Промени в мозъчната свързаност по време на сън чрез транскраниална невростимулация със затворен цикъл, предсказване на чувствителността на метапаметта, част 2

Електрофизиологични записи и транскраниална стимулация

Бяха събрани данни за ЕЕГ и беше приложена стимулация едновременно с прототип StarStim64 от Neuroelectrics, Inc., с 64-канална неопренова капачка на главата, включваща 32 ЕЕГ канала и 32 канала за стимулация.

Непрекъснатото развитие на съвременната наука и технологии направи изследванията на хората върху мозъка все по-задълбочени. През последните години нарастващ брой проучвания показват тясната връзка между електроенцефалографията (ЕЕГ) и паметта. ЕЕГ е метод за записване на мозъчната електрическа активност. Той изразява електрическите сигнали на човешкия мозък под формата на чертежи чрез откриване на биоелектрични сигнали на мозъка. Паметта е способността на невронната система на мозъка да придобива, обработва, съхранява, разпознава и извиква информация. Връзката между двамата може да се каже, че е тясно свързана.

ЕЕГ записва движението на тялото, езика, мисленето и сензорната информация и се използва широко в области като медицина, невронауки и психология. Сред тях изследователите откриха, че ЕЕГ има важна връзка с паметта. ЕЕГ записите могат да ни помогнат да разберем по-добре процеса на установяване и възстановяване на паметта и да предоставят ценна справка за лечението на нарушения на паметта. Според изследване, формирането на дългосрочна памет е придружено от електрическа активност с различна степен и разпределение и когато хората си припомнят спомени, ЕЕГ сигналите също ще се променят, което допълнително потвърждава тясната връзка между ЕЕГ и паметта.

В допълнение, ЕЕГ може също да помогне на изследователите да разберат различни видове памет, като краткосрочна памет, дългосрочна памет, пространствена памет и емоционална памет. При изследване ЕЕГ анализът може да посочи електрическа активност от различни области на мозъка. Тези специални електрически дейности могат да разкрият как материалите на паметта се предават и обработват в мозъка и също така да разкрият причините за увреждане на паметта.

Може да се каже, че ЕЕГ има положително значение за подобряване качеството на живот. Съвременните хора използват електронни продукти като компютри и мобилни телефони дълго време и дори разчитат твърде много на социалните медии, което затруднява концентрацията на хората и лесно забравят нещата. Изследванията показват, че краткото обучение за обратна връзка с ЕЕГ може да подобри способността за учене и паметта на хората. Чрез индивидуална ЕЕГ терапия аномалиите в мозъчната функция могат да бъдат поправени, мозъчната дейност подобрена и паметта и способностите за учене подобрени.

В обобщение, ЕЕГ технологията спешно трябва да се използва широко в нашето ежедневие и са необходими допълнителни изследвания, за да се изследват повече от нейните приложения и потенциал. В бъдеще непрекъснатото подобряване на ЕЕГ технологията ще ни донесе повече възможности и предизвикателства, позволявайки ни да имаме по-ефективни и по-здрави мозъци. Може да се види, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola има антиоксидантни, противовъзпалителни и анти-стареене ефекти, които могат да помогнат за намаляване на окисляването и възпалителните реакции в мозъка, като по този начин предпазват здраве на нервната система. В допълнение, Cistanche deserticola може също така да стимулира растежа и възстановяването на нервните клетки, като по този начин подобрява свързаността и функцията на невронните мрежи. Тези ефекти могат да помогнат за подобряване на паметта, ученето и скоростта на мислене и могат също така да предотвратят развитието на когнитивна дисфункция и невродегенеративни заболявания.

ClickKnoww подобрява краткосрочната памет

ЕЕГ каналите бяха поставени в монтаж според 10-10системата. Данните за ЕЕГ бяха събрани от 23 от 32 места, взети проби при 500 Hz и отнесени към канал Fz. Допълнителните 9 електрода записват електроокулограма, електромиограма и електрокардиограма, за да позволят откриване на етапи на сън. По време на събирането не е приложено онлайн хардуерно филтриране, с изключение на филтриране на линейни шумове (60 Hz).

Активната транскраниална стимулация се доставя под формата на уникални масиви от пространствено-времеви токове през 32-те стимулационни електрода. Общият положителен електрически ток беше настроен да бъде под 2,5 mA, с ток на всеки канал под 1,5 mA и над 150 uA.

Моделите на стимулация са създадени чрез оптимизиране на градиентно спускане, за да се увеличи максимално ортогоналността на индуцираните електрически полета в 3-D обема на шаблон на глава на възрастен човек чрез санкциониране на корелациите и антикорелациите.

По време на експеримента, за активното състояние, всяка от 14-те винетки беше произволно свързана или „маркирана“ с различен модел на стимулация и персонализирани шаблони за всеки модел бяха програмирани в контролния софтуер за Neuroelectricsstimulation, CoreGUI. Само половината от тези tES модели бяха приложени отново през нощта, за да се даде сигнал за повторно активиране на паметта (Tag & Cue), а поведенческите анализи се фокусираха върху отговорите на теста за припомняне на паметта за целевите винетки.

Уникалните модели са предназначени основно за специфични спомени, а не за промяна на невронната активност по специфични начини; по този начин мозъчните реакции и промените в свързаността към отделните STAMP не са анализирани и вместо това са комбинирани, за да се увеличи броят на опитите.

Откриване на бавни вълни

Стимулацията се доставя автоматично заключена във времето до състояния нагоре на SWO с алгоритъм за откриване на затворен цикъл, адаптиран от предварително разработен алгоритъм (Cox et al., 2014). По време на сън входящите ЕЕГ данни от 13 предно-теменно-централни канала (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 и P4) бяха съхранени в работещ {{17} }s буфер, който се актуализира непрекъснато.

За да се почистят данните, беше приложено изваждане на плъзгаща се средна с прозорец 1-s и всички канали, надвишаващи 500 μV амплитуда от мин. до максимум през периода на буфера, бяха отхвърлени.

Останалите канали бяха осреднени заедно, за да се създаде виртуален канал за стабилно SWOdetection. Мощността в лентата с бавни вълни (0.5–1.2 Hz) беше сравнена с общата широколентова мощност (0.1–250 Hz) и ако това съотношение беше по-голямо от 0,3, тогава е изчислен точният пик на мощността в лентата на бавните вълни (централната честота).

След това виртуалният канал беше филтриран с лентов филтър на Butterworth от втори ред с честотна лента 1-Hz около централната честота (с минимална долна граница от 0.1 Hz) и беше приложена трансформация на Хилберт. Фазата беше изместена назад на 90 градуса и въображаемият компонент беше извлечен, като се получи моменталната фаза.

След това се генерира синусоида на централната честота с оптимизирана фаза, отместване и амплитуда на филтрирания сигнал. Синусоидалната вълна беше проектирана напред във времето, за да се определи следващата точка на нулевата фаза (т.е. началото на повишеното състояние) и стимулацията започна в тази времева точка и продължи за предвиденото повишено състояние с нарастване и намаляване пъти от 100 ms.

По време на фалшиви нощи бяха записани времеви точки на стимулация, но не беше доставена стимулация. По този начин сравнението на активни и фалшиви нощи беше в едни и същи времеви точки на SWO, като единствената разлика беше доставянето на STAMP стимулация. Валидирането на откриването на актуално състояние беше извършено върху данни от фалшиви нощи, за да се избегнат артефакти, произведени от STAMPsonn Active nights.

Маркерите бяха извлечени от времевите точки на повишени състояния, предвидени от напасването на синусоида. В някои случаи, поради забавяне на хардуера, стимулирането във времето беше преместено в състояние на работа след незабавно установеното състояние на работа, което може да е увеличило променливостта на фазите до известна степен. Епохите, заключени във времето към маркерите за начало на стимулацията (-5 до +5 s), бяха извлечени от необработените данни за ЕЕГ и лентово филтрирани в диапазона 0.5–1.2 Hz.

Фазовите стойности във всяка времева точка на началния маркер бяха изчислени с помощта на трансформацията на Хилберт. Средните фазови стойности в опитите бяха изчислени за всеки участник и тези средни фази бяха подложени на v-тест тестване за разлика от 0 градуса (Berens, 2009). Цифри и статистически данни за валидирането на алгоритъма със затворен цикъл са представени в Подкрепящата информация.

Обработка на ЕЕГ данни и теоретичен анализ на графиките

ЕЕГ сигналите бяха анализирани офлайн с EEGLAB и персонализирани MATLAB скриптове. За да се изчистят данните и да се отделят източниците на шум от мозъчния сигнал, ЕЕГ записите бяха намалени до 250 Hz, преотнесени към средната стойност на всички електроди и лентово филтрирани с помощта на филтър на Бътъруърт (0,1–70 Hz, 24 dB/ октомври).

Очни и неневронни артефакти бяха идентифицирани и отстранени ръчно с помощта на метода за независим компонентен анализ (ICA) в EEGLAB и неговия вграден алгоритъм infomax (Delorme & Makeig, 2004).

Данните без артефакти бяха сегментирани в епохи, съдържащи -6.4 до -2.4 преди началото на стимулацията като основен прозорец и 3 до 7 s след отместването на стимулацията като прозорец за анализ. За всяка епоха спектърът на мощността във всеки канал беше изчислен чрез прилагане на метода за спектрална оценка на Welch върху 2048-ms сегменти с 1,024-ms (50%) припокриване, като всеки сегмент беше заострен от прозорец на Hamming.

Функционалната свързаност и теоретичните анализи на графиките бяха извършени с BioNeCtToolbox, персонализирана кутия с инструменти MATLAB за анализ на мозъчната свързаност (Casanova, El-Baz, &Suri, 2017). Функционалната мозъчна свързаност между мозъчните региони се оценява чрез изчисляване на кръстосаната корелация в честотната област между ЕЕГ сигналите (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Сред различните показатели за функционална свързаност, въображаемата кохерентност (iCoh) открива изключително „истински“ взаимодействия между ЕЕГ сигнали, възникващи в рамките на определено времево забавяне, като по този начин игнорира мигновеното взаимодействие между съседни електроди, вероятно причинено от обемна проводимост на електрическа активност от общ мозъчен източник (Bullmore & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

Стойностите на iCoh бяха изчислени за всички възможни електродепарации в следните честотни ленти: делта (1–4 Hz), тета (4–8 Hz), алфа (8–12 Hz), шпиндел (12–15 Hz), бета (16– 30 Hz) и ниска гама (40–50 Hz).

Тези анализи бяха извършени както върху активните, така и върху фиктивните данни. Освен това стойностите на iCoh бяха изчислени както за времевите прозорци след стимулация, така и за предстимулационните времеви прозорци и стойностите на прозореца за предстимулация бяха извадени от стойностите на прозореца след стимулация за корекция на базовата линия. Високата многоизмерност на мерките на iCoh беше разплитана с теоретичен подход на графиката.

Графичните теоретични показатели предоставят информация за степента на мрежова сегрегация (т.е. тенденцията на мозъчните региони да образуват локални клъстери с плътни функционални взаимовръзки) и мрежовата интеграция и ефективност (т.е. капацитетът на мрежата да стане взаимосвързана и да обменя ефективно информация между мозъка региони; Bullmore & Sporns, 2009; Mohammad-Rezazadeh et al., 2016).

Следните често използвани графични мерки бяха изчислени за всички гореспоменати честотни ленти в периодите преди и след стимулацията: среден коефициент на групиране (вероятността съседните възли да бъдат свързани, отразявайки локалната свързаност); глобална ефективност (колко ефективна е мрежата при пренос на информация); характерна дължина, радиус и диаметър на пътя (средният брой ръбове по най-късите пътища, минималното възможно разстояние и най-голямото възможно разстояние, съответно между всички възможни двойки възли); модулност (степента, до която мозъчната мрежа е отделена в подмрежи или модули); асортативност (пропорцията на възлите, които са прикрепени към други възли с подобни степени спрямо различни степени); плътност (броят на ръбовете, разделен на броя на възлите в графиката); и средната кохерентност (средната кохерентност между всички двойки възли).

Класификация и регресионни анализи

Получените данни се състоят от 48 характеристики на функционална свързаност (8 теоретични метрики на графиката × 6 честотни ленти) както за активните, така и за фалшивите условия на стимулация за всеки участник. По-конкретно, характеристиките за свързаност бяха извлечени след стимулация на активна нощ, в която се появи и STAMP стимулация както по време на лъжливите нощи, в които не се появи стимулация.

За да проучим какви промени в свързаността са предсказуеми за състоянието на стимулация, както и свързани с поведението, внедрихме класификация на ниво участник и регресионен анализ за кръстосано валидиране, в който данните от подгрупа от участници бяха пропуснати като тестови данни за прогнозиране. За да намалим дисперсията, проведохме 35 гънки, в които един до трима участници бяха пропуснати наведнъж.

Този повтарящ се случайно разделен метод на вземане на проби е за предпочитане пред обичайно прилагания метод „изключи един“, който може да доведе до нестабилни и предубедени оценки на дисперсията (Scheinost et al., 2019; Varoquaux et al., 2017). Избрахме да възприемем този подход, базиран на данни, не само поради голямото пространство на данните, но и поради новостта на разследването.

Малко проучвания досега са изследвали връзките между теоретичните графики на мозъчната свързаност и чувствителността на метапаметта и нито едно не е изследвало как това се променя с мозъчна стимулация. По този начин потенциално бихме пропуснали важни връзки между функционалната свързаност и метапаметта, като изследваме само определени честотни ленти (напр. тета) или мерки (напр. средна кохерентност) въз основа на предишни открития в литературата. Диаграма, очертаваща тръбопровода за анализ, е представена на фигура 2.

За всяко сгъване беше проведен метод за избор на характеристики върху данните за обучение, за да се намерят графично-теоретични характеристики (постстимулационна базова линия, коригирана с предварителна стимулация), които разграничават активни и фалшиви условия на стимулация. Много характеристики бяха силно свързани помежду си, което може да се види на Фигура S2 за поддържаща информация.

Така първите силно колинеарни променливи бяха премахнати чрез намиране на двойки характеристики с високи корелации (прагова r стойност от 0.8) и премахване на променливата с по-висока средна абсолютна корелация с другите променливи. Допълнителна информация за премахнати променливи поради висока колинеарност може да бъде намерена в Подкрепящата информация.

След това беше проведен зависим тест (тъй като проучването беше дизайн в рамките на субекта) за всяка характеристика, тествайки разликата между активни и фиктивни условия. Променливите с ниски абсолютни t стойности (праг от 1) бяха премахнати с обосновката, че разликата между тези променливи е минимална. Останалите характеристики бяха въведени в алгоритъма за избор на характеристики на Boruta (Kursa & Rudnicki, 2010).

Boruta е базиран на пермутация метод за избор, при който всяка характеристика, както и копие на характеристиката с нейните стойности, разбъркани между участниците (наречена „функция в сянка“), се въвеждат в произволен горски класификатор и важността на всяка характеристика се определя като Z резултат. Важността на истинските характеристики трябва да бъде по-висока от максималния Z резултат на сенчестите характеристики, за да се считат за значително важни.

Тази процедура се повтаря няколко пъти с различни пермутации на сенчестите характеристики, за да се получи разпределение на стойностите, към които стойностите на важност на действителните характеристики могат да бъдат сравнени. По този начин Boruta е метод за избор на характеристики, който е релевантен за всички - по същество всички или нито една от променливите не могат да бъдат избрани чрез процеса. Бяха избрани само функции, които имат по-висок Z резултат от характеристиките в сянка.

Доказано е, че този алгоритъм подобрява производителността при намиране на значими характеристики в сравнение с други алгоритми за избор на характеристики (Degenhardt et al., 2017; Kursa, 2017). Характеристиките, избрани от Boruta, след това бяха въведени в логистичен регресионен модел, предсказващ Активните спрямо условията. Ние също така проведохме регуляризирана логистична регресия с L2 регулация (гребенна регресия), при която оптималният λ параметър беше определен чрез кръстосано валидиране в рамките на данните за обучение.

И накрая, проведохме класификация на логистична регресия, използвайки само най-важната променлива, избрана от алгоритъма на Boruta. След монтиране на параметрите на модела върху данните за обучение, моделите бяха използвани за предсказване на изпуснатите тестови данни, давайки оценки на вероятността за всеки тестов пример, принадлежащ към активното или фалшивото състояние. Тези вероятности бяха обединени между гънките и използвани за изчисляване на относителните работни характеристични криви, от които получихме стойности на площта под кривата (AUC) (Fawcett, 2006).

AUC е по-чувствителна мярка за производителност на класификатора, отколкото просто необработената точност и затова се отчита тук. В рамките на същото сгъване за кръстосано валидиране, данните за обучение бяха използвани за прогнозиране на промени в чувствителността на паметта за целевите винетки (а именно Tag & Cue) от Night 2 теста преди заспиване към теста след заспиване в активно състояние.

Мярката за поведенческо представяне беше AUC на кривата на относителната операционна характеристика тип -2, непараметрична мярка без отклонения за метакогнитивна чувствителност, с по-голяма AUC, отразяваща по-голяма чувствителност на паметта (Fleming & Lau, 2014; Galvin et al., 2003) . Тук моделите прогнозираха промяната за една нощ в AUC, за да обвържат промените в свързаността с промените в чувствителността на паметта. Всички функции за свързване бяха въведени в подобен процес на избор на характеристики като класификационния анализ. Силно колинеарните характеристики бяха премахнати, както преди.

Вместо at-test, корелацията между всяка характеристика и промяната на AUC за една нощ беше изчислена и характеристиките с ниски абсолютни rстойности (праг от 0.1) бяха премахнати. Останалите характеристики бяха прокарани чрез алгоритъма Boruta, като този път се предвиждаха промени на AUC за една нощ.

Тези характеристики, както и само горната характеристика, бяха въведени в линейна регресия и L2 регуляризирани регресионни модели, предвиждащи изпуснати тестови данни. Стойностите на средноквадратичната грешка (RMSE) бяха изчислени и средните стойности на RMSE през гънките бяха сравнени със стойностите на RMSE от прогнози от линейна регресия само с пресечната точка.

Като окончателен анализ взехме избраните от Boruta функции от класификационния анализ, както и избраните от Boruta характеристики от регресионния анализ и повторихме класификацията и регресията с комбинирания набор от функции, както и най-добрата характеристика от всеки набор. Стойностите на AUC от класификационни анализи и RMSE стойности от регресионни анализи се отчитат за всеки набор от характеристики.

For more information:1950477648nn@gmail.com