Alterazioni della connettività cerebrale durante il sonno mediante neurostimolazione transcranica a circuito chiuso predicono la sensibilità della metamemoria Parte 2

Registrazioni elettrofisiologiche e stimolazione transcranica

Sono stati raccolti i dati EEG e la stimolazione è stata applicata simultaneamente con un prototipo StarStim64 di Neuroelectrics, Inc., con una cuffia in neoprene a 64-canali comprendente 32 canali EEG e 32 canali di stimolazione.

Il continuo sviluppo della scienza e della tecnologia moderne ha reso la ricerca sul cervello sempre più approfondita. Negli ultimi anni, un numero crescente di studi ha dimostrato la stretta relazione tra elettroencefalografia (EEG) e memoria. L’EEG è un metodo per registrare l’attività elettrica del cervello. Esprime i segnali elettrici del cervello umano sotto forma di disegni al tratto rilevando i segnali bioelettrici del cervello. La memoria è la capacità del sistema neuronale del cervello di acquisire, elaborare, archiviare, riconoscere e richiamare informazioni. Si può dire che il rapporto tra i due sia strettamente correlato.

L'EEG registra il movimento del corpo, il linguaggio, il pensiero e le informazioni sensoriali ed è stato ampiamente utilizzato in campi come la medicina, le neuroscienze e la psicologia. Tra questi, i ricercatori hanno scoperto che l'EEG ha un'importante relazione con la memoria. Le registrazioni EEG possono aiutarci a comprendere meglio il processo di creazione e recupero della memoria e fornire un prezioso riferimento per il trattamento dei disturbi della memoria. Secondo la ricerca, la formazione della memoria a lungo termine è accompagnata da un’attività elettrica di vario grado e distribuzione, e quando le persone ricordano i ricordi, anche i segnali EEG cambieranno, confermando ulteriormente la stretta connessione tra EEG e memoria.

Inoltre, l’EEG può anche aiutare i ricercatori a comprendere diversi tipi di memoria, come la memoria a breve termine, la memoria a lungo termine, la memoria spaziale e la memoria emotiva. Nella ricerca, l'analisi EEG può evidenziare l'attività elettrica di diverse aree del cervello. Queste speciali attività elettriche possono rivelare come i materiali della memoria vengono trasmessi ed elaborati all'interno del cervello e anche rivelare le cause dei disturbi della memoria.

Si può dire che l'EEG ha un significato positivo per il miglioramento della qualità della vita. Le persone moderne utilizzano da molto tempo prodotti elettronici come computer e telefoni cellulari e fanno anche troppo affidamento sui social media, il che rende difficile per le persone concentrarsi e dimenticare facilmente le cose. La ricerca mostra che una breve formazione con feedback EEG può migliorare la capacità di apprendimento e la memoria delle persone. Attraverso la terapia EEG individuale è possibile riparare le anomalie della funzione cerebrale, migliorare l'attività cerebrale e migliorare la memoria e le capacità di apprendimento.

In sintesi, la tecnologia EEG necessita urgentemente di essere ampiamente utilizzata nella nostra vita quotidiana e sono necessarie ulteriori ricerche per esplorarne maggiormente le applicazioni e il potenziale. In futuro, il continuo miglioramento della tecnologia EEG ci offrirà maggiori opportunità e sfide, permettendoci di avere cervelli più efficienti e più sani. Si può vedere che dobbiamo migliorare la memoria, e la Cistanche deserticola può migliorare significativamente la memoria, perché la Cistanche deserticola ha effetti antiossidanti, antinfiammatori e antinvecchiamento, che possono aiutare a ridurre l’ossidazione e le reazioni infiammatorie nel cervello, proteggendo così il cervello. salute del sistema nervoso. Inoltre, Cistanche deserticola può anche promuovere la crescita e la riparazione delle cellule nervose, migliorando così la connettività e la funzione delle reti neurali. Questi effetti possono aiutare a migliorare la memoria, l’apprendimento e la velocità di pensiero e possono anche prevenire lo sviluppo di disfunzioni cognitive e malattie neurodegenerative.

ClickKnoww migliora la memoria a breve termine

I canali EEG sono stati posizionati in un montaggio secondo il sistema 10-10. I dati EEG sono stati raccolti da 23 dei 32 siti campionati a 500 Hz e riferiti al canale Fz. I 9 elettrodi aggiuntivi registravano l'elettrooculogramma, l'elettromiogramma e l'elettrocardiogramma per consentire il rilevamento delle fasi del sonno. Durante la raccolta non è stato applicato alcun filtro hardware online, ad eccezione del filtro del rumore di linea (60 Hz).

La stimolazione transcranica attiva è stata erogata sotto forma di matrici uniche di correnti spaziotemporali attraverso i 32 elettrodi di stimolazione. La corrente elettrica positiva totale è stata impostata su un valore inferiore a 2,5 mA, con la corrente di ciascun canale inferiore a 1,5 mA e superiore a 150 uA.

I modelli di stimolazione sono stati creati attraverso l'ottimizzazione della discesa del gradiente per massimizzare l'ortogonalità attraverso i campi elettrici indotti nel volume 3-D di un modello di testa umana adulta penalizzando correlazioni e anticorrelazioni.

Durante l'esperimento, per la condizione attiva, ciascuna delle 14 vignette è stata associata o "etichettata" in modo casuale con un diverso modello di stimolazione e modelli personalizzati per ciascun modello sono stati programmati nel software di controllo della stimolazione neuroelettrica, CoreGUI. Solo la metà di questi modelli tES sono stati riapplicati durante la notte per segnalare la riattivazione della memoria (Tag & Cue) e le analisi comportamentali si sono concentrate sulle risposte ai test di richiamo della memoria per le vignette mirate.

I modelli unici erano progettati principalmente per stimolare ricordi specifici, non per alterare l'attività neurale in modi specifici; pertanto, le risposte cerebrali e i cambiamenti di connettività ai singoli STAMP non sono stati analizzati e sono stati invece combinati per aumentare il numero delle prove.

Rilevamento delle oscillazioni a onde lente

La stimolazione è stata erogata automaticamente con blocco temporale agli stati up degli SWO con un algoritmo di rilevamento a circuito chiuso, adattato da un algoritmo sviluppato in precedenza (Cox et al., 2014). Durante il sonno, i dati EEG in arrivo da 13 canali fronte-parietale-centrali (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 e P4) sono stati memorizzati in un {{17} }s buffer che veniva aggiornato continuamente.

Per pulire i dati, è stata applicata la sottrazione della media mobile con una finestra di 1-s e tutti i canali che superavano l'ampiezza minima-massima di 500 μV nel periodo buffer sono stati rifiutati.

È stata calcolata la media dei canali rimanenti per creare un canale virtuale per un rilevamento SWO efficace. La potenza all'interno della banda a onde lente (0,5–1,2 Hz) è stata confrontata con la potenza totale della banda larga (0,1–250 Hz) e se questo rapporto era maggiore di 0,3, quindi è stato calcolato il picco preciso di potenza nella banda delle onde lente (la frequenza centrale).

Il canale virtuale è stato quindi filtrato con un filtro passa banda Butterworth di secondo ordine con una larghezza di banda di 1- Hz attorno alla frequenza centrale (con un taglio inferiore minimo di 0,1 Hz) ed è stata applicata una trasformata di Hilbert. La fase è stata spostata indietro di 90 gradi e la componente immaginaria è stata estratta, ottenendo la fase istantanea.

È stata quindi generata un'onda sinusoidale alla frequenza centrale con fase, offset e ampiezza ottimizzati del segnale filtrato. L'onda sinusoidale è stata proiettata in avanti nel tempo per determinare il punto successivo della fase zero (ovvero, l'inizio dello stato ascendente), e la stimolazione è stata avviata in questo punto temporale ed è durata per lo stato ascendente previsto con accelerazione e diminuzione tempi di 100 ms.

Durante le notti simulate, sono stati registrati i punti temporali della stimolazione, ma non è stata erogata alcuna stimolazione. Pertanto, il confronto tra le notti Active e Sham è avvenuto negli stessi punti temporali dell'SWO, con l'unica differenza che è stata l'erogazione della stimolazione STAMP. La convalida del rilevamento dello stato up è stata eseguita sui dati delle notti Sham per evitare artefatti prodotti dalle notti STAMPsonn Active.

I marcatori sono stati estratti dai punti temporali degli stati ascendenti previsti dall'adattamento dell'onda sinusoidale. In alcuni casi, a causa del ritardo dell'hardware, la stimolazione temporizzata è stata spostata allo stato up dopo lo stato up immediatamente rilevato, il che potrebbe aver aumentato in una certa misura la variabilità delle fasi. Le epoche bloccate nel tempo rispetto ai marcatori di insorgenza della stimolazione (da −5 a +5 s) sono state estratte dai dati EEG grezzi e filtrate passa banda nell'intervallo 0,5–1,2 Hz.

I valori di fase in ciascun punto temporale del marcatore di inizio sono stati calcolati utilizzando la trasformata di Hilbert. Per ciascun partecipante sono stati calcolati i valori di fase medi tra gli studi e queste fasi medie sono state sottoposte al test v-test per una differenza di 0 gradi (Berens, 2009). I dati e le statistiche sulla validazione dell'algoritmo a circuito chiuso sono presentati nelle Informazioni di supporto.

Elaborazione dei dati EEG e analisi teorica dei grafici

I segnali EEG sono stati analizzati offline con EEGLAB e script MATLAB personalizzati. Per pulire i dati e separare le fonti di rumore dal segnale cerebrale, le registrazioni EEG sono state sottocampionate a 250 Hz, riferite alla media di tutti gli elettrodi e filtrate passa banda utilizzando un filtro Butterworth (0,1–70 Hz, 24 dB/ ottobre).

Gli artefatti oculari e non neurali sono stati identificati e rimossi manualmente utilizzando il metodo di analisi delle componenti indipendenti (ICA) in EEGLAB e il suo algoritmo infomax integrato (Delorme & Makeig, 2004).

I dati privi di artefatti sono stati segmentati in epoche contenenti da -6,4 a -2,4 prima dell'inizio della stimolazione come finestra di riferimento e da 3 a 7 s successivi allo spostamento della stimolazione come finestra di analisi. Per ciascuna epoca, lo spettro di potenza su ciascun canale è stato calcolato applicando il metodo di stima spettrale di Welch su segmenti di 2048-ms con una sovrapposizione di 1,024-ms (50%), con ciascun segmento rastremato da una finestra di Hamming.

La connettività funzionale e le analisi teoriche dei grafici sono state eseguite con BioNeCtToolbox, un toolbox MATLAB personalizzato per l'analisi della connettività cerebrale (Casanova, El-Baz e Suri, 2017). La connettività cerebrale funzionale tra le regioni cerebrali viene stimata calcolando la correlazione incrociata nel dominio della frequenza tra i segnali EEG (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Tra i vari parametri di connettività funzionale, la coerenza immaginaria (iCoh) rileva esclusivamente le interazioni "vere" tra i segnali EEG che si verificano entro un certo ritardo temporale, ignorando così l'interazione istantanea tra elettrodi vicini probabilmente prodotta dalla conduzione volumetrica dell'attività elettrica da una fonte cerebrale comune (Bullmore & Sporns, 2009; Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

I valori iCoh sono stati calcolati per tutte le possibili coppie di elettrodi nelle seguenti bande di frequenza: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), fuso (12–15 Hz), beta (16– 30 Hz) e gamma bassa (40–50 Hz).

Queste analisi sono state eseguite sia sui dati Active che su quelli Sham. Inoltre, i valori iCoh sono stati calcolati sia per la finestra temporale di poststimolazione che per quella di prestimolazione, e i valori della finestra di prestimolazione sono stati sottratti dai valori della finestra di poststimolazione per la correzione di base. L'elevata multidimensionalità delle misure di iCoh è stata districata con un approccio teorico grafico.

Le metriche della teoria dei grafi forniscono informazioni sul grado di segregazione della rete (cioè la tendenza delle regioni del cervello a formare cluster locali con dense interconnessioni funzionali) e sull'integrazione e sull'efficienza della rete (cioè la capacità della rete di diventare interconnessa e di scambiare in modo efficiente informazioni tra cervello e cervello). regioni; Bullmore & Sporns, 2009;

Le seguenti misure grafiche comunemente utilizzate sono state calcolate per tutte le bande di frequenza sopra menzionate nei periodi pre e post stimolazione: coefficiente di clustering medio (la probabilità che i nodi vicini siano collegati, riflettendo la connessione locale); efficienza globale (quanto è efficiente la rete nel trasferire informazioni); lunghezza, raggio e diametro caratteristici del percorso (il numero medio di bordi lungo i percorsi più brevi, la distanza minima possibile e la distanza maggiore possibile tra tutte le possibili coppie di nodi, rispettivamente); modularità (il grado in cui la rete cerebrale è segregata in sottoreti o moduli); assortitività (la proporzione di nodi collegati ad altri nodi con gradi simili rispetto a gradi diversi); densità (il numero di spigoli diviso per il numero di nodi nel grafico) e coerenza media (la coerenza media tra tutte le coppie di nodi).

Classificazione e analisi di regressione

I dati risultanti consistevano in 48 caratteristiche di connettività funzionale (metriche teoriche di 8 grafici × 6 bande di frequenza) sia per le condizioni di stimolazione Attiva che Sham per ciascun partecipante. Più specificamente, le caratteristiche di connettività sono state estratte in seguito alla stimolazione nelle notti attive in cui si è verificata la stimolazione STAMP, nonché come durante le notti Sham in cui non si verificava alcuna stimolazione.

Per indagare quali cambiamenti di connettività siano predittivi della condizione di stimolazione, oltre a essere correlati al comportamento, abbiamo implementato una classificazione a livello di partecipante e un'analisi di regressione e convalida incrociata, in cui i dati di un sottoinsieme di partecipanti sono stati omessi come dati di test da prevedere. Per ridurre la varianza, abbiamo eseguito 35 piegamenti in cui sono stati esclusi da uno a tre partecipanti alla volta.

Questo metodo di campionamento ripetuto e suddiviso in modo casuale è preferito rispetto al metodo comunemente implementato del "leave one out", che può portare a stime della varianza instabili e distorte (Scheinost et al., 2019; Varoquaux et al., 2017). Abbiamo scelto di adottare questo approccio basato sui dati non solo per l'ampio spazio di funzionalità dei dati, ma anche per la novità dell'indagine.

Pochi studi fino ad oggi hanno esaminato le relazioni tra i parametri della teoria dei grafi della connettività cerebrale e la sensibilità della metamemoria, e nessuno ha esaminato come questo cambia con la stimolazione cerebrale. Pertanto, potremmo potenzialmente perdere importanti relazioni tra connettività funzionale e metamemoria esaminando solo determinate bande di frequenza (ad esempio, theta) o misure (ad esempio, coerenza media) basate su risultati precedenti in letteratura. Un diagramma che delinea la pipeline di analisi è presentato nella Figura 2.

Per ciascuna piega, è stato eseguito un metodo di selezione delle caratteristiche sui dati di addestramento per trovare caratteristiche teoriche dei grafici (linea di base poststimolazione corretta con prestimolazione) che discriminassero tra condizioni di stimolazione attiva e simulata. Molte funzionalità erano altamente correlate tra loro, come è possibile vedere nella Figura S2 delle informazioni di supporto.

Pertanto, le prime variabili altamente collineari sono state rimosse trovando coppie di caratteristiche con correlazioni elevate (valore di soglia r di 0.8) e rimuovendo la variabile con la correlazione media assoluta più elevata con le altre variabili. Ulteriori informazioni sulle variabili rimosse a causa dell'elevata collinearità sono disponibili nelle Informazioni di supporto.

Quindi, è stato eseguito un test dipendente (poiché lo studio era un disegno intra-soggetti) su ciascuna caratteristica, testando la differenza tra le condizioni attive e fittizie. Le variabili con valori t assoluti bassi (soglia pari a 1) sono state rimosse, con la motivazione che la differenza tra queste variabili era minima. Le restanti caratteristiche sono state inserite nell'algoritmo di selezione delle caratteristiche di Boruta (Kursa & Rudnicki, 2010).

Boruta è un metodo di selezione basato sulla permutazione, in cui ogni caratteristica, così come una copia della caratteristica con i suoi valori, mescolata tra i partecipanti (chiamata "funzione ombra"), viene inserita in un classificatore casuale della foresta e l'importanza di ciascuna caratteristica è determinato come punteggio Z. L'importanza delle caratteristiche reali deve essere superiore al punteggio Z massimo delle caratteristiche ombra per essere considerata significativamente importante.

Questa procedura viene ripetuta più volte con diverse permutazioni delle caratteristiche d'ombra per ottenere una distribuzione di valori con cui confrontare i valori di importanza delle caratteristiche reali. Pertanto, Boruta è un metodo di selezione delle caratteristiche estremamente rilevante: in sostanza, tutte o nessuna delle variabili potrebbe essere selezionata dal processo. Sono state selezionate solo le caratteristiche che avevano punteggi Z più alti rispetto alle caratteristiche ombra.

È stato dimostrato che questo algoritmo migliora le prestazioni nella ricerca di caratteristiche significative rispetto ad altri algoritmi di selezione delle caratteristiche (Degenhardt et al., 2017; Kursa, 2017). Le caratteristiche selezionate da Boruta sono state quindi inserite in un modello di regressione logistica che prevedeva le condizioni Attivo rispetto a quelle attive. Abbiamo anche eseguito una regressione logistica regolarizzata con regolarizzazione L2 (regressione della cresta), in cui il parametro λ ottimale è stato determinato tramite validazione incrociata all'interno dei dati di training.

Infine, abbiamo anche eseguito una classificazione di regressione logistica utilizzando solo la variabile più importante selezionata dall'algoritmo Boruta. Dopo aver adattato i parametri del modello ai dati di addestramento, i modelli sono stati utilizzati per prevedere i dati del test esclusi, producendo stime di probabilità per ciascun esempio di test appartenente alla condizione Attiva o Sham. Queste probabilità sono state concatenate attraverso le pieghe e utilizzate per calcolare le relative curve caratteristiche operative, da cui abbiamo derivato i valori dell'area sotto la curva (AUC) (Fawcett, 2006).

L'AUC è una misura più sensibile delle prestazioni del classificatore rispetto alla semplice precisione grezza e quindi viene riportata qui. All'interno della stessa validazione incrociata, i dati di addestramento sono stati utilizzati per prevedere i cambiamenti nella sensibilità della memoria per le vignette mirate (vale a dire, Tag e Cue) dalla Notte 2 test pre-sonno al test post-sonno nella condizione attiva.

La misura della prestazione comportamentale era l'AUC della curva caratteristica operativa relativa del tipo-2, una misura non parametrica priva di bias della sensibilità metacognitiva, con una maggiore AUC che rifletteva una maggiore sensibilità della memoria (Fleming &Lau, 2014; Galvin et al., 2003). . In questo caso, i modelli hanno previsto la variazione notturna dell’AUC per collegare i cambiamenti nella connettività con i cambiamenti nella sensibilità della memoria. Tutte le funzionalità di connettività sono state inserite in un processo di selezione delle funzionalità simile a quello dell'analisi di classificazione. Le funzionalità altamente collineari sono state rimosse come prima.

Invece di un at-test, è stata calcolata la correlazione tra ciascuna caratteristica e la variazione dell'AUC durante la notte e le caratteristiche con valori assoluti bassi (soglia di 0.1) sono state rimosse. Le restanti funzionalità sono state eseguite tramite l'algoritmo Boruta, questa volta prevedendo i cambiamenti dell'AUC durante la notte.

Queste funzionalità, così come solo la funzionalità principale, sono state inserite nei modelli di regressione lineare e di regressione regolarizzata L2 che prevedono i dati dei test esclusi. Sono stati calcolati i valori dell'errore quadratico medio (RMSE) e i valori RMSE medi tra le pieghe sono stati confrontati con i valori RMSE delle previsioni di una regressione lineare con solo l'intercetta.

Come analisi finale, abbiamo preso le caratteristiche selezionate da Boruta dall'analisi di classificazione, nonché le caratteristiche selezionate da Boruta dall'analisi di regressione, e abbiamo ripetuto la classificazione e la regressione con il set di caratteristiche combinate, nonché la caratteristica principale di ciascun set. Per ciascun set di funzionalità vengono riportati i valori AUC delle analisi di classificazione e i valori RMSE delle analisi di regressione.

For more information:1950477648nn@gmail.com