Изменения связности мозга во время сна с помощью транскраниальной нейростимуляции с обратной связью прогнозируют чувствительность метапамяти. Часть 2

Электрофизиологические записи и транскраниальная стимуляция

Данные ЭЭГ собирали и одновременно применяли стимуляцию с помощью прототипа StarStim64 от Neuroelectrics, Inc. с 64-канальной неопреновой головной крышкой, включающей 32 канала ЭЭГ и 32 канала стимуляции.

Постоянное развитие современной науки и техники делает исследования мозга все более и более глубокими. В последние годы все большее количество исследований демонстрирует тесную связь между электроэнцефалографией (ЭЭГ) и памятью. ЭЭГ – это метод регистрации электрической активности мозга. Он выражает электрические сигналы человеческого мозга в виде линейных рисунков путем обнаружения биоэлектрических сигналов мозга. Память — это способность нейронной системы мозга приобретать, обрабатывать, хранить, распознавать и вспоминать информацию. Можно сказать, что отношения между ними тесно связаны.

ЭЭГ записывает движения тела, речь, мышление и сенсорную информацию и широко используется в таких областях, как медицина, нейробиология и психология. Среди них исследователи обнаружили, что ЭЭГ имеет важную связь с памятью. Записи ЭЭГ могут помочь нам лучше понять процесс формирования и восстановления памяти, а также предоставить ценную информацию для лечения нарушений памяти. Согласно исследованиям, формирование долговременной памяти сопровождается электрической активностью различной степени и распределения, и когда люди вспоминают воспоминания, сигналы ЭЭГ также изменяются, что еще раз подтверждает тесную связь между ЭЭГ и памятью.

Кроме того, ЭЭГ также может помочь исследователям понять различные типы памяти, такие как кратковременная память, долговременная память, пространственная память и эмоциональная память. В исследованиях анализ ЭЭГ может выявить электрическую активность в различных областях мозга. Эти особые электрические действия могут показать, как материалы памяти передаются и обрабатываются в мозгу, а также выявить причины ухудшения памяти.

Можно сказать, что ЭЭГ имеет положительное значение для улучшения качества жизни. Современные люди используют электронные продукты, такие как компьютеры и мобильные телефоны, в течение длительного времени и даже слишком полагаются на социальные сети, из-за чего людям трудно концентрироваться и легко забывать вещи. Исследования показывают, что краткая тренировка с обратной связью по ЭЭГ может улучшить способность человека к обучению и память. С помощью индивидуальной ЭЭГ-терапии можно устранить нарушения функций мозга, улучшить мозговую активность, а также улучшить память и способности к обучению.

Таким образом, технологию ЭЭГ необходимо срочно широко использовать в нашей повседневной жизни, а также необходимы дальнейшие исследования для изучения большего количества ее применений и потенциала. В будущем постоянное совершенствование технологии ЭЭГ принесет нам больше возможностей и проблем, позволяя нам иметь более эффективный и здоровый мозг. Видно, что нам необходимо улучшить память, а Cistanche Deserticola может значительно улучшить память, поскольку Cistanche Deserticola обладает антиоксидантным, противовоспалительным и омолаживающим действием, что может помочь уменьшить окислительные и воспалительные реакции в мозге, тем самым защищая здоровье нервной системы. Кроме того, Cistanche Deserticola может также способствовать росту и восстановлению нервных клеток, тем самым улучшая связь и функцию нейронных сетей. Эти эффекты могут помочь улучшить память, скорость обучения и мышления, а также предотвратить развитие когнитивной дисфункции и нейродегенеративных заболеваний.

ClickKnoww улучшает кратковременную память

Каналы ЭЭГ размещались в монтаже по системе 10-10. Данные ЭЭГ были собраны из 23 из 32 участков с частотой 500 Гц и привязаны к каналу Fz. Дополнительные 9 электродов записывали электроокулограмму, электромиограмму и электрокардиограмму, что позволяет определять стадии сна. Во время сбора не применялась аппаратная онлайн-фильтрация, за исключением фильтрации линейного шума (60 Гц).

Активная транскраниальная стимуляция осуществлялась в виде уникальных массивов пространственно-временных токов через 32 электрода стимуляции. Общий положительный электрический ток был установлен на уровне менее 2,5 мА, ток каждого канала — менее 1,5 мА и более 150 мкА.

Модели стимуляции были созданы посредством оптимизации градиентного спуска, чтобы максимизировать ортогональность индуцированных электрических полей в 3-D-объеме шаблона головы взрослого человека путем исключения корреляций и антикорреляций.

В ходе эксперимента в активном состоянии каждая из 14 виньеток была случайным образом связана или «помечена» с различным паттерном стимуляции, а специальные шаблоны для каждого паттерна были запрограммированы в программном обеспечении для управления нейроэлектрической стимуляцией CoreGUI. Только половина этих паттернов tES применялась повторно в течение ночи, чтобы сигнализировать о реактивации памяти (Tag & Cue), а поведенческий анализ был сосредоточен на ответах теста на запоминание памяти для целевых эпизодов.

Уникальные паттерны были в первую очередь созданы для того, чтобы сигнализировать о конкретных воспоминаниях, а не для того, чтобы каким-то образом изменить нейронную активность; таким образом, реакции мозга и изменения связи с отдельными STAMP не анализировались, а вместо этого были объединены для увеличения количества испытаний.

Обнаружение медленноволновых колебаний

Стимуляция осуществлялась автоматически с привязкой по времени к активным состояниям SWO с помощью алгоритма обнаружения с обратной связью, адаптированного на основе ранее разработанного алгоритма (Cox et al., 2014). Во время сна поступающие данные ЭЭГ из 13 передне-теменно-центральных каналов (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 и P4) сохранялись в бегущем {{17} } буфер, который постоянно обновлялся.

Для очистки данных применялось вычитание скользящего среднего с окном 1- с, и любые каналы, превышающие минимальную и максимальную амплитуду 500 мкВ в течение периода буфера, были отклонены.

Остальные каналы были усреднены вместе, чтобы создать виртуальный канал для надежного обнаружения SW. Мощность в медленноволновом диапазоне (0,5–1,2 Гц) сравнивали с общей широкополосной мощностью (0,1–250 Гц), и если это отношение было больше 0,3, затем вычислялся точный пик мощности в диапазоне медленных волн (центральная частота).

Затем виртуальный канал фильтровался с помощью полосового фильтра Баттерворта второго порядка с полосой пропускания 1- Гц вокруг центральной частоты (с минимальной нижней границей среза 0,1 Гц) и применялось преобразование Гильберта. Фазу сдвинули назад на 90 градусов и выделили мнимую составляющую, получив мгновенную фазу.

Затем была сгенерирована синусоидальная волна на центральной частоте с оптимизированной фазой, смещением и амплитудой отфильтрованного сигнала. Синусоидальная волна проецировалась вперед во времени, чтобы определить следующую точку нулевой фазы (т. е. начало восходящего состояния), а стимуляция начиналась в этот момент времени и продолжалась в течение прогнозируемого восходящего состояния с нарастанием и замедлением. раз 100 мс.

Во время фиктивных ночей записывались моменты времени стимуляции, но никакой стимуляции не было. Таким образом, сравнение активных и фиктивных ночей проводилось в одни и те же моменты времени SWO, с той лишь разницей, что проводилась стимуляция STAMP. Проверка обнаружения повышенного состояния проводилась на данных фиктивных ночей, чтобы избежать артефактов, создаваемых активными ночами STAMPsonn.

Маркеры были извлечены из моментов времени повышенного состояния, предсказанного аппроксимацией синусоидальной волны. В некоторых случаях из-за аппаратной задержки временная стимуляция переводилась в активное состояние после немедленно обнаруженного активного состояния, что могло в некоторой степени увеличивать вариабельность фаз. Эпохи, привязанные по времени к маркерам начала стимуляции (от -5 до +5 с), были извлечены из необработанных данных ЭЭГ и подвергнуты полосовой фильтрации в диапазоне 0,5–1,2 Гц.

Фазовые значения в каждой временной точке маркера начала рассчитывали с использованием преобразования Гильберта. Средние значения фаз в испытаниях рассчитывались для каждого участника, и эти средние фазы подвергались тестированию v-test на предмет разницы в 0 градусах (Беренс, 2009). Цифры и статистика проверки алгоритма с обратной связью представлены во вспомогательной информации.

Обработка данных ЭЭГ и теоретико-графовый анализ

Сигналы ЭЭГ анализировались в автономном режиме с помощью EEGLAB и специальных сценариев MATLAB. Чтобы очистить данные и отделить источники шума от сигнала мозга, записи ЭЭГ были дискретизированы до 250 Гц, сопоставлены со средним значением всех электродов и подвергнуты полосовой фильтрации с использованием фильтра Баттерворта (0,1–70 Гц, 24 дБ/). окт).

Глазные и ненейронные артефакты были идентифицированы и удалены вручную с использованием метода анализа независимых компонентов (ICA) в EEGLAB и его встроенного алгоритма infomax (Delorme & Makeig, 2004).

Данные без артефактов были сегментированы по эпохам, содержащим от -6,4 до -2,4 до начала стимуляции в качестве базового окна, и от 3 до 7 с после смещения стимуляции в качестве окна анализа. Для каждой эпохи спектр мощности в каждом канале рассчитывался путем применения метода спектральной оценки Уэлча на сегментах 2048- мс с перекрытием 1,024- мс (50%), при этом каждый сегмент сужался окном Хэмминга.

Анализ функциональной связности и теоретико-графовый анализ проводился с помощью BioNeCtToolbox, специального набора инструментов MATLAB для анализа связности мозга (Casanova, El-Baz, &Suri, 2017). Функциональная связь между областями мозга оценивается путем расчета кросс-корреляции в частотной области между сигналами ЭЭГ (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Среди различных показателей функциональной связи мнимая когерентность (iCoh) обнаруживает исключительно «истинные» взаимодействия между сигналами ЭЭГ, возникающие в пределах определенной временной задержки, таким образом игнорируя мгновенное взаимодействие между соседними электродами, которое, вероятно, создается объемной проводимостью электрической активности от общего источника мозга (Буллмор и Спорнс, 2009 г.; Фаллани и др., 2014 г.; Мохаммад-Резазаде и др., 2016 г.).

Значения iCoh рассчитывались для всех возможных электродопар в следующих диапазонах частот: дельта (1–4 Гц), тета (4–8 Гц), альфа (8–12 Гц), веретено (12–15 Гц), бета (16–12 Гц). 30 Гц) и низкая гамма (40–50 Гц).

Этот анализ проводился как по активным, так и по фиктивным данным. Кроме того, значения iCoh рассчитывались как для временных окон после стимуляции, так и для временных окон до стимуляции, а значения окна до стимуляции вычитались из значений окна после стимуляции для коррекции базовой линии. Высокая многомерность показателей iCoh была устранена с помощью подхода, основанного на теории графиков.

Метрики теории графов предоставляют информацию о степени сегрегации сети (т. е. о склонности областей мозга образовывать локальные кластеры с плотными функциональными взаимосвязями), а также об интеграции и эффективности сети (т. е. о способности сети становиться взаимосвязанными и эффективно обмениваться информацией между мозгами). регионы Bullmore & Sporns, 2009; Фаллани и др., 2014;

Для всех вышеупомянутых диапазонов частот в периоды до и после стимуляции были рассчитаны следующие часто используемые графовые показатели: средний коэффициент кластеризации (вероятность соединения соседних узлов, отражающая локальную связность); глобальная эффективность (насколько эффективна сеть в передаче информации); характеристическая длина пути, радиус и диаметр (среднее количество ребер вдоль кратчайших путей, минимально возможное расстояние и максимально возможное расстояние между всеми возможными парами узлов соответственно); модульность (степень разделения мозговой сети). на подсети или модули); ассортативность (доля узлов, присоединенных к другим узлам с аналогичной степенью по сравнению с разной степенью); плотность (количество ребер, разделенное на количество узлов в графе) и средняя когерентность (средняя когерентность между всеми парами узлов).

Классификация и регрессионный анализ

Полученные данные состояли из 48 функциональных признаков связности (8 теоретико-графовых показателей × 6 частотных диапазонов) как для условий активной, так и для фиктивной стимуляции для каждого участника. Более конкретно, характеристики связности были извлечены после стимуляции в активные ночи, когда также происходила стимуляция STAMP. как во время фиктивных ночей, когда не было никакой стимуляции.

Чтобы выяснить, какие изменения связности предсказывают условия стимуляции, а также связаны с поведением, мы реализовали классификацию на уровне участников и регрессионный перекрестный анализ, в котором данные от подгруппы участников были исключены в качестве тестовых данных для прогнозирования. Чтобы уменьшить дисперсию, мы провели 35 фолдов, в которых одновременно выбывали от одного до трех участников.

Этот метод повторного случайного разделения выборки предпочтительнее широко применяемого метода «исключить один», который может привести к нестабильным и необъективным оценкам дисперсии (Scheinost et al., 2019; Varoquaux et al., 2017). Мы решили использовать этот подход, основанный на данных, не только из-за большого пространства признаков данных, но и из-за новизны исследования.

На сегодняшний день лишь немногие исследования изучали взаимосвязь между теоретико-графовыми показателями связности мозга и чувствительностью метапамяти, и ни в одном из них не изучалось, как это меняется при стимуляции мозга. Таким образом, мы потенциально могли бы упустить важные взаимосвязи между функциональной связностью и метапамятью, изучая только определенные диапазоны частот (например, тета) или показатели (например, среднюю когерентность) на основе предыдущих результатов в литературе. Диаграмма, описывающая конвейер анализа, представлена ​​на рисунке. 2.

Для каждой складки на обучающих данных применялся метод выбора признаков, чтобы найти теоретико-графовые характеристики (базовая линия после стимуляции, скорректированная с помощью предварительной стимуляции), которые позволяют различать условия активной и фиктивной стимуляции. Многие функции были тесно связаны друг с другом, что можно увидеть на рисунке S2.

Таким образом, первые сильно коллинеарные переменные были удалены путем поиска пар признаков с высокой корреляцией (пороговое значение r 0,8) и удаления переменной с более высокой средней абсолютной корреляцией с другими переменными. Дополнительную информацию об удаленных переменных из-за высокой коллинеарности можно найти во вспомогательной информации.

Затем для каждого признака был проведен зависимый тест (поскольку исследование проводилось внутри субъектов), проверяющий разницу между активным и фиктивным состояниями. Переменные с низкими абсолютными значениями t (порог 1) были удалены на том основании, что разница между этими переменными была минимальной. Остальные признаки были введены в алгоритм выбора признаков Боруты (Курса и Рудницки, 2010).

Борута — это метод выбора на основе перестановок, при котором каждый признак, а также копия признака с его значениями, перетасованными среди участников (так называемый «теневой признак»), вводятся в случайный классификатор леса, а важность каждого признака определяется как Z-балл. Чтобы считаться существенно важными, важность истинных функций должна быть выше, чем максимальный показатель Z теневых функций.

Эта процедура повторяется несколько раз с различными перестановками теневых признаков, чтобы получить распределение значений, с которым можно сравнить значения важности реальных признаков. Таким образом, Борута представляет собой метод выбора всех значимых признаков: по сути, в ходе этого процесса можно выбрать все переменные или ни одну из них. Были выбраны только объекты, которые имели более высокие значения Z, чем теневые объекты.

Было показано, что этот алгоритм повышает производительность при поиске значимых функций по сравнению с другими алгоритмами выбора функций (Degenhardt et al., 2017; Kursa, 2017). Функции, выбранные Борутой, затем были введены в модель логистической регрессии, прогнозирующей активность в сравнении с условиями. Мы также использовали регуляризованную логистическую регрессию с регуляризацией L2 (гребневая регрессия), в которой оптимальный параметр λ определялся посредством перекрестной проверки данных обучения.

Наконец, мы также провели классификацию логистической регрессии, используя только наиболее важную переменную, выбранную алгоритмом Борута. После подбора параметров модели к обучающим данным модели использовались для прогнозирования пропущенных тестовых данных, получая оценки вероятности для каждого тестового примера, принадлежащего к активному или фиктивному условию. Эти вероятности были объединены по сгибам и использованы для расчета относительных кривых рабочих характеристик, из которых мы получили значения площади под кривой (AUC) (Fawcett, 2006).

AUC является более чувствительным показателем производительности классификатора, чем просто необработанная точность, и поэтому сообщается здесь. В рамках того же периода перекрестной проверки данные обучения использовались для прогнозирования изменений чувствительности памяти для целевых эпизодов (а именно, Tag & Cue) из Night 2 теста перед сном к тесту после сна в активном состоянии.

Мерой поведенческих показателей была AUC относительной рабочей характеристической кривой типа -2, непараметрическая мера метакогнитивной чувствительности без систематических ошибок, при этом более высокая AUC отражала большую чувствительность памяти (Fleming &Lau, 2014; Galvin et al., 2003). . Здесь модели предсказывали ночное изменение AUC, чтобы связать изменения в связности с изменениями в чувствительности памяти. Все объекты связности были введены в процесс выбора признаков, аналогичный процессу классификационного анализа. Как и раньше, объекты с высокой степенью коллинеарности были удалены.

Вместо ат-теста вычислялась корреляция между каждым признаком и изменением AUC за ночь, а признаки с низкими абсолютными значениями r (порог 0,1) были удалены. Остальные функции были пропущены с помощью алгоритма Борута, на этот раз предсказавшего изменения AUC за ночь.

Эти функции, а также только верхняя функция были введены в модели линейной регрессии и регуляризованной регрессии L2, прогнозирующие пропущенные тестовые данные. Были рассчитаны значения среднеквадратической ошибки (RMSE), а средние значения RMSE по всем сгибам сравнивались со значениями RMSE на основе прогнозов линейной регрессии только с точкой пересечения.

В качестве окончательного анализа мы взяли выбранные Борутой функции из классификационного анализа, а также выбранные Борутой функции из регрессионного анализа и повторно запустили классификацию и регрессию с объединенным набором функций, а также с лучшими функциями из каждого набора. Значения AUC из классификационного анализа и значения RMSE из регрессионного анализа сообщаются для каждого набора функций.

For more information:1950477648nn@gmail.com