健康老年人的EEG静息态脑网络

最近的研究强调了与健康老化有关的大规模大脑网络的变化，其最终目的是帮助区分正常的神经认知老化和同样随着年龄增长而产生的神经退行性疾病。功能性磁共振成像（fMRI）的新证据表明，特定大脑网络的连接模式，特别是默认模式网络（DMN），将阿尔茨海默病患者与健康人区分开来。此外，支持高水平认知的大规模大脑系统的破坏性改变被证明伴随着行为层面的认知下降，这在老龄人口中是普遍观察到的，即使他们没有疾病。虽然fMRI对于评估大脑网络的功能变化很有用，但它的高成本和有限的可及性使那些需要大量人口的研究望而却步。在这项研究中，作者使用高密度脑电图和电生理源成像研究了人类大脑大规模网络的老化效应，这是一种成本较低且更容易获得的fMRI替代方法。特别的，这项研究考察了一组健康受试者，其年龄范围从中年到老年，这在文献中是一个研究不足的范围。采用高分辨率的计算模型，这项研究结果揭示了DMN连接模式中的年龄关联，与之前的fMRI发现一致。特别是结合标准的认知测试，这项研究的数据显示，在DMN的后扣带/楔前区，较高的大脑连接与较低的偶发记忆任务表现有关。这些发现证明了使用电生理成像来描述大规模大脑网络的可行性，并表明网络连接的变化与正常老化有关。

1. 简介

默认模式网络（DMN）由几个区域组成并且与各种认知功能有关，包括后扣带皮层与表象记忆编码有关，内侧前额叶皮层与社会认知有关，内侧颞叶据说有助于发作性记忆和发作性未来思维，顶叶皮层与注意力功能有关。值得注意的是，阿尔茨海默病病理之一的淀粉样β斑块最初沉积在DMN亚群，如后扣带皮层和海马体。此外，支持高水平认知的大规模大脑网络的破坏性改变被证明伴随着行为水平的认知下降，即使在没有疾病的情况下也普遍观察到衰老。

尽管DMN的功能连接被认为是疾病诊断和风险的生物标志物，但在磁共振成像的使用方面存在基本的限制。相比之下，脑电图（EEG）以数百赫兹的频率测量神经元活动，这比fMRI的时间分辨率高得多。作者和其他小组的最新研究表明，脑电信号的网络级分析显示了大规模大脑网络的功能连接，包括默认模式网络。作者之前的工作已经开发了一种方法，通过结合高分辨率皮质模型、电生理源成像和分析时间上独立的EEG微态来重建静息态大脑网络。这样的EEG衍生的DMN已经通过人类参与者的同步EEG和fMRI静息态网络得到了验证。此外，从脑电图重建的大规模网络已被证明可以检测到由脑刺激干预引起的疾病修饰性连接变化。因为脑电图直接对神经电活动进行采样，从脑电图得出的连接性不会受到血管耦合的影响。因此，使用EEG技术，可以将fMRI得出的网络连接的神经贡献与血管贡献分开划定。

此外，与fMRI相比，EEG提供了经济效益、广泛的可及性和兼容性等补充特点。因此，此研究旨在检查正常老龄化成人中与年龄相关的DMN改变，以实现建立一个有效和经济的生物标志物来授权预防研究的长期目标。作者测试了基于高密度脑电图数据重建电生理默认模式网络的可行性，这些数据是从参与者在睁眼静息态记录的。接下来，将来自 DMN 后扣带/楔前叶区域的连接性与标准认知电池评估的记忆性能进行了比较。作者测试了创建一个基于大脑连接的神经影像学算法的可行性，以评估正常老化过程中病理性认知衰退的风险，这可能为在早期阶段检测认知损伤的客观、低成本和可获得的技术铺平道路。

2. 方法和材料

2.1 参与者

共有190名受试者通过电话进行了初步筛选，32人接受了临床筛选。在符合标准的30名受试者中，所有受试者都被招募并完成了研究程序，包括一系列的认知测试和脑电图记录。由于神经影像数据质量不佳，一名受试者的数据被删除，导致最终样本量为29名受试者。所得小组包括15名中年人（9名女性/6名男性，33.5±4.9岁，范围28-46岁）和14名老年人（12名女性/2名男性，55.3±4.8岁，范围48-62岁）。

2.2 实验范式

所有受试者都完成了标准化的临床神经认知测试，其中包括韦氏记忆量表

图片

图1 实验方案

的即时记忆和延迟记忆两个分量、符号-数字模式测试、北美阅读测试、Stroop颜色-文字测试、时钟-绘图测试（CLOX 1），以及自由和提示选择性记忆测试。在认知测试中，受试者在安静、光线充足的实验室中静坐在躺椅上，躺椅被置于直立位置。录音机放在受试者面前30厘米处，并打开，以记录受试者的所有答案，以便将来评分。实验人员坐在受试者旁边，指导他们完成记忆任务和回忆环节。实验人员根据标准方案对测试电池进行管理，以确保测试管理和评分的一致性和准确性。作者采用了韦氏记忆量表第四版中的逻辑记忆II的即时记忆分数作为评估外显记忆表现的主要分数，该分数已被证实可以检测前驱痴呆症的衰退，并检测临床前阶段的早期衰退。

2.3 静态脑电图数据采集

在完成认知测试电池后，为每个参与者准备了一个基于国际10-5系统的64通道全脑电图帽。在所有的电极上添加导电凝胶，在整个记录过程中，阻抗保持在20 kΩ以下。为了确保安全，将脑电帽的前缘绑在额头上，并两次测量脑电帽边缘与每个受试者的眉毛之间的距离，以验证记录开始和结束时的脑电帽位置。

嘱咐受试者保持静止，并允许其在45分钟的静息态记录中入睡，同时受试者仰卧在带有颈部支撑枕头的可调式躺椅上。在静息态记录开始前，进行阻抗检查，以确保所有电极的阻抗低于20 kΩ，或在需要时重新涂抹导电凝胶。记录以生物校准开始和结束，用于识别脑电图记录中的伪影。生物校准过程是按照标准顺序进行的，即指示受试者（1）睁开和闭上眼睛，（2）眨眼，（3）进行侧眼运动，（4）深呼吸，（5）咬紧牙齿，以及（6）说话。

脑电图数据是用一个64通道的ActiCHamp记录系统（Brain Products, Munich, Germany）记录的，该系统由两个32通道的放大器组成，由一个可充电电池单元供电。所有的脑电图数据集都以500Hz的采样率进行数字化，带通滤波为0.1Hz-250Hz。在原始脑电图上标记了休息时间的开始和偏移。

2.4 脑电图数据处理

2.4.1 选择用于连接性分析的脑电图记录

由认证专家对45分钟的记录进行审查，并采用美国睡眠医学会（AASM）的标准评分标准对睡眠阶段进行人工评分。简而言之，EEG数据首先被分割成30秒长度的历时。根据信号的频率和振幅，每个片段被分配为清醒、非快速眼动睡眠（第一阶段NREM，第二阶段NREM）、慢波睡眠（第三阶段NREM，第四阶段NREM），或快速眼动睡眠（REM）。只有一名参与者在整个45分钟内保持清醒。在其余28名受试者中，都有清醒期与睡眠状态穿插进行。为了区分觉醒和睡眠，作者只选择了在任何睡眠开始之前的觉醒段（不管在其余的编码中睡眠状态发生在什么地方和有多少次）。作者使用每个人的多个觉醒片段作为测试和再测试数据，以验证脑电图衍生网络的可靠性。睡眠数据的获取是为了一个单独的目的，因此在目前的研究中没有进行分析。

2.4.2 预处理

图2说明了这项研究的分析步骤。预处理是通过BrainVision Analyzer 2.0（Brain Products, Munich, Germany）和MATLAB® 2015a（Mathworks Inc., Natick, Massachusetts, United States）进行的。根据阻抗检查和目视检查，去除不良通道和片段。根据睡眠分期，作者在每个受试者的任何睡眠开始前截断了3分钟的清醒状态记录，因为默认模式网络已被证明至少在2-3分钟内达到稳定模式。五个受试者在不到3分钟的时间里睡着了，所有睡眠开始前的记录都被保留下来。所有受试者的记录长度从35秒到180秒不等（平均±标准差=169.1±30.5秒）。接下来，脑电图数据被重新引用到共同平均参考值。每个通道的连续脑电图数据在0.1Hz到70Hz之间进行带通滤波，在60Hz处有一个额外的陷波滤波器以消除电力线噪音。最后，应用独立成分分析（ICA）来消除生理伪影，包括垂直和水平的眼球伪影和肌肉活动。通过与生物校准记录进行比较，进一步验证了这些伪影的来源。

2.4.3 电生理源成像

预处理后的EEG数据使用高分辨率的皮质电流源模型进行电生理源的重建。在MNI305空间的模板脑模型被用作所有受试者的共同脑模型。使用Freesurfer套件（https://surfer.nmr.mgh.harvard.edu/）对结构性核磁共振成像进行了全面的分割和表面重建，形成了高清晰度的皮质层和大脑、颅骨和头皮的边界表面。这些表面随后被用来构建一个三室的边界元素法（BEM）模型。电导率值被分配给每个区间。64通道蒙太奇中电极位置的标准轮廓被数字化，并与模板大脑上的基准点共同注册。高密度的皮质层网格被下采样为每半球10240个顶点，并作为源空间。每个顶点对应于一个垂直于表面的偶极子源。然后，通过使用皮质源空间和3层BEM模型的正向计算，计算出一个铅场矩阵。源成像的计算返回了Nsource×Nsample的源矩阵，其中Nsource是偶极子源点的数量，Nsample是时域的数据点数量。最小规范法被用来解决反问题。

2.4.4 电生理静息态网络和连接性

基于重建的源图像，使用Yuan等人建立的方法得出电生理静息态网络。考虑到参加研究的参与者横跨中年（28-46岁）和老年（48-63岁），每个人的电生理网络都是在群体级分析之前得出的，类似于Greicius等人的方法。具体来说，每个人在下采样的EEG微态的源图像在时间上被连接起来。之后，利用ICA将每个受试者的源级数据的绝对值分解为25个独立成分（IC），每个IC代表相应受试者的一个独特的脑网络。选择25个IC的数量是因为它被证明可以合理地代表脑电图中的静息态网络，这些网络在同时进行的fMRI中也是跨模式验证的。脑网络的时间过程由ICs反推，得出Nsample×NIC的活动矩阵，其中Nsample是时间上的数据点数量，NIC是源级ICs的数量。在计算了源矩阵和活动矩阵后，作者进一步计算了源矩阵和活动矩阵之间的皮尔逊相关系数，得出的矩阵为Nsource×NIC。脑网络的连接值被定义为Z转换的相关系数矩阵。

图片

图2 数据处理示意图

对于所有25个IC，作者在一个标准的大脑模型上描绘了源点。假设每个源级IC代表一个脑网络，作者通过搜索与预先定义的DMN模板最匹配的IC来关注DMN。具体来说，根据脑电图派生网络的无阈值连接值和从另一组健康受试者的fMRI数据派生的模板DMN的无阈值连接值之间计算的空间相关性来选择匹配的网络。为每个受试者选择一个空间相关系数最高的最佳匹配IC，作者将其称为从EEG得出的个体水平的DMN。对于群体水平的分析，在平均化之前对个体得出的网络进行平滑，以减轻个体之间的解剖差异。在FreeSurfer软件中采用全宽半最大值为9mm的高斯滤波器对与DMN匹配的网络连接值进行平滑处理。然后，用单样本t检验来确定DMN在群体水平上的意义。采用Bonferroni校正来控制多重比较问题。

2.4.5 脑电网络连接、记忆和年龄之间的关系

为了评估网络连接和记忆功能之间的联系，采用了兴趣区（ROI）分析。简而言之，通过对所有受试者的每一个偶极子源点进行单样本、双侧t检验，得到群体水平的EEG DMN。此外，脑电网络图通过应用Bonferroni校正进行校正。然后，通过与基于1000名受试者的fMRI数据的成熟的Yeo模板相交，进一步包含所产生的EEG DMN的ROI，供以后分析。

然后，将ROI内平均的EEG网络连接性与所有受试者的相应记忆得分进行比较。计算了连接值和记忆分数之间的部分相关系数。此外，网络连接性与参与者的年龄进行了比较。计算了DMN ROI的平均连接值与年龄之间的皮尔逊相关系数。

作为对照分析，作者根据重建的EEG源图像调查了视觉网络，因为在fMRI研究中，视觉网络的功能连接已被证明在衰老中得到保留。在类似的DMN分析策略中，作者首先根据视觉网络的fMRI模板来确定EEG视觉网络。选择与模板空间相关性最高的个体EEG网络。在q<0.05（单样本，双侧t检验，Bonferroni校正）的情况下，平均个人地图的EEG视觉网络是阈值，从而形成EEG视觉网络的ROI。然后，提取个人在ROI内的EEG网络连接，取其平均值，并与所有受试者的记忆分数和年龄进行比较。

3. 结果

表1总结了人口统计学特征和认知电池的表现。受试者被分成两个不重叠的组，即中年组（范围从28到46岁）和老年组（范围从48到63岁）；但两个年龄组的认知表现并无差异。作为主要记忆功能表现的WMS逻辑记忆得分在中年组和老年组之间没有明显差异，尽管老年组的记忆表现略低（t（27）=1.88，p = 0.07）。补充图1显示了中年和老年受试者的WMS逻辑记忆得分与个人年龄的关系。这两个年龄组在记忆分数的范围上有重叠，但在与年龄有关的记忆变化方面有明显的趋势。同时，FCSRT得分作为即时回忆的比率在两个年龄组之间没有差异（t（27）=1.12，p=0.27），而FCSR得分与WMS逻辑记忆得分高度相似（相关系数=0.42，p=0.02）。此外，其他认知得分在各年龄组之间没有差异，列于表1。作为评估工作记忆的数字符号模式测试在两组之间只有微小的差异（t（27）=1.81，p=0.08）。

表1. 参与者的人口统计学和性能变量

图片

参与者人口统计的平均值和标准误差（括号内）；MMSE：小型精神状态检查；WMS：韦氏记忆量表；FCSRT：免费和提示选择性提醒测试；CLOX1：执行时钟绘制任务。使用卡方检验分析性别差异

⁎显示中老年组之间存在显着性差异，p < 0.05。

†中老年人组差异显着，p < 0.05；其余变量使用非配对t检验进行分析。

所有受试者获得的电生理DMN显示在图3中。图3B描述了平均和无阈值的脑连接图。经过阈值化和多重比较校正（图3C），EEG DMN确定了后扣带/楔前区和下顶叶，它们是DMN关键区域的一部分。值得注意的是，EEG DMN的后部区域呈现出比前部区域更强的连接。此外，EEG DMN的无阈值地图显示，连接模式延伸到内侧前额叶皮层的区域，但没有达到群体水平的意义（图3B）。如补充图2所示，EEG DMN的地图在测试和再测试数据之间是一致的。测试和复测数据的无阈值地图产生的空间相关系数为0.84。来自ROI的连接值在测试和再测试数据之间也是一致的（r = 0.62，p < 0.001，补充图2C）。此外，补充图3显示了老年人亚组和中年人亚组分别重建的DMN的一致性图，其空间相关系数为0.66。然而，通过非配对t检验和多重比较校正对两个年龄组之间的连接模式进行比较，没有发现任何具有显著差异的区域。

图片

图3. 从电生理源图像中获得的缺省模式网络的组级平均值。(A)显示来自Yeo等人，2011年的DMN模板解析。(B)和(C)显示所有受试者在(B)无阈值和(C)有阈值的情况下，通过单样双侧t检验，修正后的多重比较，平均的EEG DMN连接图。

由于两个年龄组的认知表现和电生理学上的DMN都没有明显的差异，作者后来的分析在寻求DMN连接、年龄和记忆表现之间的关系时，将这两个组合并为一组。图4显示了ROI分析，比较了个人的大脑连接值和他们的记忆表现。图4的插入图说明了由群体级EEG DMN和Yeo模板的联合分析所确定的ROI，即图3A和C的联合。ROI主要包括后扣带区，同时部分延伸到楔前区。从ROI中提取连接值后，发现在所有个体中，ROI的平均连接值与WMSI分数之间存在明显的负相关（r = -0.47，p = 0.01）。这一发现表明，有较好的外显性即时记忆回忆得分的受试者与DMN后部区域的连接性较低有关。此外，考虑到年龄也可能促成这种关联，作者采用了部分相关分析。在控制了年龄因素后，结果仍显示记忆和网络连接性之间有明显的相关性（r = -0.42，p = 0.02）。

图片

图4. 脑功能连接与所有受试者的记忆表现相关。插页显示了从EEG DMN分析中定义的ROI区域。脑连接值的计算方法是个人的源时程和IC时程之间的Z转换相关系数，在ROI内平均。每个点代表一个人的脑连接，以及相应的韦氏记忆量表即时回忆（WMSI）得分。红点表示中年受试者，蓝点表示老年人。黑色趋势线代表所有集合受试者中这两个变量之间的线性关系（r = -0.47，p = 0.01）。

此外，考虑到老年人比中年受试者具有独特的年龄-记忆关系（如补充图1），作者的分析只探讨了老年人子集的记忆-连接性关系，如补充图4所示。有趣的是，与中年受试者相比，老年人显示出一致的记忆连接性趋势，尽管有独特的年龄-记忆关系。在老年人的子组中发现了类似的和稍强的负相关（r = -0.74，p = 0.003），表明在老年人的子组中（从48岁到63岁），更好的记忆表现与后部DMN的ROI中较低的连接有关。

此外，作者评估了大脑连接性和年龄之间的关系（如图5所示）。有趣的是，老年受试者倾向于在DMN后部的ROI中表现出更大的连接性。只有在老年人亚组中，作者发现年龄和DMN后部的ROI中的网络连接有明显的相关性（r=0.55，p=0.04，见图5）。然而，这种关联在所有受试者（年龄从28岁到63岁，r=0.22，p>0.1）中并不显著，或者仅在中年人子组中不显著（r=-0.04，p>0.1）。

图片

图5. 脑功能连接与老年人的年龄相关。插页显示了从EEG DMN分析中定义的ROI区域。脑连通性的值是以个人的源矩阵和活动矩阵之间的z转换相关系数计算的，是ROI的平均值。每个黑点代表一个人的脑连接，以及相应的年龄。橙色趋势线代表这两个变量之间的线性关系（r = 0.55, p = 0.04）。

作为对照，作者对EEG视觉网络进行了分析。按照与DMN类似的策略，作者通过与fMRI视觉网络的模板进行比较来确定EEG视觉网络。作者提取了ROI的连接值（通过q < 0.05的阈值），并与记忆表现进行了比较。视觉网络的连接性和WMSI分数之间没有发现明显的线性关系（r = 0.16, p > 0.1）。视觉网络的连接性与年龄也没有关联（r = -0.24，p > 0.1）。在所有的亚组中，视觉连接性与WMSI或年龄之间没有任何明显的相关性（所有的p>0.1）。

4. 讨论

这项研究利用脑电图研究了中老年正常健康受试者的静息态大脑网络功能连接与记忆表现之间的关系。这项研究结果表明，默认模式网络（DMN）可以从静息态EEG得到的皮质源图像中重建，包括楔前区、后扣带皮层和下顶叶的区域。此外，作者发现在DMN后部的ROI内的网络连接值与从中年到老年的健康人的外显记忆表现呈负相关。同时，在老年人亚组中，个人的年龄与DMN后部同一区域的连接呈正相关。这项研究的结果加强了作者对DMN中与年龄增长有关的脑连接的认识。更重要的是，通过这种新的基于脑电图的神经影像技术评估的脑连接是可行的，可以与大量的临床电池联系起来，作为正常老化的基准。这有可能作为神经退行性疾病的早期生物标志物。

这项研究提供了第一个关于衰老对大规模大脑网络--默认模式网络影响的电生理局部证据。这项研究的结果（见图5）显示了后扣带皮层与年龄相关的增加，这支持了先前研究中确定的年龄范围重叠的后部DMN的正相关。此外，在我们的结果中显示的与年龄相关的增加区域包括额外的前体区域，该区域延伸到楔形边缘。除了与年龄有关，这项研究再次强调了PCC作为DMN的一部分在未来衰老研究中的重要性，以便建立一个跨越正常衰老、临床前和临床阶段的完整轨迹。

综上所述，作者使用静息态脑电图记录来描述正常老化过程中的功能连接改变。这项研究结果表明，在源水平上重建的EEG数据能够可靠地捕获默认模式网络的一部分神经连接。更重要的是，重建的皮质水平连接与临床认知电池评估的年龄和记忆表现相关。结果表明，脑电图衍生的网络成像可用于监测网络水平的功能连接和检测正常老化过程中健康成年人的认知功能改变。这一试验性证据进一步表明，基于脑电图网络的神经影像学可用于研究衰老和阿尔茨海默病相关的痴呆症。

参考文献：Electrophysiological resting state brain network and episodic memory in healthy aging adults