiilor inflamatorii din creier, protejând astfel sănătatea sistemului nervos. În plus, Cistanche deserticola poate promova, de asemenea, creșterea și repararea celulelor nervoase, sporind astfel conectivitatea și funcția rețelelor neuronale. Aceste efecte pot ajuta la îmbunătățirea memoriei, a învățării și a vitezei de gândire și pot preveni, de asemenea, dezvoltarea disfuncției cognitive și a bolilor neurodegenerative.

ClickKnoww îmbunătățește memoria pe termen scurt

Canalele EEG au fost plasate într-un montaj conform sistemului 10-10. Datele EEG au fost colectate de la 23 din cele 32 de site-uri prelevate la 500 Hz și referite la canalul Fz. Cei 9 electrozi suplimentari au înregistrat electrooculograma, electromiograma și electrocardiograma pentru a permite detectarea stadiilor de somn. Nu s-a aplicat nicio filtrare hardware online, cu excepția filtrării linenoise (60 Hz), în timpul colectării.

Stimularea transcraniană activă a fost furnizată sub formă de rețele unice de curenți spațiotemporal pe cei 32 de electrozi de stimulare. Curentul electric pozitiv total a fost setat la sub 2,5 mA, cu curentul fiecărui canal sub 1,5 mA și peste 150 uA.

Modelele de stimulare au fost create prin optimizarea coborârii gradientului pentru a maximiza ortogonalitatea în câmpurile electrice induse în volumul 3-D al unui șablon de cap uman adult prin penalizarea corelațiilor și anticorelațiilor.

În timpul experimentului, pentru condiția activă, fiecare dintre cele 14 viniete a fost asociată sau „etichetat” aleatoriu cu un model diferit de stimulare, iar șabloane personalizate pentru fiecare model au fost programate în software-ul de control al stimulării Neuroelectrics, CoreGUI. Doar jumătate dintre aceste modele tES au fost reaplicate în timpul nopții pentru a stabili reactivarea memoriei (Tag & Cue), iar analizele comportamentale s-au concentrat pe răspunsurile la testul de memorare a memoriei pentru vinietele vizate.

Modelele unice au fost concepute în primul rând pentru a semnala amintiri specifice, nu pentru a modifica activitatea neuronală în moduri specifice; astfel, răspunsurile creierului și modificările de conectivitate la STAMP-urile individuale nu au fost analizate și, în schimb, au fost combinate pentru a crește numărul de studii.

Detectarea oscilației cu unde lente

Stimularea a fost furnizată automat, blocată în timp, în stările superioare ale SWO, cu un algoritm de detectare în buclă închisă, adaptat de la un algoritm dezvoltat anterior (Cox et al., 2014). În timpul somnului, datele EEG primite de la 13 canale frontal-parietal-centrale (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 și P4) au fost stocate într-un {{17} }s care a fost actualizat continuu.

Pentru a curăța datele, s-a aplicat scăderea mediei mobile cu o fereastră 1-s și toate canalele care depășesc 500 μV amplitudine min-to-max pe parcursul perioadei de tampon au fost respinse.

Canalele rămase au fost mediate împreună pentru a crea un canal virtual pentru detectarea SWO robustă. Puterea din banda de undă lentă (0,5–1,2 Hz) a fost comparată cu puterea totală de bandă largă (0},1–25{0 Hz) și dacă acest raport a fost mai mare decât 0,3, apoi a fost calculat vârful precis al puterii în banda de undă lentă (frecvența centrală).

Canalul virtual a fost apoi filtrat cu un filtru trece-bandă Butterworth de ordinul doi cu o lățime de bandă de 1-Hz în jurul frecvenței centrale (cu o limită minimă inferioară de 0,1 Hz) și a fost aplicată o transformare Hilbert. Faza a fost deplasată înapoi cu 90 de grade, iar componenta imaginară a fost extrasă, rezultând faza instantanee.

Apoi a fost generată o undă sinusoidală la frecvența centrală cu fază, offset și amplitudine optimizate ale semnalului filtrat. Unda sinusoidală a fost proiectată înainte în timp pentru a determina următorul punct al fazei zero (adică, începutul stării ascendente), iar stimularea a fost începută în acest moment și a durat pentru starea ascendentă prezisă cu accelerare și declinare. ori de 100 ms.

În timpul nopților de simulare, au fost înregistrate momente de stimulare, dar nu a fost furnizată nicio stimulare. Astfel, compararea nopților active și a nopților simulate au fost în același timp puncte ale SWO, singura diferență fiind livrarea stimulării STAMP. Validarea detecției în stare ascendentă a fost efectuată pe datele din nopți simulate pentru a evita artefactele produse de nopțile active STAMPsonn.

Markerii au fost extrași din punctele de timp ale stărilor în sus prevăzute de potrivirea undei sinusoidale. În unele cazuri, din cauza întârzierii hardware, stimularea temporizată a fost mutată în starea superioară după starea ascendentă detectată imediat, ceea ce poate să fi crescut variabilitatea fazelor într-o oarecare măsură. Epocile blocate în timp la markerii de declanșare a stimulării (-5 până la +5 s) au fost extrase din datele brute EEG și au fost filtrate cu trecerea de bandă în intervalul 0.5–1,2 Hz.

Valorile de fază la fiecare punct de timp marker de debut au fost calculate folosind transformarea Hilbert. Valorile medii ale fazelor din studii au fost calculate pentru fiecare participant, iar aceste faze medii au fost supuse testării v-test pentru o diferență de 0 grade (Berens, 2009). Cifrele și statisticile privind validarea algoritmului în buclă închisă sunt prezentate în Informațiile suport.

Procesarea datelor EEG și analiza teoretică a graficelor

Semnalele EEG au fost analizate off-line cu EEGLAB și scripturi MATLAB personalizate. Pentru a curăța datele și a separa sursele de zgomot de semnalul cerebral, înregistrările EEG au fost eșantionate la 250 Hz, referite la media tuturor electrozilor și au fost filtrate cu trecere de bandă folosind un filtru Butterworth (0,1–70 Hz, 24 dB/). oct).

Artefactele oculare și nonneurale au fost identificate și îndepărtate manual folosind metoda analizei componente independente (ICA) în EEGLAB și algoritmul său infomax încorporat (Delorme & Makeig, 2004).

Datele fără artefacte au fost segmentate în epoci care conțineau -6,4 până la -2,4 înainte de debutul stimulării ca fereastră de bază și 3 până la 7 s după compensarea stimulării ca fereastră de analiză. Pentru fiecare epocă, spectrul de putere la fiecare canal a fost calculat prin aplicarea metodei de estimare spectrală Welch pe segmente de 2048-ms cu o suprapunere de 1,024-ms (50%), fiecare segment fiind înclinat de o fereastră Hamming.

Conectivitatea funcțională și analizele teoretice ale graficelor au fost efectuate cu BioNeCtToolbox, o cutie de instrumente personalizată MATLAB pentru analiza conectivității creierului (Casanova, El-Baz, & Suri, 2017). Conectivitatea funcțională a creierului între regiunile creierului este estimată prin calculul corelației încrucișate în domeniul frecvenței dintre semnalele EEG (Bowyer, 2016; Mohammad-Rezazadeh și colab., 2016; Nolte și colab., 2004).

Printre diferitele metrici ale conectivității funcționale, coerența imaginară (iCoh) detectează exclusiv interacțiunile „adevărate” dintre semnalele EEG care apar într-o anumită întârziere, ignorând astfel interacțiunea instantanee între electrozii vecini probabil produsă de conducerea volumului activității electrice dintr-o sursă comună a creierului (Bullmore). & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

Valorile iCoh au fost calculate pentru toate electrodeparerile posibile în următoarele benzi de frecvență: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), fus (12–15 Hz), beta (16–12 Hz), 30 Hz) și gama scăzută (40–50 Hz).

Aceste analize au fost efectuate atât pe datele Active cât și pe cele Sham. În plus, valorile iCoh au fost calculate atât pentru ferestrele de timp de poststimulare, cât și pentru cele de prestimulare, iar valorile ferestrei de prestimulare au fost scăzute din valorile ferestrei de poststimulare pentru corecția de bază. Multidimensionalitatea ridicată a măsurilor iCoh a fost dezlegată cu o abordare teoretică grafică.

Metricurile teoretice ale graficelor oferă informații despre gradul de segregare a rețelei (adică, tendința regiunilor creierului de a forma clustere locale cu interconexiuni funcționale dense) și integrarea și eficiența rețelei (adică capacitatea rețelei de a deveni interconectate și de a schimba eficient informații între creier). regiuni; Bullmore & Sporns, 2009;

Următoarele măsuri grafice utilizate în mod obișnuit au fost calculate pentru toate benzile de frecvență menționate mai sus în perioadele pre și poststimulare: coeficientul mediu de grupare (probabilitatea ca nodurile învecinate să fie conectate, reflectând conexiunea locală); eficiență globală (cât de eficientă este rețeaua în transferul de informații); lungimea, raza și diametrul traseului caracteristic (numărul mediu de margini de-a lungul celor mai scurte căi, distanța minimă posibilă și, respectiv, distanța cea mai mare posibilă, între toate perechile posibile de noduri); modularitatea (gradul în care rețeaua cerebrală este segregată în subrețele sau module); asortativitate (proporția de noduri care sunt atașate la alte noduri cu grade similare față de grade diferite); densitatea (numărul de muchii împărțit la numărul de noduri din grafic); și coerența medie (coerența medie între toate perechile de noduri).

Clasificare și analize de regresie

Datele rezultate au constat din 48 de caracteristici funcționale de conectivitate (metrice teoretice 8 grafice × 6 benzi de frecvență) atât pentru condițiile de stimulare Active cât și Sham pentru fiecare participant. Mai precis, caracteristicile de conectivitate au fost extrase în urma stimulării în nopțile active în care a avut loc stimularea STAMP, precum și ca în timpul nopților de simulare în care nu a avut loc nicio stimulare.

Pentru a investiga ce schimbări de conectivitate sunt predictive pentru starea de stimulare, precum și se referă la comportament, am implementat o clasificare la nivel de participant și o analiză de regresie și validare încrucișată, în care datele de la un subset de participanți au fost lăsate afară ca date de testare pentru a prezice. Pentru a reduce varianța, am rulat 35 de ori, în care unul până la trei participanți au fost lăsați afară o dată.

Această metodă de eșantionare repetată de împărțire aleatorie este preferată în detrimentul metodei implementate în mod obișnuit „lăsați unul afară”, care poate duce la estimări instabile și părtinitoare ale varianței (Scheinost et al., 2019; Varoquaux et al., 2017). Am ales să adoptăm această abordare bazată pe date nu numai datorită spațiului mare de caracteristici al datelor, ci și datorită noutății investigației.

Puține studii până în prezent au examinat relațiile dintre metricile grafice-teoretice ale conectivității creierului și sensibilitatea metamemoriei și niciunul nu a examinat modul în care aceasta se schimbă odată cu stimularea creierului. Astfel, am putea pierde relații importante dintre conectivitatea funcțională și metamemorie, examinând doar anumite benzi de frecvență (de exemplu, theta) sau măsuri (de exemplu, coerența medie) pe baza constatărilor anterioare din literatură. O diagramă care subliniază conducta de analiză este prezentată în figura 2.

Pentru fiecare pliu, s-a rulat o metodă de selecție a caracteristicilor pe datele de antrenament pentru a găsi caracteristici teoretice grafice (linia de bază poststimulare corectată cu prestimulare) care au discriminat între condițiile de stimulare Active și Sham. Multe caracteristici au fost foarte corelate între ele, ceea ce poate fi văzut în Informații de sprijin Figura S2.

Astfel, primele variabile foarte coliniare au fost eliminate prin găsirea de perechi de caracteristici cu corelații mari (valoarea pragului r de 0.8) și eliminarea variabilei cu corelația absolută medie mai mare cu celelalte variabile. Informații suplimentare despre variabilele eliminate din cauza coliniarității ridicate pot fi găsite în Informațiile justificative.

Apoi, un test dependent (deoarece studiul a fost un design în cadrul subiecților) a fost rulat pe fiecare caracteristică, testând diferența dintre condițiile active și simulate. Variabilele cu valori absolute scăzute ale t (pragul de 1) au fost eliminate, argumentând că diferența dintre aceste variabile a fost minimă. Caracteristicile rămase au fost introduse în algoritmul de selecție a caracteristicilor Boruta (Kursa & Rudnicki, 2010).

Boruta este o metodă de selecție bazată pe permutare, în care fiecare caracteristică, precum și o copie a caracteristicii cu valorile sale, amestecate între participanți (numită „funcție umbră”), este introdusă într-un clasificator de pădure aleatoriu și importanța fiecărei caracteristici. este determinat ca un scor Z. Importanța caracteristicilor adevărate trebuie să fie mai mare decât scorul Z maxim al caracteristicilor umbră pentru a fi considerate semnificativ importante.

Această procedură se repetă de mai multe ori cu diferite permutări ale trăsăturilor umbră pentru a obține o distribuție a valorilor cu care pot fi comparate valorile de importanță ale trăsăturilor reale. Astfel, Boruta este o metodă de selecție a caracteristicilor relevante - în esență, toate sau niciuna dintre variabile ar putea fi selectate prin proces. Au fost selectate numai caracteristicile care au avut scoruri Z mai mari decât caracteristicile umbră.

S-a demonstrat că acest algoritm îmbunătățește performanța în găsirea de caracteristici semnificative în comparație cu alți algoritmi de selecție a caracteristicilor (Degenhardt et al., 2017; Kursa, 2017). Caracteristicile selectate de Boruta au fost apoi introduse într-un model de regresie logistică care prezice condițiile active versus. Am efectuat, de asemenea, o regresie logistică regularizată cu regularizare L2 (regresia creastă), în care parametrul λ optim a fost determinat prin validare încrucișată în cadrul datelor de antrenament.

În cele din urmă, am efectuat și o clasificare de regresie logistică folosind doar cea mai importantă variabilă selectată de algoritmul Boruta. După ajustarea parametrilor modelului pe datele de antrenament, modelele au fost utilizate pentru a prezice datele de testare lăsate afară, obținând estimări ale probabilității pentru fiecare exemplu de test, fie aparținând condiției Active sau Sham. Aceste probabilități au fost concatenate în pliuri și utilizate pentru a calcula curbele caracteristice de funcționare relative, din care am derivat valorile ariei sub curbă (AUC) (Fawcett, 2006).

AUC este o măsură mai sensibilă a performanței clasificatorului decât pur și simplu acuratețea brută și, prin urmare, este raportată aici. În cadrul aceluiași fold de validare încrucișată, datele de antrenament au fost utilizate pentru a prezice modificările sensibilității memoriei pentru vinietele vizate (și anume, Tag & Cue) din noapte 2 presleeptest la testul postsleep în starea activă.

Măsura performanței comportamentale a fost ASC a curbei caracteristice operaționale relative de tip-2, o măsură neparametrică fără părtinire a sensibilității metacognitive, cu ASC mai mare reflectând o sensibilitate mai mare a memoriei (Fleming & Lau, 2014; Galvin și colab., 2003) . Aici, modelele au prezis schimbarea peste noapte a AUC pentru a lega schimbările în conectivitate cu modificările sensibilității memoriei. Toate caracteristicile de conectivitate au fost introduse într-un proces de selecție a caracteristicilor similar cu analiza clasificării. Caracteristicile foarte coliniare au fost eliminate ca și înainte.

În loc de testare, a fost calculată corelația dintre fiecare caracteristică și modificarea AUC peste noapte și au fost eliminate caracteristicile cu valori r absolute scăzute (pragul de 0.1). Caracteristicile rămase au fost rulate prin algoritmul Boruta, de data aceasta prezicând schimbările AUC peste noapte.

Aceste caracteristici, precum și doar caracteristica superioară, au fost introduse în regresia liniară și modelele de regresie regularizate L2 care prezic datele de testare lăsate afară. Au fost calculate valorile RMSE (root-mean-square error), iar valorile RMSE medii din pliuri au fost comparate cu valorile RMSE din predicții dintr-o regresie liniară cu doar interceptarea.

Ca o analiză finală, am luat caracteristicile selectate de Boruta din analiza de clasificare, precum și caracteristicile selectate de Boruta din analiza de regresie și clasificarea și regresia din nou cu setul de caracteristici combinate, precum și caracteristica de sus din fiecare set. Valorile AUC din analizele de clasificare și valorile RMSE din analizele de regresie sunt raportate pentru fiecare set de caracteristici.

For more information:1950477648nn@gmail.com