Зміни зв’язності мозку під час сну за допомогою замкнутої транскраніальної нейростимуляції. Передбачення чутливості метапам’яті. Частина 2

Електрофізіологічні записи та транскраніальна стимуляція

Дані ЕЕГ було зібрано та одночасно застосовано стимуляцію за допомогою прототипу StarStim64 від Neuroelectrics, Inc. із 64-канальною неопреновою головкою, яка включає 32 канали ЕЕГ і 32 канали стимуляції.

Постійний розвиток сучасної науки і техніки зробив дослідження мозку дедалі поглибленішими. В останні роки все більше досліджень демонструють тісний зв’язок між електроенцефалографією (ЕЕГ) і пам’яттю. ЕЕГ - це метод реєстрації електричної активності мозку. Він виражає електричні сигнали людського мозку у вигляді лінійних малюнків, виявляючи біоелектричні сигнали мозку. Пам’ять — це здатність нейронної системи мозку отримувати, обробляти, зберігати, розпізнавати та запам’ятовувати інформацію. Стосунки між ними можна назвати тісно пов’язаними.

ЕЕГ реєструє рухи тіла, мову, мислення та сенсорну інформацію та широко використовується в таких галузях, як медицина, нейронаука та психологія. Серед них дослідники виявили, що ЕЕГ має важливий зв’язок із пам’яттю. Записи ЕЕГ можуть допомогти нам краще зрозуміти процес встановлення та відновлення пам’яті, а також надати цінну довідкову інформацію для лікування розладів пам’яті. Згідно з дослідженнями, формування довготривалої пам’яті супроводжується електричною активністю різного ступеня та розподілу, і коли люди згадують спогади, сигнали ЕЕГ також змінюються, що додатково підтверджує тісний зв’язок між ЕЕГ і пам’яттю.

Крім того, ЕЕГ також може допомогти дослідникам зрозуміти різні типи пам’яті, такі як короткочасна пам’ять, довгострокова пам’ять, просторова пам’ять та емоційна пам’ять. У дослідженнях аналіз ЕЕГ може виявити електричну активність у різних областях мозку. Ці спеціальні електричні дії можуть виявити, як матеріали пам’яті передаються та обробляються в мозку, а також виявити причини погіршення пам’яті.

Можна сказати, що ЕЕГ має позитивне значення для поліпшення якості життя. Сучасні люди тривалий час використовують електронні продукти, такі як комп’ютери та мобільні телефони, і навіть занадто покладаються на соціальні мережі, через що людям важко зосередитися та легко забувати речі. Дослідження показують, що короткий тренінг зі зворотним зв’язком ЕЕГ може покращити здатність до навчання та пам’ять. За допомогою індивідуальної ЕЕГ-терапії можна виправити відхилення у функції мозку, покращити мозкову діяльність, а також покращити пам’ять і здатність до навчання.

Таким чином, технологію ЕЕГ необхідно терміново широко використовувати в нашому повсякденному житті, а також необхідні подальші дослідження, щоб вивчити більше її застосувань і потенціалу. У майбутньому постійне вдосконалення технології ЕЕГ принесе нам більше можливостей і викликів, що дозволить нам мати ефективніший і здоровіший мозок. Можна побачити, що нам потрібно покращити пам’ять, і Cistanche deserticola може значно покращити пам’ять, оскільки Cistanche deserticola має антиоксидантну, протизапальну та антистарільну дію, що може допомогти зменшити окислення та запальні реакції в мозку, тим самим захищаючи здоров'я нервової системи. Крім того, Cistanche deserticola також може сприяти зростанню та відновленню нервових клітин, тим самим покращуючи зв’язок і роботу нейронних мереж. Ці ефекти можуть допомогти покращити пам’ять, навчання та швидкість мислення, а також можуть запобігти розвитку когнітивної дисфункції та нейродегенеративних захворювань.

ClickKnoww покращує короткочасну пам'ять

ЕЕГ-канали були розміщені в монтажі за 10-10системою. Дані ЕЕГ були зібрані з 23 із 32 ділянок, відібраних на частоті 500 Гц і прив’язаних до каналу Fz. Додаткові 9 електродів записували електроокулограму, електроміограму та електрокардіограму для визначення стадій сну. Під час збирання не застосовувалося апаратне онлайн-фільтрування, окрім фільтрації лінійного шуму (60 Гц).

Активна транскраніальна стимуляція здійснювалася у вигляді унікальних масивів просторово-часових струмів через 32 електроди стимуляції. Загальний позитивний електричний струм був встановлений на значення менше 2,5 мА, зі струмом кожного каналу менше 1,5 мА та понад 150 мкА.

Патерни стимуляції були створені за допомогою оптимізації градієнтного спуску, щоб максимізувати ортогональність між індукованими електричними полями в 3-D об’ємі шаблону голови дорослої людини шляхом штрафування кореляції та антикореляції.

Під час експерименту для активного стану кожна з 14 віньєток була випадковим чином пов’язана або «позначена» різним шаблоном стимуляції, а спеціальні шаблони для кожного шаблону були запрограмовані в програмному забезпеченні керування нейроелектричною стимуляцією CoreGUI. Лише половина цих шаблонів tES була повторно застосована протягом ночі, щоб сигналізувати про реактивацію пам’яті (Tag & Cue), а аналіз поведінки зосереджувався на відповідях тесту пригадування пам’яті для цільових віньєток.

Унікальні шаблони в першу чергу були розроблені для створення певних спогадів, а не для певних змін нейронної активності; таким чином, реакції мозку та зміни підключення до окремих STAMP не аналізувалися, а замість цього були об’єднані для збільшення кількості проб.

Виявлення повільних коливань

Стимуляція була автоматично заблокована за часом до активних станів SWO за допомогою алгоритму виявлення замкнутого циклу, адаптованого на основі попередньо розробленого алгоритму (Cox et al., 2014). Під час сну вхідні дані ЕЕГ з 13 передньо-тім’яно-центральних каналів (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 і P4) зберігалися в режимі {{17} }s буфер, який постійно оновлювався.

Щоб очистити дані, було застосовано віднімання ковзного середнього з вікном 1-s, і будь-які канали, амплітуда яких перевищує 500 мкВ протягом періоду буфера, відхилялися.

Решта каналів було усереднено, щоб створити віртуальний канал для надійного виявлення SWO. Потужність у діапазоні повільних хвиль (0.5–1.2 Гц) порівнювали із загальною широкосмуговою потужністю (0.1–250 Гц), і якщо це співвідношення було більше, ніж 0,3, тоді було обчислено точний пік потужності в діапазоні повільних хвиль (центральна частота).

Потім віртуальний канал було відфільтровано за допомогою смугового фільтра Баттерворта другого порядку зі смугою пропускання 1- Гц навколо центральної частоти (з мінімальним нижнім зрізом 0,1 Гц), і було застосовано перетворення Гільберта. Фаза була зсунута назад на 90 градусів, і уявна складова була виділена, що дало миттєву фазу.

Потім була згенерована синусоїда на центральній частоті з оптимізованою фазою, зсувом і амплітудою відфільтрованого сигналу. Синусоїда була спроектована вперед у часі, щоб визначити наступну точку нульової фази (тобто початок підйому стану), і стимуляція розпочалася в цей момент часу та тривала протягом передбаченого підйому стану з наростанням і спадом разів 100 мс.

Під час фіктивних ночей фіксувалися моменти часу стимуляції, але стимуляція не проводилася. Таким чином, порівняння активних і фіктивних ночей відбувалося в ті самі моменти часу SWO, з єдиною різницею в доставці стимуляції STAMP. Перевірку виявлення стану було виконано на даних із фіктивних ночей, щоб уникнути артефактів, створених активними ночами STAMPsonn.

Маркери були витягнуті з моментів часу підвищення станів, передбачених підгонкою синусоїди. У деяких випадках через апаратну затримку стимуляція за часом була переведена в активний стан після негайно виявленого високого стану, що могло певною мірою збільшити мінливість фаз. Епохи, зафіксовані в часі до маркерів початку стимуляції (від -5 до +5 с), були витягнуті з необроблених даних ЕЕГ і смугового фільтрування в діапазоні 0,5–1,2 Гц.

Фазові значення в кожну часову точку маркера початку розраховували за допомогою перетворення Гільберта. Для кожного учасника було розраховано середні значення фаз у всіх випробуваннях, і ці середні фази були подані на v-тест тестування на різницю від 0 градусів (Berens, 2009). Цифри та статистичні дані щодо перевірки алгоритму замкнутого циклу наведені у Додатковій інформації.

Обробка даних ЕЕГ і теоретичний аналіз графів

Сигнали ЕЕГ аналізувалися в автономному режимі за допомогою сценаріїв EEGLAB і спеціального MATLAB. Щоб очистити дані та відокремити джерела шуму від сигналу головного мозку, записи ЕЕГ були зменшені до 250 Гц, повторно порівняні із середнім значенням усіх електродів і смуговим фільтром за допомогою фільтра Баттерворта (0,1–70 Гц, 24 дБ/ жовтень).

Очні та ненейронні артефакти були ідентифіковані та видалені вручну за допомогою методу аналізу незалежних компонентів (ICA) у EEGLAB та його вбудованого алгоритму infomax (Delorme & Makeig, 2004).

Дані без артефактів були сегментовані за епохами, що містили від -6,4 до -2,4 перед початком стимуляції як базове вікно та від 3 до 7 с після зсуву стимуляції як вікно аналізу. Для кожної епохи спектр потужності на кожному каналі розраховувався шляхом застосування методу спектральної оцінки Велча на 2048- сегментах мс з перекриттям 1,024- мс (50%), з кожним сегментом, звуженим вікном Хеммінга.

Функціональний аналіз зв’язності та теоретичний аналіз графів проводили за допомогою BioNeCtToolbox, спеціального інструментарію MATLAB для аналізу зв’язності мозку (Casanova, El-Baz, & Suri, 2017). Функціональний зв’язок мозку між областями мозку оцінюється шляхом обчислення крос-кореляції в частотній області між сигналами ЕЕГ (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Серед різних показників функціонального зв’язку уявна когерентність (iCoh) виявляє виключно «справжні» взаємодії між сигналами ЕЕГ, що відбуваються протягом певної затримки часу, таким чином ігноруючи миттєву взаємодію між сусідніми електродами, яка, ймовірно, спричинена об’ємною провідністю електричної активності від загального джерела мозку (Bullmore). & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

Значення iCoh були розраховані для всіх можливих електродепарацій у таких діапазонах частот: дельта (1–4 Гц), тета (4–8 Гц), альфа (8–12 Гц), шпиндель (12–15 Гц), бета (16–12 Гц). 30 Гц) і низька гама (40–50 Гц).

Ці аналізи проводили як на активних, так і на фіктивних даних. Крім того, значення iCoh були обчислені як для вікон часу після стимуляції, так і для вікон перед стимуляцією, а значення вікна попередньої стимуляції віднімали від значень вікна постстимуляції для корекції базової лінії. Висока багатовимірність показників iCoh була розібрана за допомогою теоретико-графічного підходу.

Теоретико-графові метрики надають інформацію про ступінь мережевої сегрегації (тобто тенденцію областей мозку утворювати локальні кластери з щільними функціональними взаємозв’язками) та мережеву інтеграцію та ефективність (тобто здатність мережі об’єднуватися та ефективно обмінюватися інформацією між мозком регіони; Bullmore & Sporns, 2009; Mohammad-Rezazadeh et al., 2016).

Для всіх вищезазначених частотних діапазонів у періоди до та після стимуляції було розраховано наступні зазвичай використовувані показники графіка: середній коефіцієнт кластеризації (ймовірність з’єднання сусідніх вузлів, що відображає локальну зв’язаність); глобальна ефективність (наскільки ефективна мережа в передачі інформації); характерна довжина шляху, радіус і діаметр (середня кількість ребер уздовж найкоротших шляхів, мінімально можлива відстань і найбільша можлива відстань між усіма можливими парами вузлів, відповідно); модульність (ступінь, до якої мозкова мережа розділена) на підмережі або модулі);асортативність (пропорція вузлів, які приєднані до інших вузлів із подібними ступенями порівняно з різними ступенями); щільність (кількість ребер, поділена на кількість вузлів у графі); середня когерентність (середня когерентність між усіма парами вузлів).

Класифікація та регресійний аналіз

Отримані дані складалися з 48 функцій функціонального зв’язку (8 теоретико-графічних показників × 6 частотних діапазонів) як для активної, так і для фіктивної стимуляції для кожного учасника. Більш конкретно, функції зв’язку були витягнуті після стимуляції під час активної ночі, коли також відбулася стимуляція STAMP. як під час фіктивних ночей, під час яких стимуляція не відбувалася.

Щоб дослідити, які зміни зв’язку передбачають умову стимуляції, а також пов’язані з поведінкою, ми запровадили класифікацію на рівні учасників і регресійний аналіз перехресної перевірки, у якому дані підмножини учасників були пропущені як тестові дані для прогнозування. Щоб зменшити дисперсію, ми провели 35 згортань, у яких за один раз залишалися від одного до трьох учасників.

Цей повторюваний метод випадкового розподілу вибірки є кращим, аніж загальноприйнятий метод «залишити один», який може призвести до нестабільних і упереджених оцінок дисперсії (Scheinost та ін., 2019; Varoquaux та ін., 2017). Ми вирішили застосувати цей підхід, керований даними, не лише через великий простір даних, але й через новизну дослідження.

На сьогодні небагато досліджень вивчали взаємозв’язок між теоретико-графовими показниками зв’язності мозку та чутливістю метапам’яті, і жодне не досліджувало, як це змінюється при стимуляції мозку. Таким чином, ми потенційно пропустимо важливі зв’язки між функціональним зв’язком і метапам’яттю, досліджуючи лише певні діапазони частот (наприклад, тета) або показники (наприклад, середню когерентність) на основі попередніх висновків у літературі. Діаграма, що окреслює конвеєр аналізу, представлена ​​на малюнку 2.

Для кожного згортання метод вибору ознак був запущений на даних навчання, щоб знайти теоретико-графічні ознаки (постстимуляційна базова лінія, скоригована попередньою стимуляцією), які розрізняли умови активної стимуляції та фіктивні. Багато функцій були сильно пов’язані одна з одною, що можна побачити на Допоміжній інформації, Малюнку S2.

Таким чином, перші висококолінеарні змінні були видалені шляхом пошуку пар ознак із високою кореляцією (порогове значення r 0.8) і видалення змінної з вищою середньою абсолютною кореляцією з іншими змінними. Додаткову інформацію про видалені змінні через високу колінеарність можна знайти в Додатковій інформації.

Потім для кожної функції було проведено залежний тест (оскільки дослідження проводилося всередині суб’єкта), перевіряючи різницю між активними та фіктивними умовами. Змінні з низькими абсолютними значеннями t (поріг 1) були видалені з обґрунтуванням того, що різниця між цими змінними була мінімальною. Решта ознак були введені в алгоритм вибору ознак Boruta (Kursa & Rudnicki, 2010).

Boruta — це метод відбору на основі перестановки, у якому кожна функція, а також копія ознаки з її значеннями, перетасованими між учасниками (так звана «тіньова функція»), вводяться у випадковий лісовий класифікатор, а важливість кожної функції визначається як Z бал. Важливість справжніх ознак має бути вищою за максимальний Z-оцінка тіньових ознак, щоб вважатися значно важливими.

Ця процедура повторюється кілька разів з різними перестановками тіньових ознак, щоб отримати розподіл значень, з яким можна порівняти значення важливості фактичних характеристик. Таким чином, Борута є релевантним методом вибору ознак – по суті, всі або жодна зі змінних не можуть бути обрані за допомогою процесу. Було відібрано лише об’єкти, які мали вищі показники Z, ніж тіньові об’єкти.

Показано, що цей алгоритм покращує продуктивність у пошуку значущих ознак порівняно з іншими алгоритмами вибору ознак (Degenhardt et al., 2017; Kursa, 2017). Функції, вибрані Борутою, потім були введені в модель логістичної регресії, що прогнозує активність проти умов. Ми також запустили регуляризовану логістичну регресію з регуляризацією L2 (гребенева регресія), у якій оптимальний параметр λ визначався шляхом перехресної перевірки в межах навчальних даних.

Нарешті, ми також провели класифікацію логістичної регресії, використовуючи лише найважливішу змінну, вибрану алгоритмом Boruta. Після підгонки параметрів моделі до навчальних даних моделі використовувалися для прогнозування пропущених тестових даних, що дало оцінки ймовірності для кожного тестового прикладу, що належить до стану «Активний» або «Шам». Ці ймовірності були об’єднані між складками та використані для розрахунку кривих відносних робочих характеристик, з яких ми отримали значення площі під кривою (AUC) (Fawcett, 2006).

AUC є більш чутливим показником продуктивності класифікатора, ніж просто необроблена точність, і тому повідомляється тут. У межах того самого згортання перехресної перевірки дані навчання використовувалися для прогнозування змін у чутливості пам’яті для цільових віньєт (а саме, Tag & Cue) від Night 2 тести перед сном до тесту після сну в активному стані.

Мірою поведінкових показників була AUC кривої відносної операційної характеристики типу -2, непараметрична міра метакогнітивної чутливості без зміщень, де більша AUC відображає більшу чутливість пам’яті (Fleming & Lau, 2014; Galvin et al., 2003). . Тут моделі передбачили нічну зміну AUC, щоб зв’язати зміни в підключенні зі змінами в чутливості пам’яті. Усі об’єкти зв’язності були введені в процес вибору об’єктів, подібний до аналізу класифікації. Високі колінеарні об’єкти були видалені, як і раніше.

Замість тесту на момент обчислення кореляції між кожною ознакою та нічною зміною AUC було обчислено, і функції з низькими абсолютними значеннями r (порогове значення 0.1) були видалені. Решта функцій було перевірено за допомогою алгоритму Boruta, цього разу передбачення змін AUC за ніч.

Ці характеристики, а також лише головну характеристику, було введено в моделі лінійної регресії та регуляризованої регресії рівня L2, які передбачають пропущені тестові дані. Були розраховані значення середньоквадратичної помилки (RMSE), і середні значення RMSE через згортки порівнювалися зі значеннями RMSE, отриманими з прогнозів лінійної регресії лише з відрізком.

Для остаточного аналізу ми взяли функції, вибрані Boruta з класифікаційного аналізу, а також функції, вибрані Boruta з регресійного аналізу, і повторили класифікацію та регресію з об’єднаним набором функцій, а також найвищими функціями з кожного набору. Значення AUC з класифікаційного аналізу та значення RMSE з регресійного аналізу повідомляються для кожного набору ознак.

For more information:1950477648nn@gmail.com