Perubahan Ketersambungan Otak Semasa Tidur Oleh Rangsangan Tertutup Transkranial Neurostimulasi Ramalkan Sensitiviti Metamemori Bahagian 2

Rakaman Elektrofisiologi dan Rangsangan Transkranial

Data EEG telah dikumpul dan rangsangan digunakan serentak dengan prototaip StarStim64daripada Neuroelectrics, Inc., dengan 64-tudung kepala neoprena saluran termasuk 32 saluran EEG dan 32 saluran rangsangan.

Perkembangan berterusan sains dan teknologi moden telah menjadikan penyelidikan orang ramai tentang otak semakin mendalam. Dalam beberapa tahun kebelakangan ini, semakin banyak kajian telah menunjukkan hubungan rapat antara elektroensefalografi (EEG) dan ingatan. EEG ialah kaedah merekod aktiviti elektrik otak. Ia menyatakan isyarat elektrik otak manusia dalam bentuk lukisan garisan dengan mengesan isyarat bioelektrik otak. Ingatan ialah keupayaan sistem neuron otak untuk memperoleh, memproses, menyimpan, mengecam, dan mengingat kembali maklumat. Hubungan antara keduanya boleh dikatakan berkait rapat.

EEG merekodkan pergerakan badan, bahasa, pemikiran dan maklumat deria, dan telah digunakan secara meluas dalam bidang seperti perubatan, neurosains dan psikologi. Antaranya, penyelidik mendapati bahawa EEG mempunyai hubungan penting dengan ingatan. Rakaman EEG boleh membantu kami memahami dengan lebih baik proses pembentukan dan pengambilan ingatan, dan menyediakan rujukan berharga untuk rawatan gangguan ingatan. Menurut penyelidikan, pembentukan ingatan jangka panjang disertai dengan aktiviti elektrik yang berbeza-beza darjah dan pengedaran, dan apabila orang mengingati kenangan, isyarat EEG juga akan berubah, seterusnya mengesahkan hubungan rapat antara EEG dan ingatan.

Selain itu, EEG juga boleh membantu penyelidik memahami pelbagai jenis ingatan, seperti ingatan jangka pendek, ingatan jangka panjang, ingatan ruang dan ingatan emosi. Dalam penyelidikan, analisis EEG boleh menunjukkan aktiviti elektrik dari kawasan otak yang berbeza. Aktiviti elektrik khas ini boleh mendedahkan bagaimana bahan ingatan dihantar dan diproses di dalam otak dan juga mendedahkan punca kerosakan ingatan.

Boleh dikatakan bahawa EEG mempunyai kepentingan positif untuk meningkatkan kualiti hidup. Orang moden menggunakan produk elektronik seperti komputer dan telefon bimbit untuk jangka masa yang lama malah terlalu bergantung kepada media sosial sehingga menyukarkan orang ramai untuk menumpukan perhatian dan melupakan sesuatu dengan mudah. Penyelidikan menunjukkan bahawa latihan maklum balas EEG ringkas boleh meningkatkan keupayaan pembelajaran dan ingatan orang ramai. Melalui terapi EEG individu, keabnormalan dalam fungsi otak boleh diperbaiki, aktiviti otak dipertingkatkan, dan daya ingatan dan pembelajaran dipertingkatkan.

Ringkasnya, teknologi EEG perlu segera digunakan secara meluas dalam kehidupan seharian kita, dan penyelidikan lanjut juga diperlukan untuk meneroka lebih banyak aplikasi dan potensinya. Pada masa hadapan, peningkatan berterusan teknologi EEG akan membawa kita lebih banyak peluang dan cabaran, membolehkan kita mempunyai otak yang lebih cekap dan sihat. Ia boleh dilihat bahawa kita perlu meningkatkan ingatan, dan Cistanche deserticola boleh meningkatkan ingatan dengan ketara, kerana Cistanche deserticola mempunyai kesan antioksidan, anti-radang dan anti-penuaan, yang boleh membantu mengurangkan pengoksidaan dan tindak balas keradangan dalam otak, dengan itu melindungi kesihatan sistem saraf. Selain itu, Cistanche deserticola juga boleh menggalakkan pertumbuhan dan pembaikan sel saraf, dengan itu meningkatkan ketersambungan dan fungsi rangkaian saraf. Kesan ini boleh membantu meningkatkan ingatan, pembelajaran, dan kelajuan pemikiran, dan mungkin juga menghalang perkembangan disfungsi kognitif dan penyakit neurodegeneratif.

ClickKnoww meningkatkan memori jangka pendek

Saluran EEG diletakkan dalam montaj mengikut sistem 10-10. Data EEG dikumpul daripada 23 daripada 32 tapak yang disampel pada 500 Hz dan dirujuk kepada saluran Fz. 9 elektrod tambahan merekodkan electrooculogram, electromyogram, dan electrocardiogram untuk membolehkan pengesanan peringkat tidur. Tiada penapisan perkakasan dalam talian, kecuali penapisan bunyi linear (60 Hz), digunakan semasa pengumpulan.

Rangsangan transkranial aktif telah disampaikan dalam bentuk susunan unik arus spatiotemporal merentasi 32 elektrod rangsangan. Jumlah arus elektrik positif ditetapkan ke bawah 2.5 mA, dengan arus setiap saluran di bawah 1.5 mA dan lebih 150 uA.

Corak rangsangan dicipta melalui pengoptimuman turunan kecerunan untuk memaksimumkan keortogonan merentas medan elektrik teraruh dalam 3- volum D bagi templat kepala manusia dewasa dengan menghukum korelasi dan antikorelasi.

Semasa percubaan, untuk keadaan Aktif, setiap satu daripada 14 vignet telah dikaitkan secara rawak atau "ditandakan" dengan corak rangsangan yang berbeza, dan templat tersuai untuk setiap corak telah diprogramkan dalam perisian kawalan rangsangan Neuroelektrik, CoreGUI. Hanya separuh daripada corak tES ini digunakan semula pada waktu malam untuk mengisyaratkan pengaktifan semula memori (Tag & Cue), dan analisis tingkah laku tertumpu pada respons ujian ingatan ingatan untuk vignet yang disasarkan.

Corak unik direka terutamanya untuk mengimbas kenangan tertentu, bukan untuk mengubah aktiviti saraf dengan cara tertentu; Oleh itu, tindak balas otak dan perubahan ketersambungan kepada STAMP individu tidak dianalisis dan sebaliknya digabungkan untuk meningkatkan kiraan percubaan.

Pengesanan Ayunan Gelombang Perlahan

Stimulasi dihantar secara automatik dikunci masa kepada keadaan SWO yang lebih tinggi dengan algoritma pengesanan gelung tertutup, disesuaikan daripada algoritma yang dibangunkan sebelum ini (Cox et al., 2014). Semasa tidur, data EEG yang masuk daripada 13 saluran hadapan-parietal-pusat (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 dan P4) telah disimpan dalam {{17} yang sedang berjalan }s penimbal yang dikemas kini secara berterusan.

Untuk membersihkan data, penolakan purata bergerak dengan tetingkap 1- telah digunakan, dan mana-mana saluran yang melebihi amplitud min-hingga-maks 500 μV sepanjang tempoh penimbal telah ditolak.

Saluran yang selebihnya dipuratakan bersama untuk mencipta saluran maya untuk SWOdetection yang teguh. Kuasa dalam jalur gelombang perlahan (0.5–1.2 Hz) dibandingkan dengan jumlah kuasa jalur lebar (0.1–250 Hz), dan jika nisbah ini lebih besar daripada 0.3, maka kemuncak kuasa yang tepat dalam jalur gelombang perlahan (frekuensi tengah) telah dikira.

Saluran maya kemudiannya ditapis dengan penapis laluan jalur Butterworth tertib kedua dengan lebar jalur 1-Hz di sekitar frekuensi tengah (dengan potongan minimum yang lebih rendah 0.1 Hz), dan transformasi Hilbert telah digunakan. Fasa dianjak ke belakang 90 darjah, dan komponen khayalan diekstrak, menghasilkan fasa seketika.

Gelombang sinus pada frekuensi tengah dengan fasa yang dioptimumkan, mengimbangi dan amplitud isyarat yang ditapis kemudiannya dijana. Gelombang sinus telah diunjurkan ke hadapan dalam masa untuk menentukan titik fasa sifar seterusnya (iaitu, permulaan keadaan naik), dan rangsangan dimulakan pada titik masa ini dan berlangsung untuk keadaan naik yang diramalkan dengan tanjakan dan tanjakan turun. kali 100 ms.

Semasa malam Syam, titik masa rangsangan telah direkodkan, tetapi tiada rangsangan disampaikan. Oleh itu, perbandingan malam Aktif dan Sham adalah pada titik masa yang sama bagi SWO, dengan satu-satunya perbezaan ialah penyampaian rangsangan STAMP. Pengesahan pengesanan keadaan atas telah dilakukan pada data dari malam Sham untuk mengelakkan artifak yang dihasilkan oleh malam Aktif STAMPsonn.

Penanda telah diekstrak daripada titik masa keadaan naik yang diramalkan oleh padanan gelombang sinus. Dalam sesetengah keadaan, disebabkan kelewatan perkakasan, rangsangan bermasa telah dialihkan ke keadaan atas berikutan keadaan naik yang dikesan serta-merta, yang mungkin telah meningkatkan kebolehubahan fasa ke tahap tertentu. Epok masa yang dikunci kepada penanda permulaan rangsangan (−5 hingga+5 s) telah diekstrak daripada data EEG mentah dan laluan jalur yang ditapis dalam julat 0.5–1.2 Hz.

Nilai fasa pada setiap titik masa penanda permulaan dikira menggunakan transformasi Hilbert. Nilai fasa min merentas percubaan telah dikira untuk setiap peserta, dan fasa min ini diserahkan kepada ujian ujian v untuk perbezaan daripada 0 darjah (Berens, 2009). Angka dan statistik tentang pengesahan algoritma gelung tertutup dibentangkan dalam Maklumat Sokongan.

Pemprosesan Data EEG dan Analisis Teori Graf

Isyarat EEG dianalisis di luar talian dengan EEGLAB dan skrip MATLAB tersuai. Untuk membersihkan data dan mengasingkan sumber hingar daripada isyarat otak, rakaman EEG diturunkan-sampel kepada 25{3}} Hz, dirujuk kepada purata semua elektrod dan laluan jalur ditapis menggunakan penapis Butterworth (0.1–70 Hz, 24 dB/ okt).

Artifak okular dan bukan saraf telah dikenal pasti dan dikeluarkan secara manual menggunakan kaedah analisis komponen bebas (ICA) dalam EEGLAB dan algoritma infomaks terbina dalamnya (Delorme & Makeig, 2004).

Data bebas artifak telah dibahagikan dalam zaman yang mengandungi −6.4 hingga −2.4 sebelum permulaan rangsangan sebagai tetingkap garis dasar, dan 3 hingga 7 saat selepas mengimbangi rangsangan sebagai tetingkap analisis. Untuk setiap masa, spektrum kuasa pada setiap saluran dikira dengan menggunakan kaedah penganggaran spektra Welch pada 2048-segmen ms dengan pertindihan 1,024-ms (50%), dengan setiap segmen ditirukan oleh tetingkap Hamming.

Analisis ketersambungan fungsional dan teori graf dilakukan dengan BioNeCtToolbox, kotak alat MATLAB tersuai untuk analisis sambungan otak (Casanova, El-Baz, & Suri, 2017). Sambungan otak berfungsi antara kawasan otak dianggarkan dengan mengira korelasi silang dalam domain frekuensi antara isyarat EEG (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Di antara pelbagai metrik ketersambungan berfungsi, koheren khayalan (iCoh) secara eksklusif mengesan interaksi "benar" antara isyarat EEG yang berlaku dalam kelewatan masa tertentu, dengan itu mengabaikan interaksi serta-merta antara elektrod jiran yang mungkin dihasilkan oleh pengaliran volum aktiviti elektrik daripada sumber otak yang sama (Bullmore & Spons, 2009; Fallani et al., 2014;Mohammad-Rezazadeh et al., 2016).

Nilai iCoh dikira untuk semua kemungkinan electrodepairs dalam jalur frekuensi berikut: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), gelendong (12–15 Hz), beta (16– 30 Hz), dan gamma rendah (40–50 Hz).

Analisis ini dilakukan pada kedua-dua data Aktif dan Sham. Selain itu, nilai iCoh telah dikira untuk kedua-dua tetingkap masa pascastimulasi dan prastimulasi, dan nilai tetingkap prastimulasi telah ditolak daripada nilai tetingkap pascastimulasi untuk pembetulan garis dasar. Kepelbagaian dimensi yang tinggi bagi ukuran iCoh telah dirungkai dengan pendekatan teori graf.

Metrik teoretik graf memberikan maklumat tentang tahap pengasingan rangkaian (iaitu, kecenderungan kawasan otak untuk membentuk kelompok setempat dengan kesalinghubungan berfungsi yang padat) dan penyepaduan dan kecekapan rangkaian (iaitu, kapasiti rangkaian untuk saling berhubung dan bertukar maklumat dengan cekap antara otak. wilayah; Bullmore & Sporns, 2009;

Ukuran graf yang biasa digunakan berikut telah dikira untuk semua jalur frekuensi yang disebut di atas dalam tempoh sebelum dan selepas rangsangan: pekali pengelompokan purata (kebarangkalian nod jiran disambungkan, mencerminkan keterkaitan setempat); kecekapan global (seberapa cekap rangkaian dalam memindahkan maklumat); panjang laluan ciri, jejari, dan diameter (purata bilangan tepi sepanjang laluan terpendek, jarak minimum yang mungkin, dan jarak terbesar yang mungkin, masing-masing antara semua pasangan nod yang mungkin); kemodularan (tahap di mana rangkaian otak diasingkan ke dalam subrangkaian atau modul);assortativity (perkadaran nod yang dilampirkan pada nod lain dengan darjah yang serupa vs. darjah yang tidak serupa); ketumpatan (bilangan tepi dibahagikan dengan bilangan nod dalam graf); dan min koheren (kepaduan purata antara semua pasangan nod).

Pengkelasan dan Analisis Regresi

Data yang terhasil terdiri daripada 48 ciri ketersambungan berfungsi (metrik 8graf-teoretik ×6 jalur frekuensi) untuk kedua-dua keadaan rangsangan Aktif dan Sham untuk setiap peserta. Lebih khusus lagi, ciri ketersambungan telah diekstrak berikutan rangsangan pada malam Aktif yang mana rangsangan STAMP berlaku, serta seperti pada malam Syam di mana tiada rangsangan berlaku.

Untuk menyiasat perubahan ketersambungan yang meramalkan keadaan rangsangan, serta berkaitan dengan tingkah laku, kami melaksanakan analisis pengelasan peringkat peserta dan regresi silang-pengesahan, di mana data daripada subset peserta ditinggalkan sebagai data ujian untuk diramal. Untuk mengurangkan varians, kami menjalankan 35 lipatan di mana satu hingga tiga peserta ditinggalkan pada satu masa.

Kaedah pensampelan pemisahan rawak berulang ini lebih disukai berbanding kaedah "tinggalkan satu" yang biasa dilaksanakan, yang boleh membawa kepada anggaran varians yang tidak stabil dan berat sebelah (Scheinost et al., 2019; Varoquaux et al., 2017). Kami memilih untuk mengambil pendekatan pemacu data ini bukan sahaja disebabkan ruang ciri data yang besar tetapi juga disebabkan oleh kebaruan penyiasatan.

Beberapa kajian setakat ini telah mengkaji hubungan antara metrik graf-teoretik keterkaitan otak dan kepekaan metamemori, dan tidak ada yang mengkaji bagaimana ini berubah dengan rangsangan otak. Oleh itu, kita mungkin akan terlepas hubungan penting antara ketersambungan fungsi dan metamemori dengan hanya memeriksa jalur frekuensi tertentu (cth, theta) atau ukuran (cth, min koheren) berdasarkan penemuan sebelumnya dalam literatur. Gambar rajah yang menggariskan saluran paip analisis dibentangkan dalam Rajah 2.

Bagi setiap lipatan, kaedah pemilihan ciri telah dijalankan pada data latihan untuk mencari ciri graf-teoretik (garis dasar pascastimulasi dibetulkan dengan prastimulasi) yang mendiskriminasi antara keadaan rangsangan Aktif dan Sham. Banyak ciri sangat berkorelasi antara satu sama lain, yang boleh dilihat dalam Maklumat Sokongan Rajah S2.

Oleh itu, pembolehubah kolinear tinggi pertama telah dialih keluar dengan mencari pasangan ciri dengan korelasi tinggi (nilai ambang r 0.8) dan mengalih keluar pembolehubah dengan korelasi mutlak min yang lebih tinggi dengan pembolehubah lain. Maklumat tambahan tentang pembolehubah yang dialih keluar disebabkan oleh kolineariti yang tinggi boleh didapati dalam Maklumat Sokongan.

Kemudian, ujian bergantung (kerana kajian adalah reka bentuk dalam subjek) dijalankan pada setiap ciri, menguji perbezaan antara keadaan Aktif dan Sham. Pembolehubah dengan nilai t mutlak rendah (ambang 1) telah dialih keluar, dengan rasional bahawa perbezaan antara pembolehubah ini adalah minimum. Ciri selebihnya dimasukkan ke dalam algoritma pemilihan ciri Boruta (Kursa & Rudnicki, 2010).

Boruta ialah kaedah pemilihan berasaskan pilih atur, di mana setiap ciri, serta salinan ciri dengan nilainya, dikocok merentasi peserta (dipanggil "ciri bayangan"), dimasukkan ke dalam pengelas hutan rawak, dan kepentingan setiap ciri ditentukan sebagai skor Z. Kepentingan ciri sebenar mestilah lebih tinggi daripada skor Z maks ciri bayang-bayang untuk dianggap penting.

Prosedur ini diulang beberapa kali dengan pilih atur berbeza bagi ciri bayang-bayang untuk mendapatkan taburan nilai yang mana nilai kepentingan ciri sebenar boleh dibandingkan. Oleh itu, Boruta ialah kaedah pemilihan ciri yang berkaitan-secara asasnya, semua atau tiada pembolehubah boleh dipilih melalui proses tersebut. Hanya ciri yang mempunyai skor Z lebih tinggi daripada ciri bayang telah dipilih.

Algoritma ini telah ditunjukkan untuk meningkatkan prestasi dalam mencari ciri yang bermakna berbanding dengan algoritma pemilihan ciri lain (Degenhardt et al., 2017; Kursa, 2017). Ciri yang dipilih oleh Boruta kemudiannya dimasukkan ke dalam model regresi logistik yang meramalkan keadaan Aktif berbanding keadaan. Kami juga menjalankan regresi logistik teratur dengan regularisasi L2 (regresi rabung), di mana parameter λ optimum ditentukan melalui pengesahan silang dalam data latihan.

Akhir sekali, kami juga menjalankan klasifikasi regresi logistik menggunakan hanya pembolehubah paling penting yang dipilih oleh algoritma Boruta. Selepas memasang parameter model pada data latihan, model digunakan untuk meramalkan data ujian tertinggal, menghasilkan anggaran kebarangkalian untuk setiap contoh ujian sama ada tergolong dalam keadaan Aktif atau Sham. Kebarangkalian ini disatukan merentasi lipatan dan digunakan untuk mengira lengkung ciri operasi relatif, dari mana kita memperoleh nilai kawasan di bawah lengkung (AUC) (Fawcett, 2006).

AUC ialah ukuran prestasi pengelas yang lebih sensitif daripada hanya ketepatan mentah dan oleh itu dilaporkan di sini. Dalam lipatan pengesahan silang yang sama, data latihan telah digunakan untuk meramalkan perubahan dalam sensitiviti ingatan untuk vignet yang disasarkan (iaitu, Tag & Cue) daripada Malam 2 pratidur kepada ujian selepas tidur dalam keadaan Aktif.

Ukuran prestasi tingkah laku ialah AUC jenis-2 lengkung ciri operasi relatif, ukuran kepekaan metakognitif bukan parametrik bebas bias, dengan AUC yang lebih besar mencerminkan sensitiviti ingatan yang lebih besar (Fleming &Lau, 2014; Galvin et al., 2003) . Di sini, model meramalkan perubahan semalaman dalam AUC untuk mengikat perubahan dalam ketersambungan dengan perubahan dalam sensitiviti memori. Semua ciri ketersambungan telah dimasukkan ke dalam proses pemilihan ciri yang serupa seperti analisis pengelasan. Ciri kolinear tinggi telah dialih keluar seperti sebelum ini.

Daripada ujian pada, korelasi antara setiap ciri dan perubahan AUC semalaman telah dikira dan ciri dengan nilai r mutlak rendah (ambang 0.1) telah dialih keluar. Ciri selebihnya dijalankan melalui Borutaalgorithm, kali ini meramalkan perubahan AUC semalaman.

Ciri-ciri ini, serta hanya ciri teratas, telah dimasukkan ke dalam regresi linear dan model regresi teratur L2 meramalkan data ujian tertinggal. Nilai ralat akar-min kuasa dua (RMSE) telah dikira dan nilai purataRMSE merentas lipatan dibandingkan dengan nilai RMSE daripada ramalan daripada regresi linear dengan hanya memintas.

Sebagai analisis akhir, kami mengambil ciri yang dipilih Boruta daripada analisis klasifikasi, serta ciri yang dipilih oleh Boruta daripada analisis regresi, dan mengosongkan semula klasifikasi dan regresi dengan set ciri gabungan, serta ciri teratas daripada setiap set. Nilai AUC daripada analisis klasifikasi dan nilai RMSE daripada analisis regresi dilaporkan untuk setiap set ciri.

For more information:1950477648nn@gmail.com