疲劳与失联:睡眠剥夺导致脑连接模块性衰退

以色列特拉维夫大学(Tel-Aviv University)Wohl 医学影像研究所的Eti Ben Simon等人在Human Brain Mapping杂志上发表了一项研究,用来验证睡眠剥夺(SD)会导致脑连接参数如模块性的衰退。这项研究利用18个健康被试分别在正常睡眠和睡眠剥夺的状态下采集到的静息态核磁共振数据。研究发现睡眠剥夺会显著的降低脑网络的模块性,表明结果表明了睡眠剥夺后,大脑功能分区的丧失,并且脑网络结构更加趋向于随机化。

睡眠剥夺(SD)已经与各种认知和情感障碍相关联,症状从执行注意力下降到运动反应性增加和情绪恶化,这些变化与前额叶的激活模式有关。例如,一些神经影像学的研究表明,SD会导致杏仁核之间的连接降低。

除了脑区一些特殊的连接,睡眠剥夺也会降低静息态网络的连接性能,事实上,在剥夺睡眠一晚上之后,全脑的连接模式会有一个显著的变化。现在只能发现睡眠剥夺会对脑网络有一定的影响,但是仍然不能了解睡眠剥夺是如何降低全脑功能结构的。以图论为基础的研究发现大脑的功能连接具有一定的模块性,并且这种模块性能够在睡眠阶段继续保持。因此,图论可以作为分析睡眠剥夺如何对大脑的功能结构进行影响的工具,从而有效地描绘出全脑在睡眠剥夺后的趋势变化。

最终,研究者通过采集18个健康被试分别在睡眠保持和睡眠剥夺情况下的静息态核磁共振影像数据,利用Craddock分区,建立了一个有200个结点的功能连接图。并通过阈值来确定结点之间的连接级别,最后通过数据测试睡眠剥夺对脑网络模块性的影响。

之前的研究者认为睡眠剥夺会降低网路的连通性能,研究者假设睡眠剥夺会显著的降低大脑的模块结构,导致低的功能分离,最终导致模块性降低。这些变化被进一步假设为睡眠剥夺的情况下会出现情感障碍。为了验证情感的变化,研究者利用情绪调查表检测参与者的情绪状态指数,并对建立的网络计算相应的数值,另外,认知障碍通过过PVT进行评估。

实验设计

实验设计和研究者之前的一项工作[Simon et al., 2015]相同。简单地说,参与者参加了两个实验阶段:一晚正常睡眠(即睡眠休息状态),再一次监督SD的24小时。在试验进行之前两天之内,被试需要禁止饮酒和含有咖啡因的饮料。对于睡眠剥夺环节,参与者需要在22:30报告给实验室(通常是在工作日的最后时刻,并被研究人员持续监控)。从23:00开始,每2个小时,参与者进行一组问卷调查。在实验第二天上午八点半左右,参与者会进行核磁共振扫描。

图的构建

研究者利用pearson相关,计算BOLD信号时间序列的相关性,并根据连接的稠密程度设定阈值,连接稠密度通过对睡眠保持和睡眠剥夺的最好分类结果确定,特征选择通过留一法进行,通过计算jaccard分数来分析图之间的相似性来对图进行分类。

模块性分析

研究者利用Brain Connectivity Toolbox (BCT)来计算网络模型性的差异,组级图是通过对每个样本的图进行加权平均的方式构建的,此外,对于每一个被识别的组级模块,通过分别计算每个模块多由结点的连接数来给定模块的密度。已识别的模块也被测试用于统计充实 7个预定义的功能大脑网络(reportedin [Yeo et al., 2011]).这个分析利用RichMind toolbox 完成(http://acgt.cs.tau.ac.il/RichMind[Maron-Katz et al., 2016a]).

Fig.1.状态预测精度作为图密度函数。分类精度作为图密度的函数。Y-轴描述sd-sr的分类精度,X轴作为选择图的函数阈值(轴)。d=12产生的精度最高(0.765) 因此,它被用于随后的所有分析。

验证图模块化的变化与行为/任务诱导活动的关系

最后,为了检查睡眠剥夺后的网络变化是否与我们的受试者显示的行为障碍相关联,研究者将模块化和节点测量与PVT任务表现和PANAS心情评分评估的认知和情感结果相关联。同时已知在睡眠剥夺后,丘脑和运动连接与PVT性能相关,研究者测试了不同状态下相关在PVT的之和somato-motor/salience模块密度之间的相关性。为了检查情绪变化,因为有研究者提出了将左前额回(MFG)激活与情绪变化相关联,研究者测试了负面和积极的PANAS评分作为前额回度的函数,并且为了探究静息态网络的变化能付预测情绪变化总的杏仁核反应的变化,研究者对任务态的杏仁核激活变化与各个模块的相关性进行了分析。

结果

最能够显著划分睡眠剥夺和睡眠保持的区域,这几个区域在一个三维大脑中画出,圆圈的大小代表状态的更改(见表一),蓝色和红色圆圈分别表示在睡眠剥夺之后连接数显著的增加或减少。

睡眠剥夺后模块性改变(a)所有的参与者在睡眠剥夺后,构建的脑网络的模块性显著性降低(b)50%的连接的可视化(c)不同状态下的五个功能模块,蓝色表示尽在睡眠保持阶段存在模块,红色表示仅在睡眠剥夺存在的模块。重叠的区域用紫色表示。

参与系数。参与系数在睡眠状态的变化(a)在睡眠不多后,平均参与系数显著的降低,(b)睡眠剥夺后,结点的分布显著的改变了它们的参与系数(睡眠保持的模块)。大多数fp-dmn模块以及 SMN-salience模块的节点的连通性在模块间发生了巨大的变化,(c)SMN-salience模块在睡眠剥夺后的连接结构变化,实线表示稳定的连接,虚线表示睡眠剥夺后降低的连接,节点颜色代表睡眠剥夺后的模块 (蓝色:salience模块;黄色:视觉模块;绿色:smn-dorsal模块)。

模块化变化与行为关系。 标准化后的模块化结构的变化以及与行为和任务反应性的关系。 (A)晚上睡眠剥夺后的PVT平均次数(左)及其与SMN-salience模块密度(右)的相关性。负相关表明,较稀疏的SMN模块会导致更差的任务性。 (B)睡眠剥夺后,消极情绪显着增加(左),左MFG的密度与恶心消极情绪呈负相关(右)。 (C)在睡眠剥夺和保持左侧杏仁核N-Back任务期间的情绪的相关性(左)对中性刺激的反应性与杏仁核边缘模块密度增加的相关性(右)。 正相关表明休息期间边缘模块连接的睡眠相关变化可以预测后续任务执行过程中的杏仁核反应性。

最后总结

研究者利用数据驱动的方法发现大脑能够有效的保证功能隔离,但是在睡眠剥夺后,会导致一个随机的脑网络结构。这些变化以主要在limbic, salience区域,以及静息状态的脑网络,进一步发现在睡眠剥夺后杏仁核的变化与情绪状态或者任务态有关。这些发现确认睡眠不足对大脑功能的影响。

参考文献:BenSimon E, Maron‐Katz A, Lahav N, et al. Tired and misconnected: A breakdown ofbrain modularity following sleep deprivation[J]. Human Brain Mapping, 2017,38(6): 3300-3314.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-07-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏吉浦迅科技

NVIDIA cuDNN - 用于机器学习的GPU库

NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中,如加州大学...

3186
来自专栏悦思悦读

自己动手制作“平均脸”【2】

在本系列的上一篇中,我们讲解了用Image morphing方法合成人脸图片的基本原理。 所有代码都在:https://github.com/juliali/A...

4179
来自专栏机器之心

贾扬清撰文详解Caffe2:从强大的新能力到入门上手教程

选自 Nvidia Blog 作者:Aaron Markham、贾扬清 机器之心编译 昨天,Facebook 推出了 Caffe2,一个兼具表现力、速度和模块性...

2793
来自专栏AI研习社

深度学习下的医学图像分析(四)

对与深度学习相关的医疗保障工作而言,2017 年的 “Nvidia GTC 大会” 绝对是一个绝佳的信息来源。在大会上,有诸如 Ian GoodFellow 和...

4216
来自专栏AI研习社

用 TensorFlow 目标检测 API 发现皮卡丘!

在 TensorFlow 众多功能和工具中,有一个名为 TensorFlow 目标检测 API 的组件。这个库的功能正如它的名字,是用来训练神经网络检测视频帧中...

1265
来自专栏玉树芝兰

如何用 Python 和 fast.ai 做图像深度迁移学习?

说得对!我要感谢你对我专栏的持续关注。我确实讲过深度学习做图像分类,以及迁移学习这两项内容。

1012
来自专栏企鹅号快讯

2017年深度学习必读31篇论文

新智元报道 作者:Kloud Strife 译者:刘光明,费欣欣 【新智元导读】2017年即将擦肩而过,Kloud Strife在其博客上盘点了今年最值得关注的...

20510
来自专栏CSDN技术头条

干货 | 机器学习在web攻击检测中的应用实践

一、背景 在web应用攻击检测的发展历史中,到目前为止,基本是依赖于规则的黑名单检测机制,无论是web应用防火墙或ids等等,主要依赖于检测引擎内置的正则,进行...

2009
来自专栏深度学习

机器学习在web攻击检测中的应用实践

一、背景 通俗地讲,任何一个的机器学习问题都可以等价于一个寻找合适变换函数的问题。例如语音识别,就是在求取合适的变换函数,将输入的一维时序语音信号变换到语义空间...

3755
来自专栏量子位

深究机器学习的软肋:难以防范的对抗攻击,让机器产生了幻觉

OpenAI研究员Ian Goodfellow等人今天发表文章,详细描述了机器学习模型面临的“对抗范例(adversarial examples)”攻击,以及目...

3234

扫码关注云+社区