专栏首页脑电信号科研科普NeuroImage:警觉性水平对脑电微状态序列调制的证据
原创

NeuroImage:警觉性水平对脑电微状态序列调制的证据

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

大脑的瞬时整体功能状态反映在其电场构型中,聚类分析方法显示了四种构型,称为脑电微状态类A到D。微状态参数的变化与许多神经精神障碍、任务表现和精神状态相关,这确立了它们与认知的相关性。然而,使用闭眼休息状态数据来评估微状态参数的时间动态的常见做法可能会导致与警觉性相关的系统性混淆。研究人员研究了两个独立数据集中的微状态参数的动态变化,结果表明,微状态参数与通过脑电功率分析和fMRI全局信号评估的警觉性水平有很强的相关性。微状态C的持续时间和贡献,以及向微状态C过渡的概率与警觉性正相关,而微状态A和微状态B则相反。此外,在寻找微状态与警觉性水平之间对应关系的来源时,研究发现警觉性水平对微状态序列参数的格兰杰因果效应。总而言之,本研究的发现表明,微状态的持续时间和发生具有不同的起源,可能反映了不同的生理过程。最后,本研究结果表明,在静息态EEG研究中需要考虑警觉性水平。

1、背景

脑电位的地形图分布反映了使用多通道头皮EEG可以有效测量的大规模脑活动。这些地形构型在大约80毫秒的短时间内保持准稳定,然后迅速切换到另一个准稳定的地形。这些重复出现的稳定几何图形被称为脑电微状态。聚类方法揭示了四种典型的地形,足以解释静息记录中约80%的变化。脑电微状态序列的时间特性会随着大量的外部和内部刺激而发生变化。

目前研究中的大多数都是单独使用闭眼休息状态的EEG记录进行的。大多数受试者都会感到困倦,这是一种介于清醒和入睡之间的中间状态,其特征是反应迟缓和注意力降低。从完全清醒到入睡的特征是,闭眼后α功率急剧增加,α功率聚焦逐渐变大,随后δ和θ活性增加表明进一步转变为昏昏欲睡。

由于脑电微状态的分类强烈依赖于α频率的功率,因此可以合理地假设脑电微状态的时间特征可能受到警觉性变化的影响。为了验证这一假设,本研究使用两组独立的同时闭眼的EEG/fMRI静息状态数据集,研究了EEG微状态参数的特征与警觉性水平的关系。这些数据集能够1)测试EEG微状态参数与基于EEG和fMRI指标的警觉性估计之间的关联,2)评估警觉性损失与EEG微状态特征的时间动态变化之间的潜在因果关系。

2、方法

2.1 数据采集

分析是在两个独立的同时记录的EEG/fMRI数据集上进行的。

2.1.1 数据集1

第一组数据包括39名健康男性志愿者(平均年龄43.7±9.8岁)在一次EEG和3T fMRI同时进行的12分钟闭眼静息状态记录。

2.1.2 数据集2

第二组数据包括20名健康男性志愿者(平均年龄26.8±7.6岁)在一次EEG和3T fMRI同时进行的10分钟闭眼静息状态记录。

2.2 数据预处理

2.2.1 EEG

首先,通过由Bergen EEG-fMRI工具箱使用以滑动窗口方式从25个MRI伪影获得的MRI模板波形实现的运动信息模板减法从EEG数据中去除梯度伪影。其次,对脑电数据进行0.3~200 Hz的带通滤波,然后下采样至1000 Hz。然后,对于数据集1和2,将数据分别分割成2s和1.8s的片段(即BOLD静止状态扫描的TR),并去除包含肌肉和头部运动伪影(频谱功率在110-140 Hz之间的离群值)的片段。使用EEGLAB提供的例程对包含超过50%的具有伪影的片段的通道进行插值。最后,对EEG数据进行ICA分解,去除反映眼球运动、持续肌肉活动和残留MRI伪影的成分。数据集1中的6名受试者和数据集2中的1名受试者因脑电质量较低或数据采集过程中的技术问题而被排除在进一步分析之外。

2.2.2 fMRI

使用SPM12工具箱对fMRI数据进行预处理。将结构T1加权体积与平均功能图像配准并进行分割,以便将功能和结构图像归一化到MNI的模板脑中。最后,通过减去平均值并将产生的差值除以平均值来归一化每个体素的时程。然后,通过对灰质组织概率至少60%的所有体素的归一化时间序列进行平均来估计全局信号时程。通过在3TR的非重叠窗口内计算平均值来平滑全局信号时间序列。

2.2.3 微状态提取

无伪影的EEG数据重新参考平均参考,在2至20Hz之间带通滤波,并进一步下采样至250 Hz。全局场功率(GFP)被计算为所有电极上的电势差的平方的平均值与跨电极的瞬时电位的平均值的根。提取所有标记为GFP峰值的图,并将其提交给改进的k-均值聚类算法,以推导出最大限度地解释GFP峰值图地形变异的四类微状态。然后将这四类地形图提交给完整的排列程序,以计算受试者的平均类别。将所有受试者在GFP峰值时刻的脑电地形图分配给这四种微状态中的一种,标记为同一类的连续GFP峰图被识别为属于一个微状态。将GFP峰之间的时间点分配给时间上最接近的GFP峰的微状态类别(图1A)。对于每个微状态类和每个片段,估计了四个参数,即持续时间(在当前微状态类中度过的平均时间)、出现率(当前微状态类的出现频率)、贡献(在当前微状态类中度过的总时间的百分比)和转移概率。跃迁概率被计算为观察到的跃迁概率与由随机跃迁概率模型估计的跃迁概率之间的差值。为了消除快速波动,通过在3TR的非重叠窗口内计算平均值(数据集1和数据集2的窗口长度分别为6s和5.6s),平滑了状态参数的时程。

图1 微状态提取和参数。(A)微状态提取过程的示意图。(B)闭眼休息时数据集1(左侧)和数据集2(右侧)的四个脑电微状态类别的头表面地形图。©四个微状态类别的参数(平均值±标准差)。

2.3 警觉性水平的估计

为了获得警觉性波动的时间动态,使用非重叠Hamming窗(数据集1:500点,时间宽度2.0,数据集2:450点,时间宽度1.8s)估计每个通道的脑电功率谱密度。接下来,通过计算每个频率下所有通道的均方根值来估计全局谱图。然后,警觉性时间序列被计算为α频段(7-13 Hz)的均方根幅度除以每个时间点的δ和θ频段(1-7Hz)的均方根幅度。为了评估警觉性度量的可靠性,使用VIGALL 2.1提取了数据集1的警觉性分数,并对两种方法的输出进行了相关分析。

2.4 统计分析

2.4.1 评估警觉性水平、微状态参数和全局信号之间的关联

本研究从两个层面分析了微状态参数与警觉性之间的关系。首先,根据被试的平均警觉性与微状态参数均值之间的Pearson相关关系来估计警觉性水平与微状态参数之间的关联。为了解释多重测试,使用12次比较中的错误发现率(FDR)校正对结果进行了校正。

其次,考察了微状态参数与警觉性水平之间的时间相关性。对于每个受试者,计算警觉性时间序列与每个微状态参数的时程之间的Pearson相关性。使用超过12次比较的FDR校正对结果进行了校正。为了研究微状态参数的频率依赖性,重复分析了α和δ+θ频率范围内的EEG频率功率和微状态参数。

将警觉性和微状态参数的时间序列与SPM12工具箱的典型血流动力学响应函数进行卷积,以解释血流动力学延迟。对于每个受试者,计算了周期时间序列与fMRI全局信号的时程之间的线性Pearson相关性,以及各微状态参数与fMRI全局信号的时程之间的线性Pearson相关性。使用超过12次比较的FDR校正对结果进行校正。

2.4.2 多重比较

脑电微状态参数之间有很强的相关性。然而,转移概率和出现率的相关性已经被考虑在内,因为转移概率被估计为观察到的转移概率和从随机转移概率模型估计的转移概率之间的差值。因此,通过对12个比较(4个微状态类别×3个参数(持续时间、出现率和贡献)或12个转移概率)的错误发现率(FDR)校正,对结果进行了调整。

2.4.3 多变量模式分类

为了检验在先前的相关性分析中观察到的单变量相关性是否允许警觉性水平的时间重构,使用支持向量机回归来预测基于微状态参数的警觉性时间序列。预测基于24个微状态参数(4×持续时间、4×出现率、4×贡献、12个转移概率)。为了考虑受试者之间的变异性,通过减去最小值,并将受试者整个时间过程中参数的最大值和最小值的差值进行分配,将每个微状态参数的值归一化在0到1之间。采用了受试者水平2折交叉验证。整个过程重复100次,受试者被随机分配到训练组和测试组。根据估计的警觉性时间序列与实测警觉性时间序列之间的Pearson相关性,对模型的性能进行了评估。为了针对零分布进行测试,随机交换了不同受试者的微状态参数时程,并重复了1000次预测过程。最后,测试了这些效果是否可以跨数据集传输,使用了具有相同设置的支持向量机回归。在第一个数据集的所有受试者的数据上训练模型,并在第二个数据集的所有受试者的数据上进行测试,反之亦然。为了针对零分布进行测试,随机交换了训练数据集中不同受试者的微状态参数时程,并重复了1000次预测过程。

2.4.4 因果效应评估

为了检验微状态参数和警戒波动之间的潜在因果效应,计算了Granger因果关系(GC)。使用MVGC工具箱计算了微状态参数和警觉性时间序列的时程之间的GC。对于每个微状态类和每个微状态参数,首先基于贝叶斯信息准则(BIC)估计最优滞后。然后,使用源和目标对的微状态参数/警觉性来计算模型阶数为1的时域成对条件GC值,计算了对比方向和通道的差值GC值。通过对引导的平均增量GC值(取决于效果的方向)超过或低于零的情况求和,并将和除以迭代次数来计算p引导值。因此,正的δ GC值将指示警觉性对微状态参数的因果影响,而负的值将指示反方向的调制。最后,为了获得双尾p引导值,将这些值乘以2。

3、结果

3.1 脑电微状态

四个脑电微状态类别(图1B)分别解释了数据集1和2的平均总地形方差的77.8±2.9%和76.1±3.6%。图1C显示了两个数据集的平均持续时间、平均出现率和平均贡献。

3.2 警觉性水平和微状态参数的相关性

平均警觉性水平和微状态参数平均值之间的Pearson相关性(图2)显示,在两个数据集中,平均警觉性水平与微状态C的平均持续时间和贡献显著正相关。微状态B的平均出现率与警觉性水平在第一个数据集中呈负相关,在第二个数据集中显示出相当大的显著性趋势(p=0.058)。此外,微状态A的出现率和贡献与平均警觉性水平呈负相关,而微状态D的持续时间与平均警觉性水平呈正相关。本研究发现从微状态A向微状态C转变的概率与警觉性水平显著正相关,并且从微状态D向微状态A转变的概率与警觉性水平呈显著的负相关趋势(数据集1:p=0.0638,数据集2:p=0.0499)。警觉性水平越高,微状态C的持续时间越长,微状态B的出现率越低,不同微状态之间的转换路径也随着警觉性水平的变化而改变,其中向微状态C转换的概率更高。

图2 两个数据集闭眼休息时四个微状态的平均警觉性水平和脑电微状态参数的平均值的关联。

警觉性时间序列与时程之间的时间相关性显示,微状态C的持续时间和贡献的时程与警觉性呈显著正相关。微状态A和B的出现率和贡献的时程与警觉性呈负相关(图3A)。然而,微状态D持续时间的时程与警觉时间序列呈正相关。此外,还观察到从微状态A到微状态C的转变概率的时程与警觉性时程呈正相关(数据集1:p<0.001,数据集2:p=0.064)。对于这两个数据集,其他关联没有类似的结果。

图3 两组数据闭眼休息时警觉时间序列与脑电微状态参数的时程关系。

3.3 基于微状态参数的全警觉性时间序列多元模式分类

利用支持向量机回归对基于脑电微状态参数的警觉性水平进行时间重建,结果表明,数据集内和数据集之间的预测都是可能的(图4)。对于这两个数据集,估计和测量的警觉性时间序列之间的相关性显著高于机率水平(p<0.001)。值得注意的是,交叉数据集测试的测试和训练精度相当类似(训练数据集1,测试数据集2:r训练=0.66,r测试=0.51;训练数据集2,测试数据集1:r训练=0.57,r测试=0.63),这说明警觉性度量在两个数据集之间的成功转移,而确切的r值可能受到两个数据集的不同样本大小的影响。

图4 基于脑电微状态参数的警觉性时间序列预测的支持向量回归(SVR)方法。

3.4 微状态参数时程与BOLD全局信号的相关性

研究发现两个数据集的警觉性水平的时程与全局信号的时程之间存在显著的负相关(数据集1:p=-6.21,p<6×10-7,数据集2:t=-4.35,p=4×10-4)。微状态C的持续时间和贡献的时程与全局信号呈负相关(数据集1:p=0.014,数据集2:p=0.046),微状态A的贡献时程与全局信号呈正相关(数据集1:p=0.027,数据集2:p=0.046)(图5)。有趣的是,微状态B的参数没有显示出与全局信号的关联,并且全局信号时程与微状态转移概率的时程之间的关联性很弱,没有达到显著水平。

图5 两个数据集闭眼休息时,fMRI全局信号时间序列与脑电微状态参数的时程之间的关联。

3.5 警觉性对微状态参数的因果影响

对微状态参数和警觉性波动之间相互作用的时间动态的Granger因果关系估计揭示了警戒变化对微状态参数的时态特征的因果影响。对于两个数据集,警觉性Granger的变化导致了微状态A的出现率、持续时间和贡献、微状态B的出现率以及微状态类C和D的持续时间的变化(见表1)。

表1 微状态参数的时程和警觉性时间序列之间的因果关系的结果。

4、讨论

微状态的时间动力学已被证明反映了许多认知过程,并与大量的精神障碍有关。本研究查看了两个独立的数据集,发现微状态的时间结构与使用EEG频率功率测量的警觉性水平以及基于fMRI的全局信号的测量结果是一致的。重要的是,本研究发现微状态和警觉性水平是有因果关系的,警觉性水平的变化会引起微状态参数的变化,且这种关联具有预测力,可以根据微状态参数在一定程度上重建警觉性的时间动态。

4.1 闭眼休息状态下的警觉性损失

在本研究中,只有来自两个受试者的数据出现了使用VIGALL量化的睡眠开始。一个可能的原因是,数据是在实验一天开始时获得的,这两个数据集的受试者仍然保持着高度的动机和兴奋。

4.2 微状态A和微状态B的作用

研究发现微状态A和B的发生与警觉性水平呈负相关。微状态B类被认为与视觉休息状态网络相关,并被证明与视觉形象思维有关。微状态A的来源似乎在时间区域,并且可以与听觉休息状态网络相关联。也有研究发现了相反的证据,即微状态A可能与视觉有关,微状态B可能与言语过程有关。

4.3 微状态C的作用

我们观察到微状态C的持续时间与警觉性正相关,这有利于该微状态在认知控制过程中的作用。

4.4 微状态D的作用

微状态D的持续时间与警觉性水平呈正相关。微状态类可能反映了注意力的焦点转换和反射性。

4.5 脑电微状态和睡眠

微状态A、B和C的参数与睡眠有很强的相关性,脑电微状态参数与警觉性之间的关系是非线性的。

4.6 与fMRI全局信号的关系

研究发现警觉性与fMRI全局信号之间存在负相关。此外,还发现fMRI全局信号与微状态C的持续时间和贡献以及微状态A的贡献有关。本研究结果支持全局信号的部分神经起源,并提示微状态参数与全局信号之间的联系主要由警觉性介导。然而,微状态B的参数以及微状态之间的转移概率与全局信号没有显示出任何关联。这表明,警觉性的改变可能会在多个层面上影响大脑动力学,而影响微状态参数和全局信号的机制本质上是不同的。

4.7 扣带回皮质的潜在调节作用

考虑到扣带回皮质和觉醒的作用,扣带回皮质的活动在警觉性水平与微状态序列出现之间的因果关系中起中介作用。

4.8 预测精度

研究发现观测到的微状态参数与警觉性时间序列之间的关联具有预测能力。考虑到警觉性水平是生物体的一个基本的特征,部分地受到身体的调节,研究人员推测微状态的时程是通过多个系统受到警觉性的影响。

5、结论

本研究证明了警觉性水平的波动和休息前10分钟内脑电微状态的时间动态之间的相关性,而且至关重要的是,它们之间存在因果关系。微状态C的持续时间和贡献与警觉呈正相关,而微状态A和B的出现率和贡献与警觉性呈负相关。警觉性的变化导致脑电微状态参数的变化。这些观察结果突显了在脑电微状态参数研究中考虑警觉水平的重要性。本研究认为扣带皮层可能是一个潜在的中介,脑电微状态可能通过整合多个神经机制对警觉性水平的变化做出反应。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 慢波睡眠中脑电微状态与脑功能网络的相关性

    脑电图(EEG)的微观状态在清醒状态下已被广泛研究,并被描述为“思维原子”。先前对脑电图的研究已经发现了四种微状态A、B、C、D,它们在静息状态下是一致的。同时...

    悦影科技
  • Human Brain Mapping:广泛性焦虑症患者低频振幅ALFF的动态变化

    广泛性焦虑症(Generalized anxiety disorder,GAD)是一种普遍的精神障碍,其特征为对日常生活或可能发生事情的莫名、长期、持续的担忧。...

    悦影科技
  • EEG溯源分析:首发精神分裂患者γ频段功能连接的增强

    大量的研究已经表明,精神分裂症(schizophrenia, SZ)的临床和认知症状最好用不同脑区之间的连接异常而不是某个特定脑区的异常来解释。EEG/MEG的...

    悦影科技
  • 程序员到底应该学习什么语言好?

    可能小伙伴儿们会想“兴趣”不应该是第一位吗?为什么说就业机会是第一位呢,因为就业机会决定了你能否在这一行坚持走下去,兴趣虽然重要,但就业是基础。举个例子:年轻人...

    码农小胖哥
  • Java泛型详解:<T>和Class<T>的使用。泛型类,泛型方法的详细使用实例

    首先告诉大家ArrayList就是泛型。那ArrayList能完成哪些想不到的功能呢?先看看下面这段代码:

    用户7886150
  • Spring Boot(十七):使用 Spring Boot 上传文件

    上传文件是互联网中常常应用的场景之一,最典型的情况就是上传头像等,今天就带着带着大家做一个 Spring Boot 上传文件的小案例。

    纯洁的微笑
  • ATM金融行业密钥原理讲述与技术详解

    假设我们有一段数据,是ATM取款的报文,包括一个人的磁卡号、密码、取款金额。现在需要将这些数据从一台ATM机器传到前置机处理,这些数据是比较机密的,如果被人窃取...

    提莫队长
  • python基础(一)

      python的创始人为吉多·范罗苏姆(Guido van Rossum)。1989年的圣诞节期间,吉多·范罗苏姆为了在阿姆斯特丹打发时间,决心开发一个新的脚...

    用户1432189
  • 一日一技:print大法为什么会浪费你的时间?

    我是极度反对使用Python 2的,但是可能有一些项目由于历史原因不得不使用Python 2,那么你可能会遇到一些非常诡异的问题。

    青南
  • springboot(十七):使用Spring Boot上传文件

    上传文件是互联网中常常应用的场景之一,最典型的情况就是上传头像等,今天就带着带着大家做一个Spring Boot上传文件的小案例。 1、pom包配置 我们使用S...

    纯洁的微笑

扫码关注云+社区

领取腾讯云代金券