老年人θ-γ跨频率耦合与工作记忆表现之间的纵向关系

摘要：θ-γ耦合（TGC）是支撑工作记忆的一种神经生理机制，与N-back任务（一种工作记忆任务）的表现相关。与TCG类似，θ和α能量的事件相关同步（ERS）与事件相关去同步（ERD）也和工作记忆有关。但目前为止，还鲜少有研究探讨工作记忆任务表现与TCG，ERS和ERD之间的关系。本研究旨在探讨在六到十二周时间范围内，不同临床症状的老年人工作记忆表现的变化是否与TCG，ERS或ERD的变化相关。两组共62名60岁以上的被试参与了研究，一组是无精神疾病控制组；一组是缓解期的重度抑郁症（MDD）老年人。在N-back任务（3-back条件）期间，用EEG评估被试的TGC，ERS以及ERD指标。结果显示，随着时间推移，在控制组中的TGC、α频段的ERD和ERS以及θ频段的ERS改变与3-back任务表现的改变相关；然而在MDD组中，3-back任务表现的变化只与TCG的改变相关。这表明，随着时间的推移，在不同临床状况人群下的工作记忆表现与TGC之间的关系是稳固的，但对于θ和α频段的ERS和ERD来说，它们与工作记忆之间的关系则没那么稳固。

1. 引言

反映特定认知过程的不同频率大脑振荡活动已经得到了许多研究。这些振荡活动是自发产生的，并且彼此之间会产生交互耦合。不同频率之间的振荡耦合被称之为跨频率耦合（CFC），相振幅耦合（PAC）就是是CFC的一种常见形式，它指的是高频振荡的振幅被低频振荡的相位调制的一种现象。θ-γ耦合（TGC）就是一种常见的PAC，它指的是θ振荡（4–8 Hz）的相位调制了γ振荡（30–80 Hz）的振幅。TGC一般被认为是工作记忆加工的一种神经生理机制，是信息呈现顺序编码的体现。动物模型表明，γ振荡代表着记住了单个项目的信息，θ振荡表征被记住项目的时间间隔，θ振荡的相位对γ振荡振幅的调节即编码了信息的间隔顺序。具体来说，特定神经元的亚群通过它们独特的活动模式表征了单个项目的信息，每个信息项由唯一的γ振荡模式编码，序列中的后续项则由后续的γ振荡进行编码。

TGC在人类大脑的多个区域中都有发现。比如一些早期的研究探讨了海马部位的TGC在记忆编码中的角色；另一些研究则详细探讨了前额叶、额叶和顶叶以及基底神经节TGC的作用。

研究者及其同事之前的主要工作关注的是工作记忆任务中尤其是N-back任务的信息顺序问题。他们前期在健康青年人、健康老年人、阿尔茨海默症患者（AD）以及轻度认知障碍患者（MCI）执行N-back任务的时候发现了TGC与信息的顺序之间存在相关关系。并且在上述研究中，TGC也与他们N-back任务的表现相关，因为正确的表现往往需要精准回忆字母呈现的顺序。最近，他们发现在健康老年人、MCI患者以及缓解期重度抑郁症（MDD）老年人执行N-back任务时测量到的TGC可以预测其他工作记忆任务下的表现。上述结果表明TGC与认知任务中的信息排序操作存在关系，它可能是信息顺序编码的神经生理指标，并且这种关系与任务或者临床状况无关。然而，到目前为止，关于TGC和工作记忆任务之间关系的研究大多是横向的。

除了TGC，事件相关同步（ERS）和事件相关去同步（ERD）也被认为是与工作记忆表现相关的EEG特征。ERS指的是在刺激呈现之后特定频率的功率增加，ERD指的是刺激呈现后的功率下降。这些功率变化是由刺激呈现相关的神经元细胞群同步放电引起的。先前在N-back任务中关于ERS和ERD的研究得到了相对一致的结果：即在额叶区域表现为θ能量的ERS，枕叶区域表现为α能量的ERD。具体来说，刺激呈现之后额叶区域θ功率的上升（θ ERS）与记忆的编码和检索有关；因此，θ ERS可能是注意力需求或者工作记忆加工的表现。与之相反，枕叶区域的α振荡是静息状态下占主导地位的大脑活动特征，并且它会在认知激活（比如工作记忆任务）之后就消失。因此，在诸如N-back的工作记忆任务期间，刺激呈现后α功率的降低（α ERD）被认为反映了枕叶区域的参与。

ERS和ERD的改变与年龄相关，老年人的额叶θ ERS活动更低。ERS和ERD的改变也与诸如MCI和AD等临床症状相关。这些先前的研究表明，由于θ ERS和α ERD在工作记忆任务中的一致性，它们可能是一种具有代表性的工作记忆的神经生理基础；并且它们还与年龄和临床症状相关。然而，对ERS和ERD和工作记忆之间的关系的研究大都是基于横向的；对于上述问题，即θ ERS和α ERD是否能作为工作记忆的神经生理标志，仍需要纵向研究来确定。到目前为止，还没有研究调查ERS或ERD与工作记忆表现之间的纵向关系。因此，ERS和ERD的纵向变化与行为表现的变化之间的关系尚不清楚。

为了更好地描述和理解EEG特征（即TGC、θ ERS以及α ERD）与工作记忆之间的关系，进行纵向研究很有必要，特别是包括不同人群或不同临床状况下对比（例如药物治疗或其他干预）的纵向研究。进一步说，能否将TGC、θ ERS以及α ERD纳入临床诊断的生物标志物，作为临床干预的参考，需要来自不同临床状况下的纵向对比研究。因此，在本研究中研究者检验了TGC和工作记忆表现之间的纵向变化关系。研究者假设，在3-back条件下测得的TGC纵向变化与3-back任务表现的纵向变化相关。同时，研究者还进行了探索性分析，来检验工作记忆表现、额叶θ ERS或ERD和枕叶α ERS或ERD之间的纵向关系。为了实现这一目标，研究者首先在一组健康老年人中进行了分析，然后在一组MDD老年人中进行了同样的分析。

2. 材料和方法

2.1 被试

被试是从加拿大多伦多的两项临床试验中招募的。非精神病（健康）对照组的被试招募自项目“通过认知治疗预防阿尔茨海默氏痴呆症和经颅直流电刺激治疗轻度认知障碍和抑郁症（PACt-MD）研究”，项目编号NCT02386670；老年MDD患者招募自项目“使用经颅直接电流刺激增强晚年抑郁症的认知能力研究”，项目编号NCT02212366。从这两项研究中招募的被试中均无认知障碍或痴呆（MCI或AD）。MDD被试在入选时处于缓解期，所有被试都提供了经当地研究伦理委员会和安大略省临床试验委员会批准的书面知情同意书（针对PACt-MD）。被试是通过口碑推荐、临床医生推荐和广告招募的。

2.1.1 控制组被试

PACt-MD被试的入选标准已在其他地方全文发表。简而言之，对照组年龄均在60岁及以上，不符合任何疾病诊断和统计手册的疾病诊断标准。有明显的神经系统疾病（如中风、癫痫病等）或不稳定的医疗疾病（如糖尿病或高血压）的被试均被排除。此外，除佐匹克隆（15毫克/天）、曲唑酮（150毫克/天）、苯并二氮䓬类（3毫克/天）劳拉西泮等价物、或加巴喷丁或普瑞巴林（用于疼痛）药物外，对照组被试未服用任何精神药物。

2.1.2 MDD患者

MDD被试的入选标准也已在其他地方全文发表。简而言之，这些参与者是60岁及以上的社区成年人，符合DSM-IV终生标准判定的的单一或复发性MDD，在参与研究时已完全缓解。评估标准是DSM-IV的结构化和临床访谈（SCIDIV）以及蒙哥马利-奥斯伯格抑郁症评分表（MADRS，分数<10）。此外，如果被试符合DSM-IV标准的痴呆症、终生双相情感障碍、精神分裂症、精神情感障碍或其他精神病性疾病，或在过去6个月内有药物滥用或成瘾，则被排除在研究之外。最后，如果MDD患者被试在过去6个月内有任何不稳定的医学疾病或接受过电休克治疗，也被排除在外。

2.2 研究设计

2.2.1 控制组被试

被试完成了两次带EEG记录的N-back任务：第一次作为基线标准，第二次是在基线后约12周（记为T1；平均时间间隔为12.42周，标准差4.12；研究时间安排见图1）。在PACt-MD项目的120名非精神病患者中，78人同意接受脑电记录，52人完成了基线脑电。这其中有5名被试的基线脑电数据因噪声过大或由于技术上的困难导致数据没有被成功记录，因此控制组被试总共有47人有可用的基线脑电数据。在这47个人中，有38人参与了随访阶段（T1）的脑电数据采集。而由于数据收集问题，有4名被试T1时间点的数据无法使用，因此最终纳入分析的被试数量为34人（见图2）。

图片

图1. MDD研究和PACt MD研究中TDC的研究时间表。tDCS：经颅直流电刺激；MDD：重度抑郁症；NP：神经心理学测试；脑电图：脑电图；PACt MD：认知修复加经颅直流电刺激预防轻度认知障碍和抑郁症的阿尔茨海默病痴呆。

2.2.2 MDD患者

所有MDD参与者都完成了带EEG记录的N-back基线评估。基线评估完成后，参与者按1:1的比例随机接受主动或假性TDCS，频率为5天/周，持续2周（即10次）。干预的细节见（Kumar等人，2020）。之后，在干预后的第14天（T1）和第90天（T2）分别完成两次N-back EEG评估（研究时间轴见图1）。

TDCS随机对照试验（RCT）的结果发表在（Kumar等人，2020），结果显示MDD患者的工作记忆表现或整体认知能力在主动TDCS条件与假TDCS条件下均没有显著变化；并且主动TDCS组与假TDCS组的神经生理学变量也没有变化。因此，本研究中研究者将这两个随机组合并为一个组进行后续测试研究，共有33名参与者。其中，一人在干预期间退出，两人在之后的随访阶段因抑郁症复发而退出（见图3），因此最终有25名MDD被试有可用基线和至少一次随访EEG数据。

图片

图2. PACt-MD项目被试的挑选流程图。PACt-MD：通过认知治疗预防阿尔茨海默氏痴呆症和经颅直流电刺激治疗轻度认知障碍和抑郁症的研究；EEG：脑电图。

图片

图3. 参与tDCS的MDD患者挑选流程图。EEG：脑电图；P14，tDCS干预后的第14天；P90，tDCS干预后的第90天。

3. 评估

3.1 临床评估

3.1.1 控制组被试

所有控制组被试都进行了SCID量表筛查，符合DSM 5评分标准的被试均被排除。所有控制组被试还进行了MADRS测查，得分超过10分的被试被排除在研究外。最后，控制组被试还进行了简易精神状态检查量表测试（MMSE）和蒙特利尔认知评估（MoCA），以确保他们的基本认知能力无异常。

3.1.2 MDD被试

在基线条件下，使用SCID对MDD患者进行病情的确认诊断，并且在研究的所有时间点，使用MADRS评估当前的抑郁情况。此外，MDD被试还进行了临床痴呆评分量表（CDR）和老年人认知能力下降调查问卷（IQCODE）来确保他们没有重大的认知问题。此外，在所有时间点，MDD被试都进行了贝克自杀倾向量表以确保他们没有自杀倾向。

3.2 N-back任务

N-back是一项连续的工作记忆任务，在任务期间，被试需要确定当前呈现在屏幕上的刺激和N个试次之前的刺激的异同。N的数量范围从0到3，代表不同工作记忆需求。研究者选择3-back作为主要的任务条件是因为它对信息排序操作的要求和工作记忆的需求都更高，而这又是MDD研究结果的主要衡量标准。在N-back过程中，在屏幕中间呈现黑色大写字母250毫秒，然后是3000毫秒的反应时间，在此期间被试必须做出反应。3000毫秒之后呈现注视点“+”，代表该试次结束。当屏幕上出现的字母与三个试次之前的字母相同时，该试次即为靶标试次；反之则为非靶标试次（见图4）。3-back包括400个试次，其中59个是目标试次，341个是非目标试次。被试需要通过一个按键反应盒判断屏幕上的字母是与前面N个字母相同还是不同。如果相同，则按“是”按钮，若不同，则按“否”按钮。

图片

图4. N-back任务。图显示的是3-back条件下靶标试次和非靶标试次的示例以及计算ERS/ERD的时间窗。基线参考期从−700至−100毫秒（蓝色线），刺激后参考期从字母起始时间开始（0ms）到被试的反应时间点（红线）。

N-back的准确率用d-prime（d’）指标计算。d’是基于击中率和虚报率Z分数的敏感度指数，其计算公式如下：

d’= z(H) − z(FA)

在该公式中，H指代击中（正确识别出3-back条件下的相同字母）的比率，FA是虚报（当前字母与3-back之前的字母不同，但却被误判为相同）的比率。由于当击中率或虚报率为0或100时，转换过后的Z分数就会变成无穷大或者无穷小，因此研究者采用了一种通用的调整办法，即当击中率或虚报率为0时将Z分数算作1，为100时算作99。

3.3 EEG数据的采集与处理

在被试完成N-back任务时，使用64通道的Synamps 2脑电采集系统和10-20 montage电极帽采集脑电数据。参考电极为Cz后方的一个电极，采样率为20kHz。使用直流和100赫兹的低通滤波器记录脑电信号。用MATLAB（The MathWorks, Inc.）和EEGLAB对EEG数据进行离线处理。数据处理流程遵从其他已发表的研究的通用方法。简言之，数据首先被降采样至1kHZ，然后进行滤波，最后是基于刺激呈现前1400毫米至呈现后3100毫秒的时间窗进行分段。之后研究者创建了一个值为1的试次-电极矩阵，如果某一个数据分段（试次）符合以下几种情况，则它在试次-电极矩阵里的值赋为0；它们分别是：（1）振幅大于±150 μV；（2）违反1/f幂律的功率谱；（3）幅值超过试次平均值的三个标准差；（4）相应列有超过20%的行（即通道）编码为零。如果电极对应行的试次编码为0秒，则该电极被排除。分段数据由训练有素的研究人员人工检查以排除异常数据。之后对数据进行独立成分分析（ICA；EEGLAB工具箱；Infomax算法）以去除数据中的噪音，包括眨眼和肌肉伪影。由经过培训的研究人员完成ICA的清理工作。此外，MDD组的数据被随机分配给经过培训的研究人员整理。在每个N-back条件下，平均有五到七个成分被移除。最后，电极被重参考到乳突电极。

3.4 θ-γ耦合（TGC）的计算

关于TGC的计算细节已在其他地方全文发表（Axmacher et al. 2010; Rajji et al. 2017; Goodman et al. 2018）。简言之，研究者首先用二阶零相移位对原始EEG信号进行θ（4-7Hz）和γ（30-50Hz）滤波。接下来，使用希尔伯特变换计算了γ振幅和θ相位的时间序列。随后按试次类型为每个电极创建了一个5000±150毫秒的联合信号，其中每个分段从刺激的呈现时间开始，到被试做出反应的时间为止。研究者选择5000毫秒的联合信号是因为调制指数（MI，TGC的度量值）取决于信号的长度，使用5000毫秒的联合信号可以确保MI的稳定性。

之后对MI值进行计算。首先，θ相位被分成十八个20 ◦的间隔。接下来，通过平均每个θ相位的γ振幅，创建一个相位-振幅分布函数。然后，通过测量均匀分布中的振幅分布来计算MI，如下所示：

MI =

图片

在该公式中，N是相位的数量，log（N）代表均匀分布的熵，P是根据相位排序的相对振幅分布，H（P）是P分布的熵，其计算方法如下：

H（P）= 

图片

更高的耦合度与更低的熵相联系，因此会导致更高的MI值。

针对每个电极都计算了一个MI值，然后分别计算了右额和左额电极（F7/8、F5/F6、F3/4、F1/2和Fz）的平均MI值。根据正确和不正确反应的数量，MI最终确定为所有目标试次的加权平均值（靶标刺激正确，TC；和靶标刺激不正确，TnC）。在这项分析中，与他们之前的工作一致，研究者使用的是靶标试次的TGC，因为靶标试次需要较高程度的排序加工，TGC的水平也更高。

3.5 事件相关同步化（ERS）和事件相关去同步（ERD）的计算

研究者首先从信号中去除诱发活动（evoked activity），以分离出诱导活动（induced activity）。诱发活动（evoked activity，例如事件相关电位，ERP）是与刺激物锁时锁相的，是由刺激物呈现直接驱动的活动。相反，诱导活动（induced activity）不与刺激物相锁定，被认为反映了与刺激物的高阶加工有关的大脑活动。在低频段（如θ）计算ERS和ERD时，诱发活动（evoked activity）会掩盖诱导活动（induced activity）。因此，为了从分析中减少诱发活动的影响，研究者首先在每个试次类型（如目标正确，TC和目标不正确，TnC）和频段（如θ和α）内进行平均，以计算每个试验类型的ERP。在得到ERPTC和ERPTnC之后，分别将其从TC和TnC试次中减去。一旦诱发活动被移除，研究者使用连续小波变换来生成时间频率图，然后从这些图中提取θ和α波段。最后将这些时频图在不同的试验类型（如TC、TnC）中取平均值，用以下公式计算ERS和ERD：

ERS（ERD）=

图片

该公式的结果正值表示ERS，负值表示ERD。

平均基线功率指的是在刺激开始前的700至100毫秒这段时间内的平均功率。刺激后的功率是指刺激呈现后的一段时间窗内的功率。这个时间窗是从刺激呈现开始，到被试在每个试次类型条件下反应时的第三个四分位数为止。这里反应时的第三个四分位数是用被试在不同试次类型（TC、TnC）条件下的反应时来衡量的。之所以使用第三个四分位数，而不是固定的刺激后截止时间，是为了更准确衡量每个被试ERS和ERD值的个体差异。具体来说，由于TGC是在被试做出反应之前测量的，因此研究者对同一时间范围内与事件相关的振荡变化（ERS和ERD）感兴趣。又由于不同被试的行为表现（反应时）变异性很大，为所有被试选择一个固定的刺激后时间窗口将导致许多被试的大部分信号被删除。因此，通过个性化的时间窗口，研究者使用每个被试的反应时的第三个四分位数来保留尽可能多的信息。对于反应时大于第三个四分位数的试次，研究者将他们的反应时被削减到第三个四分位数；而对于反应时小于第三个四分位数的试次，则对数据进行内插，以达到第三个四分位数。

在针对每个被试找到个性化计算时间窗后，研究者根据刺激后时间窗内给定频段的最大功率来计算ERS和ERD。通过平均额叶电极（F7/8、F5/6、F3/4、F1/2和Fz）区域内的θ ERS和ERD值以获得额部θ ERS和ERD；平均枕部电极（PO7/8、PO5/6、PO3/4、POZ、O1/2和Oz）的α ERS和ERD值上以获得枕部α ERS和ERD。

3.6 统计分析

所有数据均使用SPSS 25.0进行分析。通过检查每个时间点的数据的盒状图（box plot）来去除异常值（± 3标准差）；最终从α ERS中去除了一个离群值，从TGC中去除了三个离群值。随后研究者采用视觉检查和Shapiro-Wilk检验确认了数据分布的正态性。最后研究者用独立样本t检验或卡方检验来比较对照组和缓解的MDD组的基线人口统计学、临床、神经心理学和神经生理学指标。

为了确定神经生理学指标的变化是否与3-back行为表现的变化有关，在每个时间点，研究者都把所有变量转换为了Z分数。然后研究者用第一次随访（T1）的Z分数减去基线的Z分数（健康老年人和MDD患者），以及用第二次随访（T2）的Z分数减去第一次随访（T1）的Z分数（MDD患者），计算出神经生理学指标随时间变化的情况。

为了探讨老年人ERS与ERD与工作记忆表现之间的关系，研究者对老年对照组构建了一个线性回归模型，其中以3-back d'的变化为因变量，以年龄、教育和3-back MI的变化为自变量。此外为了做进一步探索，研究者还将3-back条件下的额叶ERS、额叶ERD、枕叶ERS和枕叶ERD的变化列为自变量，以确定它们是否与3-back表现的变化有关。最后作为补充分析，研究者还探索了1-back和2-back条件下d'的变化与1-back和2-backs MI变化之间的关系。

另一方面，研究者还评估了3-back表现的变化是否与MDD组被试的神经生理指标的变化有关。因此，研究者进行了线性混合模型分析，以3-back条件下d' 的变化为因变量，以年龄、教育和3-back条件下MI的变化为自变量。与健康老年人类似，为了进行探索性分析，研究者将3-back条件下额叶的θ ERS、θ ERD、枕叶α ERS和α ERD的变化也列为自变量，以检验它们是否与3-back表现的变化有关。在第二个模型中，时间点（基线、T1和T2）被列为重复测量因素。最后作为补充分析，研究者还探索了1-back和2-back条件下d'的变化与1-back和2-backs MI变化之间的关系。

最后，研究者还进行了控制分析，以确定其他频段（即δ、β和γ）的变化是否与3-back d'的变化有关。为此研究者构建了三个额外的模型，其中包括以下变量作为自变量。(1) 额部δ ERS的变化、额部δ ERD的变化、枕部δ ERS的变化和枕部δ的变化；(2) 额部β ERS的变化、额部β ERD的变化、枕部β ERS的变化和枕部β ERD的变化；(3) 额部γ ERS的变化、额部γ ERD的变化、枕部γ ERS的变化和枕部γ ERD的变化。在这些模型中，3-back 条件下d'的变化均为因变量。

4. 结果

人口统计学指标、临床指标、3-back任务的表现以及神经生理基线指标数据见表1。MDD被试和对照组被试在年龄、教育、男女性别比例、3-back MI、3-back额叶的θ ERS或ERD以及3-back枕叶的α ERS或ERD方面没有差异。而在3-back d’方面，对照组被试（健康老年人）比MDD被试表现更好(t(56) = 3.39, P = 0.001)。

表1. 人口统计学、临床、N-back表现以及神经生理指标的描述统计情况

图片

∗代表α<0.05; ∗∗代表α≤0.01。除了性别，所有的统计变量都通过均值（标准差）的方式呈现；对于tDCS组，T1代表干预后的第14天，对于PACt-MD组，则指基线后的8周；T2代表干预后的90天；d’指d prime；MI代表TGC调制指数；ERS，事件相关同步化；ERD：事件相关去同步。

4.1 控制组被试

线性回归结果显示，总体模型是显著的 (F(7,24) = 6.23, P < 0.001)。对于TGC来说，3-back d’的改变与3-back MI的改变显著相关，TGC的增加与更好的工作记忆表现相关(B = 0.74, P < 0.001; 95% CI [0.43, 1.04]，见表2，图5和图6)。

此外，探索性分析结果显示，3-back d’和额叶区域的θ ERS (B = −0.40, P = 0.04; 95% CI [−0.78, −0.02])，枕叶区的α ERS(B = 0.74, P = 0.001; 95% CI [0.35,1.14])以及枕叶区的α ERD(B = −0.85, P = 0.002; 95% CI [−1.35,-0.34])显著相关。(B = 0.10, P = 0.48; 95% CI [−0.18,0.38])、受教育年限(B = 0.23, P = 0.11; 95% CI [−0.06,0.53])以及额叶区的θ ERD(B = 0.10, P = 0.54; 95% CI [−0.24,0.44])与3-back任务的表现没有关系。

最后，在控制组中，3-back d’的纵向变化与额叶和枕叶的δ、β和γ的ERS和ERD都没有关系。在在缓解组的MDD被试中，3-back d’与额叶和枕叶的δ和β的ERS和ERD，以及额叶的γ ERS和 ERD、枕叶的γ ERD都没有关系。枕叶的γ ERS和3-back d’有显著相关(B = −0.19, P = 0.02)。

表2. 健康对照组被试的3-back d’改变的线性回归结果

图片

∗代表α<0.05; ∗∗代表α≤0.01。B值，非标准系数；95% CI,95%置信区间；LL，下限；UL，上限；MI代表TGC调制指数；ERS，事件相关同步化；ERD：事件相关去同步。

图片

图5. 健康对照组TGC改变与3-back任务表现之间的偏回归图。

图片

图6. 控制组被试从基线到T1的MI变化地形图。黑框里面是分析纳入的额叶电极。A图，从基线到T1，3-back d’增加的被试的MI变化地形图（n=21）；B图，从基线到T1，3-back d’增减少的被试的MI变化地形图（n=8）；C图，从基线到T1，3-back d’不变的被试的MI变化地形图（n=5）。

4.2 MDD患者

TGC混合线性模型显示，3-back任务的d’与MI值的变化显著相关(B = 0.16, P < 0.001; 95% CI [0.08,0.24]；见表3，图7和图8)。

探索性结果显示，3-back d’ 的变化或其他神经生理学变量的变化之间没有显著关联：额叶θ ERS(B = −0.09, P = 0.34; 95% CI [−0.27,0.10])、ERD(B = −0.01, P = 0.89; 95% CI [−0.15,0.13])；枕叶α ERS(B = −0.01, P = 0.95; 95% CI [−0.16,0.15])、ERD(B = −0.08, P = 0.29; 95% CI [−0.22,0.07])。

年龄(B = 0.07, P = 0.23; 95% CI [−0.05,0.19])与受教育年限(B = −0.03, P = 0.64; 95% CI [−0.15,0.10])同样与3-back任务的表现无关。

表3. MDD被试的3-back d’改变的混合因素方差分析结果

图片

∗代表α<0.05; ∗∗代表α≤0.01。F值，方差分析结果；df，自由度；MI代表TGC调制指数；ERS，事件相关同步化；ERD：事件相关去同步。

图片

图7. MDD被试TGC改变与3-back任务表现之间的偏回归图。

图片

图8. MDD组被试从基线到T1的MI变化地形图。黑框里面是分析纳入的额叶电极。A图，从基线到T1，3-back d’增加的被试的MI变化地形图（n=26）；B图，从基线到T1，3-back d’增减少的被试的MI变化地形图（n=15）；C图，从基线到T1，3-back d’不变的被试的MI变化地形图（n=9）。

5. 讨论

本研究有两项主要发现：（1）在控制组与MDD缓解被试中，工作记忆表现的纵向变化均与他们的TGC的纵向变化相关；（2）在无精神病症状老年人（控制组被试）中存在工作记忆表现与额叶θ ERS、枕叶α ERS以及枕叶α ERD的显著相关，但在MDD组被试身上则没有。这些结果表明TGC是一个稳定工作记忆的标记物，因为在健康老年人和重度抑郁症患者身上都有发现TGC与工作记忆表现的关系。相对来说，额叶θ ERS、枕叶α ERS以及枕叶α ERD则没那么稳定。

这个结果与研究者之前的工作相一致。在他们之前的一个研究中，研究者检验了MCI、AD患者与健康老年人的TGC与N-back任务表现的关系，结果发现TGC是N-back任务表现中最重要的预测指标。在随后的一个更大规模的研究中，他们重复了上述发现，并且证实了TGC与N-back任务表现的关系横跨了MCI、MDD、MCI+MDD以及健康老年人等多种类型的被试群体。本研究的结果扩展了上述发现，证明TGC与工作记忆的关系在横向（不同临床症状群体）和纵向（不同时间段）上都是稳定的。另外也有两个研究考察了TGC和工作记忆表现的纵向变化关系，它们也都证实了二者的相关关系是稳固的。然而这两个研究关注的重点是干预之后的稳固性，并且观察之间的间隔时间都很短（1个小时/4天）。而本研究在长达3个月的时间跨度上证明了工作记忆表现与TGC的稳固关系。具体来说，在本研究纳入的被试群体中，不管是TGC还是工作记忆表现都随时间发生了变化，而经过变化之后这种相关关系仍然稳固。这表明，随时间推移，工作记忆能力和TGC是共变关系。也就是说，工作记忆能力上升了，TGC就会上升，反之亦然。这支持了TGC是支撑工作记忆加工的神经生理机制的说法。

本研究的结果还显示，老年人工作记忆表现的变化与额叶的θ ERS和枕叶的α ERS或ERD的变化之间存在关联，但这种关联在MDD患者中并不存在。这些结果表明，与TGC不一样，ERS和ERD与工作记忆能力之间的关系在不同的临床症状情况下是不稳固的。先前有研究表明，额叶的θ ERS与枕叶的α ERD是工作记忆的神经生理基础。然而，很少有研究去检验θ和α的ERS与ERD与工作记忆之间的关系，不论是从横向比较还是纵向变化来看。因此，很难将本研究的结果与其他类似的研究进行比较。

就研究者目前所知，几乎没有研究探究抑郁症中患者ERS和ERD的情况。一项研究调查了抑郁症患者接受tDCS和认知情绪训练后的神经生理学变化。尽管被试在干预之后的3-back行为表现有所提升，但是θ ERS与α ERD没有变化。这表明θ ERS与α ERD的变化与工作记忆表现的提升没有关系。本研究的结果与上述研究一致，即θ ERS与α ERD与工作记忆表现的变化没有直接关系。同样，在另一项调查TDCS对严重抑郁症的患者的神经生理影响的研究中，经过一次主动TDCS治疗后，患者的额叶θ功率下降，枕-顶叶区的α ERD增加，但TDC对行为表现没有影响。这些结果再次表明，θ ERS和α ERD的变化与工作记忆表现的变化之间没有关系，尤其是在抑郁症患者身上。而另一项研究却发现，健康青年人被试经过一个疗程的正极TDCS之后，θ和α的功率增加了，并且这些功率的变化调节了2-back任务表现的变化。这些结果同样与本研究的结果相一致，即本研究发现只在健康控制组被试中，事件相关的θ和α功率变化与工作记忆任务的表现相关。

总而言之，在长时间范围内，对工作记忆任务与ERS和ERD之间稳定性关系的研究也很少，即使有一些少数研究，它们的结果也是相互矛盾的。比如有一个研究说，随着时间的推移，顶-枕叶区域的α ERD相对稳定，而额叶的θ ERS则相对不那么稳定，另一个研究却报告了相反的结果：θ ERS在不同的评估阶段更加稳定，而并非α ERD。本研究的结果认为，相较于ERS或ERD，TGC作为工作记忆的神经生理基础是更为稳定的，因为随着时间的推移，TGC与工作记忆的关系在不同的被试群体（健康老年人，MDD患者组）中都是稳定的。

过往的研究证实，经过大脑刺激的干预之后，TGC会得到提升。有三个研究报告了经过重复经颅磁刺激（rTMS）之后，静息态的TGC得到了提升。其中的一个研究还报告了静息态TGC的提升与工作记忆能力的提升有关（威斯康星州卡片分类测试的错误数量减少）。类似的，在一个最近的研究中也报告说，在对老年人进行了单次的经颅交流电刺激之后，老年人TGC也同样提升了，并且这直接提升了老年人的工作记忆表现持续了长达50分钟之久。在另一项研究中，对两组被试进行工作记忆训练的同时分别接受了主动或者假性tDCS。结果显示，与假性tDCS相比，主动tDCS组被试额顶叶的θ振荡和颞-顶叶的γ振荡相振幅耦合（PAC）得到了提升，并且这种θ-γ的PAC提升解释了行为上工作记忆的提升。总之，上述研究的结果表明用大脑刺激的方法提升TGC是可行的，并且TGC的提升往往伴随着认知能力的提升。本研究与上述研究的结果一致，即随着时间的推移，个体的TGC存在波动变化，而这种变化趋势与他们工作记忆能力相关联。因此，本研究支持这样的观点：TGC可以作为认知障碍患者的潜在干预目标，并且TGC可以作为工作记忆能力提升的神经生理标记物。相比之下，θ ERS和ERD以及α ERS和ERD则不太适合作为干预的靶标，因为它与MDD患者的工作记忆表现没有关系，这点与其他研究一致。未来的研究应继续研究TGC与认知能力之间的关系，以及脑刺激导致的TGC增加是否与认知能力的后续增加相关。

同时，本研究的发现也存在一些局限性。首先，研究者采用了来自两个不同研究的异质样本，包括健康老年人和接受过tDCS 或假性tDCS 的MDD缓解期患者。然而，N-back任务与EEG实验的采集流程在所有被试中都是一致的，并且神经生理指标的改变也与干预无关，因此某种意义上讲被试样本的异质性反而支持了不同人群中TGC与工作记忆能力之间关联的结论的普遍性。其次，研究者是在相对短的时间范围内检验了TGC和工作记忆表现的变化，基线时间和最后一次测查的时间间隔平均为3个月。然而，其他检验TGC与工作记忆关系改变的纵向研究观察的间隔时间更短（只有几天）。因此未来的研究需要进一步在更长尺度的时间范围内（几个月）检验TGC与认知能力的关系。再次，虽然本研究发现了TGC会随时间发生改变，然而这种改变背后的机制仍然不清楚。对于本研究观察到的TGC与工作记忆改变的背后机制，仍然需要更多的研究进一步证实。此外，本研究中纳入的两组被试样本在进入研究之前均须服用稳定剂量的药物，这可能会影响EEG活动。而大多数被试在本研究的各个时间点都以相同的剂量服用相同的药物，因此研究者认为药物对EEG信号的影响是相对稳定的。最后，与刺激加工相关的眨眼神经活动已被证明会引起EEG振荡信号功率谱的变化。尽管研究者通过ICA去除了眨眼信号，但这并不能保证眨眼噪声被完全消除。因此，眨眼活动仍然会对振荡功率造成影响。另外值得注意的是，研究者对1-back和2-back的分析并没有发现N-back表现和TGC在纵向时间范围内的关联。对于此，研究者认为TGC是信息排序的专门化指标，而3-back任务是最具有挑战性，对排序要求最高的条件；因此在认知正常老年人中，纵向时间范围内表现出3-back条件下TGC与行为表现的关联是解释得通的。相反，在研究者其他已发表的研究中，在认知损伤老年人身上观察到了2-back任务条件下与TGC的关系，而这些老年人往往没办法很好地完成3-back任务，这也支撑了上述观点。对于1-back任务，研究者不认为其与TGC存在什么关联，因为1-back任务并不涉及排序操作。

综上所述，本研究在3个月的纵向时间范围内建立起了额叶TGC的改变与工作记忆表现之间的关系，即TGC的提升伴随着3-back任务表现的提升。同时，对于MDD患者，他们的额叶θ ERS/ERD、α ERS/ERD与工作记忆表现的关系仍然缺乏证据。这些结果进一步证实了，将TGC作为提升工作记忆能力的认知干预靶标或者标记物是可行的。未来的研究需要在更长的时间尺度下确认这些发现。

参考文献：Assessing the Longitudinal Relationship between Theta-Gamma Coupling and Working Memory Performance in Older Adults