Sự thay đổi kết nối của não trong khi ngủ bằng phương pháp kích thích thần kinh xuyên sọ khép kín Dự đoán độ nhạy siêu trí nhớ Phần 2

Ghi điện sinh lý và kích thích xuyên sọ

Dữ liệu điện não đồ đã được thu thập và kích thích được áp dụng đồng thời với nguyên mẫu StarStim64 của Neuroelectrics, Inc., với 64-mũ che đầu bằng cao su tổng hợp có kênh bao gồm 32 kênh EEG và 32 kênh kích thích.

Sự phát triển không ngừng của khoa học công nghệ hiện đại đã khiến cho những nghiên cứu về não bộ của con người ngày càng sâu sắc hơn. Trong những năm gần đây, ngày càng có nhiều nghiên cứu chứng minh mối quan hệ chặt chẽ giữa điện não đồ (EEG) và trí nhớ. EEG là phương pháp ghi lại hoạt động điện của não. Nó thể hiện các tín hiệu điện não người dưới dạng các đường vẽ bằng cách phát hiện các tín hiệu điện sinh học của não. Trí nhớ là khả năng hệ thống thần kinh của não thu thập, xử lý, lưu trữ, nhận biết và nhớ lại thông tin. Mối quan hệ giữa hai người có thể nói là có quan hệ mật thiết với nhau.

Điện não đồ ghi lại chuyển động cơ thể, ngôn ngữ, suy nghĩ và thông tin cảm giác và đã được sử dụng rộng rãi trong các lĩnh vực như y học, khoa học thần kinh và tâm lý học. Trong số đó, các nhà nghiên cứu nhận thấy EEG có mối quan hệ quan trọng với trí nhớ. Bản ghi EEG có thể giúp chúng ta hiểu rõ hơn về quá trình thiết lập và phục hồi trí nhớ, đồng thời cung cấp tài liệu tham khảo có giá trị cho việc điều trị rối loạn trí nhớ. Theo nghiên cứu, quá trình hình thành trí nhớ dài hạn đi kèm với hoạt động điện ở mức độ và sự phân bố khác nhau, đồng thời khi mọi người nhớ lại ký ức, tín hiệu EEG cũng sẽ thay đổi, điều này khẳng định thêm mối liên hệ chặt chẽ giữa EEG và trí nhớ.

Ngoài ra, EEG còn có thể giúp các nhà nghiên cứu hiểu được các loại trí nhớ khác nhau, chẳng hạn như trí nhớ ngắn hạn, trí nhớ dài hạn, trí nhớ không gian và trí nhớ cảm xúc. Trong nghiên cứu, phân tích EEG có thể chỉ ra hoạt động điện từ các vùng não khác nhau. Những hoạt động điện đặc biệt này có thể tiết lộ cách các vật liệu ghi nhớ được truyền và xử lý trong não và cũng tiết lộ nguyên nhân gây suy giảm trí nhớ.

Có thể nói, EEG có ý nghĩa tích cực trong việc nâng cao chất lượng cuộc sống. Con người hiện đại sử dụng các sản phẩm điện tử như máy tính, điện thoại di động trong thời gian dài và thậm chí phụ thuộc quá nhiều vào mạng xã hội khiến con người khó tập trung và dễ quên mọi việc. Nghiên cứu cho thấy rằng đào tạo phản hồi EEG ngắn gọn có thể cải thiện khả năng học tập và trí nhớ của mọi người. Thông qua liệu pháp EEG của từng cá nhân, những bất thường trong chức năng não có thể được sửa chữa, hoạt động của não được cải thiện, trí nhớ và khả năng học tập được nâng cao.

Tóm lại, công nghệ EEG rất cần được sử dụng rộng rãi trong cuộc sống hàng ngày của chúng ta và cũng cần nghiên cứu sâu hơn để khám phá thêm các ứng dụng và tiềm năng của nó. Trong tương lai, sự cải tiến không ngừng của công nghệ EEG sẽ mang đến cho chúng ta nhiều cơ hội và thách thức hơn, giúp chúng ta có bộ não hoạt động hiệu quả và khỏe mạnh hơn. Có thể thấy rằng chúng ta cần cải thiện trí nhớ, và Cistanche Deserticola có thể cải thiện đáng kể trí nhớ, bởi vì Cistanche Deserticola có tác dụng chống oxy hóa, chống viêm và chống lão hóa, có thể giúp làm giảm quá trình oxy hóa và các phản ứng viêm trong não, từ đó bảo vệ cơ thể. sức khỏe của hệ thần kinh. Ngoài ra, Cistanche Deserticola còn có thể thúc đẩy sự phát triển và sửa chữa các tế bào thần kinh, từ đó tăng cường khả năng kết nối và chức năng của mạng lưới thần kinh. Những tác động này có thể giúp cải thiện trí nhớ, tốc độ học tập và tư duy, đồng thời cũng có thể ngăn ngừa sự phát triển của rối loạn chức năng nhận thức và các bệnh thoái hóa thần kinh.

ClickKnoww cải thiện trí nhớ ngắn hạn

Các kênh EEG được đặt trong một đoạn phim theo hệ thống 10-10. Dữ liệu EEG được thu thập từ 23 trong số 32 địa điểm được lấy mẫu ở tần số 500 Hz và được tham chiếu đến kênh Fz. 9 điện cực bổ sung ghi lại điện nhãn đồ, điện cơ và điện tâm đồ để cho phép phát hiện các giai đoạn giấc ngủ. Không có bộ lọc phần cứng trực tuyến nào, ngoại trừ bộ lọc nhiễu dòng (60 Hz), được áp dụng trong quá trình thu thập.

Kích thích xuyên sọ chủ động được thực hiện dưới dạng các mảng dòng điện không gian thời gian duy nhất trên 32 điện cực kích thích. Tổng dòng điện dương được đặt ở mức dưới 2,5 mA, với dòng điện của mỗi kênh dưới 1,5 mA và trên 150 uA.

Các mô hình kích thích được tạo ra thông qua tối ưu hóa độ dốc giảm dần để tối đa hóa tính trực giao trên các điện trường cảm ứng trong thể tích 3-D của mẫu đầu người trưởng thành bằng cách loại bỏ các mối tương quan và phản tương quan.

Trong quá trình thử nghiệm, đối với điều kiện Hoạt động, mỗi họa tiết trong số 14 họa tiết được liên kết ngẫu nhiên hoặc được "gắn thẻ" bằng một mẫu kích thích khác nhau và các mẫu tùy chỉnh cho từng mẫu đã được lập trình trong phần mềm điều khiển kích thích điện thần kinh, CoreGUI. Chỉ một nửa trong số các mẫu tES này được áp dụng lại trong đêm để ra tín hiệu kích hoạt lại bộ nhớ (Tag & Cue) và các phân tích hành vi tập trung vào phản hồi kiểm tra khả năng thu hồi bộ nhớ đối với các họa tiết được nhắm mục tiêu.

Các mẫu độc đáo này được thiết kế chủ yếu để gợi lại những ký ức cụ thể chứ không phải để thay đổi hoạt động thần kinh theo những cách cụ thể; do đó, phản ứng của não và những thay đổi về kết nối đối với STAMP riêng lẻ không được phân tích và thay vào đó được kết hợp để tăng số lượng thử nghiệm.

Phát hiện dao động sóng chậm

Kích thích được tự động phân phối theo thời gian đến trạng thái nâng cao của SWO bằng thuật toán phát hiện vòng kín, được điều chỉnh từ thuật toán đã phát triển trước đó (Cox và cộng sự, 2014). Trong khi ngủ, dữ liệu EEG đến từ 13 kênh trung tâm phía trước đỉnh (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3 và P4) được lưu trữ trong một {{17} đang chạy } bộ đệm được cập nhật liên tục.

Để làm sạch dữ liệu, phép trừ trung bình di chuyển với cửa sổ 1- đã được áp dụng và mọi kênh vượt quá biên độ tối thiểu đến tối đa 500 μV trong suốt khoảng thời gian đệm đều bị từ chối.

Các kênh còn lại được tính trung bình cùng nhau để tạo ra một kênh ảo cho khả năng phát hiện SWO mạnh mẽ. Công suất trong dải sóng chậm (0,5–1,2 Hz) được so sánh với tổng công suất băng thông rộng (0.1–250 Hz) và nếu tỷ lệ này lớn hơn 0,3, thì đỉnh công suất chính xác trong dải sóng chậm (tần số trung tâm) sẽ được tính toán.

Sau đó, kênh ảo được lọc bằng bộ lọc thông dải Butterworth bậc hai có băng thông 1-Hz xung quanh tần số trung tâm (với mức cắt thấp hơn tối thiểu là 0,1 Hz) và áp dụng biến đổi Hilbert. Pha được dịch ngược lại 90 độ và thành phần ảo được tách ra, thu được pha tức thời.

Sau đó, một sóng hình sin ở tần số trung tâm với pha, độ lệch và biên độ của tín hiệu được lọc được tối ưu hóa sẽ được tạo ra. Sóng hình sin được chiếu về phía trước kịp thời để xác định điểm tiếp theo của pha 0 (tức là bắt đầu trạng thái tăng) và sự kích thích được bắt đầu tại thời điểm này và kéo dài cho trạng thái tăng được dự đoán với tốc độ tăng và giảm lần 100 ms.

Trong những đêm Sham, các điểm thời gian kích thích đã được ghi lại nhưng không có kích thích nào được cung cấp. Do đó, việc so sánh các đêm Hoạt động và Đêm giả tạo là các điểm cùng thời điểm của SWO, với sự khác biệt duy nhất là việc cung cấp kích thích STAMP. Việc xác thực phát hiện trạng thái cao hơn được thực hiện trên dữ liệu từ các đêm Sham để tránh các tạo tác do STAMPsonn đêm Hoạt động tạo ra.

Các điểm đánh dấu được trích xuất từ ​​​​các điểm thời gian của trạng thái tăng được dự đoán bởi sự phù hợp của sóng hình sin. Trong một số trường hợp, do độ trễ phần cứng, kích thích theo thời gian đã được chuyển sang trạng thái tăng theo trạng thái tăng được phát hiện ngay lập tức, điều này có thể làm tăng độ biến thiên của các pha ở một mức độ nào đó. Các kỷ nguyên bị khóa thời gian đối với các điểm đánh dấu khởi phát kích thích (−5 đến +5 giây) được trích xuất từ ​​dữ liệu EEG thô và băng thông được lọc trong phạm vi 0.5–1.2 Hz.

Giá trị pha tại mỗi thời điểm đánh dấu khởi phát được tính toán bằng cách sử dụng biến đổi Hilbert. Giá trị pha trung bình trong các thử nghiệm đã được tính toán cho từng người tham gia và các pha trung bình này được gửi đến thử nghiệm v-test để tìm sự khác biệt so với 0 độ (Berens, 2009). Các số liệu và số liệu thống kê về việc xác nhận thuật toán vòng kín được trình bày trong Thông tin hỗ trợ.

Xử lý dữ liệu EEG và phân tích lý thuyết đồ thị

Tín hiệu EEG được phân tích ngoại tuyến với tập lệnh EEGLAB và MATLAB tùy chỉnh. Để làm sạch dữ liệu và tách các nguồn nhiễu khỏi tín hiệu não, các bản ghi EEG được lấy mẫu xuống 250 Hz, được tham chiếu đến mức trung bình của tất cả các điện cực và được lọc băng thông bằng bộ lọc Butterworth (0,1–70 Hz, 24 dB/ tháng 10).

Các thành phần giả ở mắt và không phải thần kinh đã được xác định và loại bỏ thủ công bằng phương pháp phân tích thành phần độc lập (ICA) trong EEGLAB và thuật toán infomax tích hợp của nó (Delorme & Makeig, 2004).

Dữ liệu không có tạo tác được phân đoạn theo các kỷ nguyên chứa −6,4 đến −2,4 trước khi bắt đầu kích thích dưới dạng cửa sổ cơ sở và 3 đến 7 giây sau khi bù kích thích dưới dạng cửa sổ phân tích. Đối với mỗi kỷ nguyên, phổ công suất ở mỗi kênh được tính toán bằng cách áp dụng phương pháp ước tính quang phổ Welch trên các phân đoạn 2048-ms có độ trùng lặp 1,024-ms (50%), trong đó mỗi phân đoạn được thu nhỏ bởi cửa sổ Hamming.

Phân tích lý thuyết đồ thị và kết nối chức năng được thực hiện với BioNeCtToolbox, hộp công cụ MATLAB tùy chỉnh để phân tích kết nối não (Casanova, El-Baz, &Suri, 2017). Khả năng kết nối chức năng của não giữa các vùng não được ước tính bằng cách tính toán mối tương quan chéo trong miền tần số giữa các tín hiệu EEG (Bowyer, 2016;Mohammad-Rezazadeh và cộng sự, 2016; Nolte và cộng sự, 2004).

Trong số các số liệu khác nhau về kết nối chức năng, sự kết hợp tưởng tượng (iCoh) chỉ phát hiện các tương tác "thực" giữa các tín hiệu EEG xảy ra trong một khoảng thời gian trễ nhất định, do đó bỏ qua tương tác tức thời giữa các điện cực lân cận có khả năng được tạo ra bởi sự dẫn truyền khối lượng hoạt động điện từ một nguồn não chung (Bullmore & Sporns, 2009; Fallani và cộng sự, 2014;Mohammad-Rezazadeh và cộng sự, 2016).

Giá trị iCoh được tính toán cho tất cả các cặp điện cực có thể có trong các dải tần số sau: delta (1–4 Hz), theta (4–8 Hz), alpha (8–12 Hz), trục chính (12–15 Hz), beta (16– 30 Hz) và gamma thấp (40–50 Hz).

Những phân tích này được thực hiện trên cả dữ liệu Hoạt động và Dữ liệu giả. Ngoài ra, các giá trị iCoh được tính toán cho cả cửa sổ thời gian sau kích thích và thời gian tiền kích thích, đồng thời các giá trị cửa sổ tiền kích thích được trừ khỏi các giá trị cửa sổ sau kích thích để hiệu chỉnh đường cơ sở. Tính đa chiều cao của các biện pháp iCoh được giải quyết bằng phương pháp lý thuyết đồ thị.

Các số liệu lý thuyết đồ thị cung cấp thông tin về mức độ phân tách mạng (nghĩa là xu hướng các vùng não hình thành các cụm cục bộ với các kết nối chức năng dày đặc) cũng như sự tích hợp và hiệu quả của mạng (nghĩa là khả năng của mạng trở nên liên kết và trao đổi thông tin hiệu quả giữa các bộ não). khu vực; Bullmore & Sporns, 2009; Fallani và cộng sự, 2014;

Các thước đo biểu đồ thường được sử dụng sau đây đã được tính toán cho tất cả các dải tần số nêu trên trong giai đoạn trước và sau kích thích: hệ số phân cụm trung bình (xác suất các nút lân cận được kết nối, phản ánh khả năng kết nối cục bộ); hiệu quả toàn cầu (mức độ hiệu quả của mạng trong việc truyền thông tin); chiều dài, bán kính và đường kính đường dẫn đặc trưng (số cạnh trung bình dọc theo các đường đi ngắn nhất, khoảng cách tối thiểu có thể và khoảng cách lớn nhất có thể, tương ứng giữa tất cả các cặp nút có thể có); tính mô đun (mức độ phân tách mạng não thành các mạng con hoặc mô-đun); tính phân loại (tỷ lệ các nút được gắn với các nút khác có mức độ tương tự so với mức độ khác nhau); mật độ (số cạnh chia cho số nút trong biểu đồ); và độ kết hợp trung bình (độ kết hợp trung bình giữa tất cả các cặp nút).

Phân tích phân loại và hồi quy

Dữ liệu thu được bao gồm 48 tính năng kết nối chức năng (số liệu lý thuyết 8 biểu đồ × 6 dải tần số) cho cả điều kiện kích thích Hoạt động và Giả tạo cho mỗi người tham gia. Cụ thể hơn, các tính năng kết nối được trích xuất sau khi kích thích vào các đêm Hoạt động trong đó cũng xảy ra kích thích STAMP như trong những đêm Sham không có sự kích thích nào xảy ra.

Để điều tra những thay đổi kết nối nào có thể dự đoán được tình trạng kích thích, cũng như liên quan đến hành vi, chúng tôi đã triển khai phân tích xác thực chéo hồi quy và phân loại ở cấp độ người tham gia, trong đó dữ liệu từ một tập hợp con người tham gia được loại bỏ làm dữ liệu thử nghiệm để dự đoán. Để giảm phương sai, chúng tôi đã chạy 35 lần trong đó một đến ba người tham gia bị loại cùng một lúc.

Phương pháp lấy mẫu phân chia ngẫu nhiên lặp đi lặp lại này được ưu tiên hơn so với phương pháp "bỏ một" thường được triển khai, có thể dẫn đến các ước tính phương sai không ổn định và sai lệch (Scheinost và cộng sự, 2019; Varoquaux và cộng sự, 2017). Chúng tôi chọn thực hiện phương pháp tiếp cận dựa trên dữ liệu này không chỉ do không gian đặc trưng lớn của dữ liệu mà còn do tính mới của cuộc điều tra.

Cho đến nay, rất ít nghiên cứu đã kiểm tra mối quan hệ giữa các số liệu lý thuyết đồ thị về khả năng kết nối não và độ nhạy siêu ký ức, và chưa có nghiên cứu nào kiểm tra xem điều này thay đổi như thế nào khi kích thích não. Do đó, chúng ta có thể bỏ lỡ các mối quan hệ quan trọng giữa kết nối chức năng và siêu bộ nhớ nếu chỉ kiểm tra các dải tần số nhất định (ví dụ: theta) hoặc các biện pháp (ví dụ: độ kết hợp trung bình) dựa trên những phát hiện trước đó trong tài liệu. Sơ đồ phác thảo quy trình phân tích được trình bày trong Hình 2.

Đối với mỗi lần gấp, một phương pháp lựa chọn đặc điểm được chạy trên dữ liệu huấn luyện để tìm các đặc điểm lý thuyết đồ thị (đường cơ sở sau kích thích được hiệu chỉnh bằng mô phỏng trước) phân biệt giữa các điều kiện kích thích Hoạt động và Giả định. Nhiều tính năng có mối tương quan cao với nhau, có thể thấy trong Thông tin hỗ trợ Hình S2.

Do đó, các biến cộng tuyến cao đầu tiên đã bị loại bỏ bằng cách tìm các cặp đặc trưng có tương quan cao (giá trị ngưỡng r là 0.8) và loại bỏ biến có tương quan tuyệt đối trung bình cao hơn với các biến khác. Thông tin bổ sung về các biến bị loại bỏ do tính cộng tuyến cao có thể được tìm thấy trong Thông tin hỗ trợ.

Sau đó, một bài kiểm tra phụ thuộc (vì nghiên cứu là thiết kế nội bộ đối tượng) được chạy trên từng tính năng, kiểm tra sự khác biệt giữa điều kiện Hoạt động và Điều kiện giả định. Các biến có giá trị t tuyệt đối thấp (ngưỡng 1) đã bị loại bỏ, với lý do là sự khác biệt giữa các biến này là tối thiểu. Các đặc điểm còn lại được đưa vào thuật toán lựa chọn đặc trưng Boruta (Kursa & Rudnicki, 2010).

Boruta là một phương pháp lựa chọn dựa trên hoán vị, trong đó mỗi tính năng, cũng như một bản sao của tính năng với các giá trị của nó, được xáo trộn giữa những người tham gia (được gọi là "tính năng bóng tối"), được nhập vào một bộ phân loại rừng ngẫu nhiên và tầm quan trọng của từng tính năng được xác định bằng điểm Z. Tầm quan trọng của các đặc điểm thực phải cao hơn điểm Z tối đa của các đặc điểm bóng mới được coi là quan trọng đáng kể.

Quy trình này được lặp lại nhiều lần với các hoán vị khác nhau của các đặc điểm bóng để thu được sự phân bố các giá trị mà theo đó có thể so sánh được các giá trị quan trọng của các đặc điểm thực tế. Do đó, Boruta là một phương pháp lựa chọn đặc điểm có liên quan đến tất cả các biến - về cơ bản, tất cả hoặc không có biến nào có thể được chọn trong quá trình này. Chỉ những đặc điểm có điểm Z cao hơn đặc điểm bóng mới được chọn.

Thuật toán này đã được chứng minh là cải thiện hiệu suất trong việc tìm kiếm các tính năng có ý nghĩa so với các thuật toán lựa chọn tính năng khác (Degenhardt và cộng sự, 2017; Kursa, 2017). Các tính năng do Boruta chọn sau đó được đưa vào mô hình hồi quy logistic dự đoán Hoạt động so với các điều kiện. Chúng tôi cũng đã chạy hồi quy logistic chính quy với chính quy hóa L2 (hồi quy sườn), trong đó tham số λ tối ưu được xác định thông qua xác thực chéo trong dữ liệu huấn luyện.

Cuối cùng, chúng tôi cũng chạy phân loại hồi quy logistic chỉ sử dụng biến quan trọng nhất được chọn bởi thuật toán Boruta. Sau khi điều chỉnh các tham số mô hình trên dữ liệu huấn luyện, các mô hình này được sử dụng để dự đoán dữ liệu thử nghiệm bị bỏ sót, đưa ra ước tính xác suất cho mỗi ví dụ thử nghiệm thuộc điều kiện Hoạt động hoặc Giả định. Các xác suất này được nối qua các nếp gấp và được sử dụng để tính toán các đường cong đặc tính vận hành tương đối, từ đó chúng tôi tính được các giá trị diện tích dưới đường cong (AUC) (Fawcett, 2006).

AUC là một thước đo nhạy cảm hơn về hiệu suất của bộ phân loại so với độ chính xác thô đơn giản và do đó được báo cáo ở đây. Trong cùng một lần xác thực chéo, dữ liệu huấn luyện đã được sử dụng để dự đoán những thay đổi về độ nhạy của bộ nhớ đối với các họa tiết được nhắm mục tiêu (cụ thể là Tag & Cue) từ Đêm 2 bài kiểm tra trước khi ngủ đến bài kiểm tra sau khi ngủ ở trạng thái Hoạt động.

Thước đo hiệu suất hành vi là AUC của đường cong đặc tính hoạt động tương đối loại-2, thước đo không tham số không thiên vị về độ nhạy siêu nhận thức, với AUC lớn hơn phản ánh độ nhạy bộ nhớ lớn hơn (Fleming &Lau, 2014; Galvin và cộng sự, 2003) . Ở đây, các mô hình dự đoán sự thay đổi qua đêm của AUC sẽ gắn kết những thay đổi về khả năng kết nối với những thay đổi về độ nhạy của bộ nhớ. Tất cả các tính năng kết nối đã được đưa vào quy trình lựa chọn tính năng tương tự như phân tích phân loại. Các tính năng cộng tuyến cao đã bị loại bỏ như trước.

Thay vì kiểm tra tại thời điểm kiểm tra, mối tương quan giữa từng tính năng và thay đổi AUC qua đêm đã được tính toán và các tính năng có giá trị tuyệt đối thấp (ngưỡng 0.1) đã bị xóa. Các tính năng còn lại được chạy qua thuật toán Boruta, lần này dự đoán những thay đổi AUC qua đêm.

Các tính năng này, cũng như chỉ tính năng hàng đầu, đã được đưa vào hồi quy tuyến tính và mô hình hồi quy chính quy L2 dự đoán dữ liệu thử nghiệm bị loại bỏ. Các giá trị lỗi bình phương trung bình gốc (RMSE) đã được tính toán và các giá trị RMSE trung bình trên các lần gấp được so sánh với các giá trị RMSE từ các dự đoán từ hồi quy tuyến tính chỉ có phần chặn.

Trong phân tích cuối cùng, chúng tôi đã lấy các tính năng do Boruta chọn từ phân tích phân loại, cũng như các tính năng do Boruta chọn từ phân tích hồi quy, đồng thời chạy lại phân loại và hồi quy với bộ tính năng kết hợp cũng như tính năng hàng đầu từ mỗi bộ. Giá trị AUC từ phân tích phân loại và giá trị RMSE từ phân tích hồi quy được báo cáo cho từng bộ tính năng.

For more information:1950477648nn@gmail.com