摘要

大多數(shù)腦電(EEG)微狀態(tài)分析都是在清醒狀態(tài)下進行數(shù)據(jù)采集，而現(xiàn)有的睡眠研究主要集中在空間微狀態(tài)特性的變化以及相鄰時間點之間的微狀態(tài)轉(zhuǎn)換上，睡眠狀態(tài)下腦電微狀態(tài)研究尚且不足。本研究旨在對清醒和非快速眼動(NREM)睡眠階段的非平滑EEG微狀態(tài)序列進行更廣泛的時間序列分析。對不同的時間尺度采用不同的分析方法，短時間尺度可以采用馬爾可夫檢驗來評估，中間時間尺度可以用熵率來評估，長時間尺度可以用頻譜分析來識別微狀態(tài)的特征頻率。研究發(fā)現(xiàn)從清醒期到N3期的振幅逐漸下降，微狀態(tài)平均持續(xù)時間的增加是一個漸進的現(xiàn)象，可以用轉(zhuǎn)移概率矩陣的弛豫時間來描述微狀態(tài)動力學的連續(xù)減慢。有限熵率表明，隨著警覺水平的降低，微狀態(tài)序列的可預(yù)測性增強(隨機性降低)。因此，在清醒狀態(tài)下不存在馬爾可夫性質(zhì)，但在睡眠階段N3中，10/19個被試的微狀態(tài)序列符合二階馬爾可夫過程。通過比較微狀態(tài)序列的時滯互信息系數(shù)與腦電信號的自相關(guān)函數(shù)來進行譜微狀態(tài)分析。本研究發(fā)現(xiàn)在所有警覺狀態(tài)中的周期性微狀態(tài)行為與清醒時的α頻率、N1的θ活動、N2的睡眠紡錘波頻率以及N3的δ頻段有關(guān)。總之，EEG微狀態(tài)是一種具有振蕩特性的動態(tài)現(xiàn)象，在睡眠中減慢，并與幾個睡眠階段的特定腦電頻率相耦合。

前言

清醒和睡眠的腦電圖(EEG)分類是基于EEG頻率、特定的EEG波形(頂尖波，睡眠紡錘波，k-復(fù)合波)，將警覺狀態(tài)劃分為清醒、非快速眼動(NREM)睡眠(N1-N3)和快速眼動(REM)睡眠(美國睡眠醫(yī)學學會，2007年)。在這里，本研究分析了清醒狀態(tài)和NREM睡眠中腦電微狀態(tài)的時間序列特征，尤其是振蕩特征。

腦電微狀態(tài)是由表面EEG測量并通過聚類算法識別的瞬態(tài)、準穩(wěn)定的電場形貌。微狀態(tài)序列是EEG數(shù)據(jù)集的時間序列表征，在這些序列中，對數(shù)十到數(shù)百毫秒的連續(xù)block進行微狀態(tài)標記。聚類原理是將具有高度空間相似性的腦電地形圖進行分組，以獲得相對于底層腦電數(shù)據(jù)集的最大可解釋空間方差百分比。聚類的最佳簇數(shù)可以通過多種成本函數(shù)來確定。許多研究都發(fā)現(xiàn)了四個最佳簇，并且這些微狀態(tài)圖具有高度一致性。這種高度可復(fù)制的地形圖通常用字母A-D來標記。這些地形圖的極性遵循一般模式：左枕到右額(圖A)，右枕到左額(圖B)，枕區(qū)到額區(qū)(圖C)，以及一種極性介于圖C和徑向?qū)ΨQ模式之間的地形圖D。在不同的研究中，這四種地形圖的全局解釋方差(GEV)在58%到84%之間。

在過去的幾十年里，微狀態(tài)特性已在許多實驗條件下得到了驗證，尤其是對健康和多種神經(jīng)精神疾病(如精神分裂癥、早期精神病、自閉癥、嗜睡癥和不同形式的癡呆癥)的研究。既往關(guān)于清醒狀態(tài)下微狀態(tài)的研究表明，微狀態(tài)A和B類分別與認知和感覺加工有關(guān)，微狀態(tài)C和D類分別與突顯網(wǎng)絡(luò)和注意網(wǎng)絡(luò)有關(guān)。盡管這些關(guān)系仍然存在爭議，但同時也是當前研究的主題。

睡眠狀態(tài)下的微狀態(tài)研究發(fā)現(xiàn)，困倦和睡眠期間也存在A-D這四種典型的微狀態(tài)。Brodbeck等人(2012)對清醒和NREM睡眠階段的全頻段EEG(1-40Hz)進行了微狀態(tài)分析，研究結(jié)果發(fā)現(xiàn)微狀態(tài)A-C的地形圖非常相似。N2和N3睡眠階段的微狀態(tài)圖D呈現(xiàn)出更圓(徑向?qū)ΨQ)的模式。微狀態(tài)持續(xù)時間隨著睡眠階段的加深而增加，同時伴隨全局場功率峰值之間時間間隔的增加。這些發(fā)現(xiàn)都表明，睡眠期間的微狀態(tài)動態(tài)普遍減慢。時間屬性是從一個時間點到下一個時間點轉(zhuǎn)換的微狀態(tài)轉(zhuǎn)移矩陣推導(dǎo)出來的。本研究使用時滯互信息分析描述了振蕩微狀態(tài)動力學，發(fā)現(xiàn)當考慮非平滑的原始微狀態(tài)序列時，微狀態(tài)在清醒狀態(tài)下的發(fā)生頻率是主導(dǎo)EEG頻率的兩倍。例如，具有主導(dǎo)10Hz α活動的EEG產(chǎn)生的微狀態(tài)序列在微狀態(tài)之間(間隔為50ms(20Hz)、100ms(10Hz)及其倍數(shù))具有較大的互信息值。睡眠腦電圖顯示了困倦時的θ波節(jié)律、N2期的睡眠紡錘波、深度睡眠(N3)時的慢波δ節(jié)律等特征性振蕩現(xiàn)象，但目前不清楚清醒狀態(tài)下的振蕩微狀態(tài)動力學是否也發(fā)生在睡眠中。此外，熵率和振蕩微狀態(tài)動力學受認知任務(wù)的調(diào)節(jié)，這些指標反映了認知負荷和認知控制之間的平衡。然而，我們不知道這種解釋是否與我們對睡眠期間認知能力下降的理解相一致。

本研究的目的是測試不同睡眠階段下微狀態(tài)序列的信息內(nèi)容和周期模式。將微狀態(tài)解釋為大規(guī)模網(wǎng)絡(luò)活動的電生理關(guān)聯(lián)，本研究假設(shè)(i)在覺醒-睡眠過渡期間，覺醒相關(guān)的微狀態(tài)頻率會隨著覺醒特定網(wǎng)絡(luò)活動的減弱而消失，(ii)隨著睡眠特定振蕩現(xiàn)象的出現(xiàn)，睡眠相關(guān)頻段中可能會出現(xiàn)微狀態(tài)振蕩。本研究的方法確定了微狀態(tài)序列是否具有周期性，因此能夠跟蹤大規(guī)模網(wǎng)絡(luò)活動的時間行為。將微狀態(tài)序列的時滯互信息函數(shù)(AIF)作為自相關(guān)函數(shù)(ACF)的廣義形式，并將其與腦電信號的自相關(guān)函數(shù)(ACF)進行比較。通過ACFs和功率譜密度之間的對應(yīng)關(guān)系，可以將EEG頻譜峰與微狀態(tài)AIF進行比較。

材料和方法

數(shù)據(jù)

本研究分析了32名健康受試者(年齡范圍：19-27歲，平均年齡：23歲，20名女性，12名男性)參與無任務(wù)同步EEG-fMRI研究的EEG記錄。納入至少達到N2睡眠階段且警覺狀態(tài)持續(xù)時間≥105s的受試者。其中共19名受試者進入N3期睡眠。清醒狀態(tài)為閉眼的無任務(wù)狀態(tài)。對于每個被試，不同警覺狀態(tài)下的數(shù)據(jù)片段被調(diào)整為相同的長度。在所有受試者中，數(shù)據(jù)集的總時長在105-210s之間(平均：157.97s)。EEG預(yù)處理步驟包括校正MR梯度和心電偽跡，降采樣至250Hz，并進行平均重參考。本研究使用6階巴特沃斯濾波器進行0.5-20Hz的帶通濾波。

睡眠評分

根據(jù)美國睡眠醫(yī)學學會標準劃分睡眠階段。對睡眠紡錘波進行手動標記，N2期睡眠紡錘波對應(yīng)的微狀態(tài)序列也進行單獨的分析。睡眠紡錘波段(n=32)的持續(xù)時間為544ms-1844ms(均值：951.4ms)。

頻率分析

為了總結(jié)所有通道的EEG頻率信息，對每個數(shù)據(jù)集進行主成分分析。僅保留第一個成分，并使用Welch方法(Hann窗，4096ms)計算其功率譜密度(PSD)。每個頻段的相對功率由該頻段所覆蓋的PSD面積除以總PSD面積確定。PSD是自相關(guān)函數(shù)(ACF)在時域的頻域等效。ACF測量時間點t的信號xt與時間點t+τ的信號之間的線性相關(guān)性。時滯τ的ACF系數(shù)r(τ)定義為期望值E(xtxt+τ)。頻率為f的振蕩信號與振蕩長度Τ=1/f具有周期自相關(guān)關(guān)系。例如，一個純10Hz振蕩(理想的腦電α節(jié)律)在100ms的倍數(shù)處具有局部ACF最大值，在50ms的奇數(shù)倍處具有局部ACF最小值(50，150，…ms)。

微狀態(tài)分析

對于每個多通道EEG數(shù)據(jù)集，計算每個時間點的空間標準差或全局場功率(GFP)：

其中vi(t)是指N個電極上測得的平均參考電位。圖1顯示了警覺狀態(tài)下三個典型EEG通道上的代表性EEG波形，以及相關(guān)的GFP時間序列(紅色)。在GFP函數(shù)的每個局部極值處，假定全局電場形貌是穩(wěn)定的。采用Python編程語言中改進的k-means算法實現(xiàn)。聚類質(zhì)心是給定對象的K個微狀態(tài)圖。與我們之前對睡眠腦電數(shù)據(jù)集的分析一樣，將聚類分為K=4個微狀態(tài)類別。k-means算法運行5次，并為每個受試者和睡眠階段選擇解釋大部分空間方差的結(jié)果。從個體受試者地形圖中，通過Koenig等人(1999)描述的全排列法計算組圖，使用20次獨立運行并保留具有最大解釋方差的結(jié)果。分別計算每個警覺狀態(tài)的微狀態(tài)圖。

將組圖反擬合到原始腦電數(shù)據(jù)集中，得到微狀態(tài)序列。在每個時間點，使用最適合當前EEG地形圖的微狀態(tài)類標簽i∈{A，B，C，D}，并測量微狀態(tài)圖與EEG地形圖之間的平方相關(guān)系數(shù)。為了保持微態(tài)序列的時間結(jié)構(gòu)不變，在每個時間點進行反擬合。不應(yīng)用進一步的時間平滑方法。

微狀態(tài)統(tǒng)計

本研究評估了被試在每個警覺狀態(tài)的如下參數(shù)：-每秒GFP峰值(PPS)：每秒局部GFP最大值的平均值[1/s]。-平均微狀態(tài)持續(xù)時間(MMD)：一個微狀態(tài)地圖在切換到下一個地圖之前保持穩(wěn)定的平均時間[ms]。-全局解釋方差(GEV)：GFP加權(quán)后的空間方差百分比[%]。-轉(zhuǎn)移概率矩陣：一個4x4隨機矩陣T，單個時間步長從微狀態(tài)標簽i切換到標簽j的條件概率Tij=P(Xt+1=j|Xt=i)，其中i，j∈{a，B，C，D}。

-轉(zhuǎn)移概率矩陣T的弛豫時間(Trelax)：從擾動到弛豫的速度。作為譜間隙的倒數(shù)，譜間隙定義為T的兩個最大特征值之差。

采用單因素方差分析評估不同警覺狀態(tài)下的差異，然后進行事后Tukey檢驗(α=0.05)。

馬爾可夫替代數(shù)據(jù)

微狀態(tài)標簽的分布用π表示，P(Xt=i)指微狀態(tài)序列Xt在時間點t上具有標簽i∈{A，B，C，D}的概率。微狀態(tài)分布π和轉(zhuǎn)移概率矩陣(Tij=P(Xt+1=j|Xt=i))允許構(gòu)建具有純馬爾可夫結(jié)構(gòu)的替代序列。為了檢測EEG微狀態(tài)序列與馬爾可夫過程的偏差，本文基于替代數(shù)據(jù)的零假設(shè)分布對經(jīng)驗微狀態(tài)序列特性進行了檢驗。對于每個警覺狀態(tài)，從所有被試的經(jīng)驗微狀態(tài)序列中取T和π的平均值。在顯著性水平α=0.05下，從n=500的馬爾可夫替代值計算置信區(qū)間。

熵相關(guān)量

為了表針微狀態(tài)序列中包含的信息量(或隨機性)，并從信息論的意義和獨立于標簽分配的方式描述它們的自相關(guān)結(jié)構(gòu)，本研究分析了兩個與熵相關(guān)的量，(i)有限熵率和(ii)自信息函數(shù)(AIF)。

這兩個量都基于微狀態(tài)標簽分布。微狀態(tài)序列可以用Shannon熵來表示：

如果序列是由單一的、永不改變的微狀態(tài)組成，則為最小值(H(X)=0)；如果每個微狀態(tài)分配到所有樣本的1/4，則為最大值(H(X)=log(4))。Shannon熵是一種靜態(tài)指標，因為它不包含任何關(guān)于樣本時間順序的信息。本研究使用有限熵率，利用條件熵引入時間依賴性。

該公式表示下一個微狀態(tài)標簽Xt+1的不確定性(或熵)，根據(jù)前k個微狀態(tài)的信息。計算涉及多元分布的Shannon熵(聯(lián)合熵)，本研究選擇k=6個樣本(24ms)，根據(jù)既往研究，當序列長度k＞6時，熵率并不可靠。具有較大熵率的序列Xt，其去相關(guān)時間較短。換句話說，如果產(chǎn)生的微狀態(tài)標簽具有較高水平的隨機性和較低的可預(yù)測性，那么熵率將很高。另一方面，較低的熵率意味較高的可預(yù)測性。采用單因素方差分析評估不同警覺狀態(tài)的熵率差異，并進行事后Tukey檢驗(α=0.05)。對于任意時滯t而言，時間點t和t+τ之間的兩點相關(guān)性是通過微狀態(tài)標簽Xt和Xt+τ之間的共享(互)信息來測量的?；バ畔⑹莾蓚€隨機變量之間線性相關(guān)系數(shù)的泛化，因此，時滯互信息系數(shù)的集合是時間自相關(guān)函數(shù)(ACF)的泛化，將其標記為自信息函數(shù)(AIF)。

AIF系數(shù)在時滯τ的大小表明時間t的微狀態(tài)對時間t+τ的微狀態(tài)的預(yù)測性能。在信息論語言中，它表示通過對Xt進行條件化后，Xt+τ的不確定性(隨機性)減少了多少。AIF在規(guī)律間隔中的峰值表明微狀態(tài)的周期發(fā)生率，就像ACF局部極值代表周期性腦電信號一樣。

AIF峰值測試

為了檢驗AIF曲線的峰值(局部最大值)，本研究構(gòu)建了一個額外的替代檢驗。如果AIF曲線下的歸一化面積(AUC)在時滯系數(shù)τ(即[τ-w，τ+w])附近的窄窗口內(nèi)明顯大于替代數(shù)據(jù)AIF下的相應(yīng)面積，則AIF曲線在時滯系數(shù)τ處具有顯著的峰值。面積相對于AIF曲線下的總面積進行歸一化。

檢驗AIF a(t)在多個時滯系數(shù)

是否有顯著峰值，其歸一化常數(shù)為A=∫a(t)dt。使用Mann-Whitney U檢驗對該統(tǒng)計量的值與n=10時馬爾可夫替代值的零分布進行比較。使用的經(jīng)驗窗半寬為w=8ms(2個樣本)。本研究預(yù)計AIF峰值與ACF的局部極值一致。因此，對于警覺狀態(tài)W、N1和N2，本研究測試了ACF的前兩個局部極值給出的峰值位置τk。對于N3，只有第一個ACF最小值落在分析范圍內(nèi)τmax=1000ms，并用τk表示。例如，具有10Hz頻譜峰值的EEG數(shù)據(jù)集產(chǎn)生的ACF的前兩個局部極值位于50ms和100ms，因此使用τ1=50ms和τ2=100ms進行AIF峰值測試。

馬爾可夫檢驗

該轉(zhuǎn)移矩陣捕獲了一階馬爾可夫過程描述的微狀態(tài)序列特征。而馬爾可夫性質(zhì)描述了時間序列對過去的記憶程度。零階馬爾可夫過程可滿足零假設(shè)，即當前狀態(tài)Xt的信息不會影響到下一個狀態(tài)Xt+1的轉(zhuǎn)移概率。在一階馬爾可夫過程中，轉(zhuǎn)移概率P(Xt+1|Xt)依賴于Xt，而不依賴于Xt?1或更早的樣本。高階馬爾可夫過程的規(guī)則遵循相同的模式。如前所述，在每個警覺狀態(tài)下測試了0、1和2階的馬爾可夫性質(zhì)，顯著性水平為α=0.05，并進行Bonferroni校正。所有方法都是用Python編程語言實現(xiàn)。

結(jié)果

微狀態(tài)統(tǒng)計

不同警覺狀態(tài)下的微狀態(tài)如圖1所示。通過Pearson相關(guān)系數(shù)測量不同狀態(tài)下的相似性(表1)。在所有睡眠階段，睡眠圖和清醒圖之間的平均相似度至少為80%。與清醒狀態(tài)相比，圖D在N1(62.2%)和N2(53.8%)中相似性最低，圖A在N3(71.0%)中的相似性最低。圖D的不同之處可以從視覺上描述為在睡眠中比清醒狀態(tài)下更圓。表2進一步總結(jié)了微狀態(tài)屬性，以所有受試者的平均值和90%置信區(qū)間表示。單因素方差分析顯示，所有參數(shù)的警覺狀態(tài)存在顯著差異。隨著警覺性的降低，每秒GFP峰值數(shù)(PPS)減少，而微狀態(tài)的平均持續(xù)時間增加。隨后GFP峰值之間的時間間隔不斷增加，表明腦電頻率向較低的方向轉(zhuǎn)移。

事后成對Tukey檢驗顯示，所有警覺狀態(tài)之間的PPS值有顯著差異。對于MMD值，只有睡眠階段N1和N2之間的微狀態(tài)A、C和D之間的比較沒有顯著差異。GEV比較顯示，圖C解釋了所有警覺狀態(tài)下的最大方差百分比?？侴EV值為58.9%(N1)~67.4%(N3)。

弛豫時間和熵率

單因素方差分析顯示，在不同的警覺狀態(tài)下微狀態(tài)轉(zhuǎn)移矩陣的弛豫時間存在顯著差異。平均弛豫時間隨著睡眠深度的增加而增加(W：4.5；N1：5.7；N2：6.4；N3：10.8)。熵率的變化趨勢則相反，從清醒狀態(tài)到深度睡眠狀態(tài)呈下降趨勢(W：0.86；N1：0.74；N2：0.69；N3：0.48位/采樣間隔)。對于這兩個參數(shù)，警覺狀態(tài)之間的所有兩兩比較均顯著(事后Tukey檢驗)。MMD、轉(zhuǎn)移矩陣弛豫時間和熵率之間的關(guān)系如圖2所示。為了更好的可視化，本研究繪制了與弛豫時間相反的譜間隙。對MMD值進行半對數(shù)縮放后，變量熵率和譜間隙幾乎隨MMD的增加而線性下降，呈現(xiàn)出近似對數(shù)的關(guān)系。譜間隙和熵率值以相同的速率下降。警覺狀態(tài)由不同顏色和形狀分開表示。

馬爾可夫性質(zhì)檢驗

對清醒休息階段和睡眠階段N1-N3的微狀態(tài)序列進行了0、1和2階的馬爾可夫性質(zhì)檢驗。所有受試者在四種警覺狀態(tài)下均拒絕了0階和1階馬爾可夫過程的零假設(shè)。所有受試者在清醒和睡眠N1和N2階段均拒絕二階馬爾可夫性質(zhì)的零假設(shè)。在睡眠階段N3中，9/19例被拒絕。因此，階段N3中的10/19(52.6%)個微狀態(tài)序列可描述為二階馬爾可夫鏈。對于獨立的睡眠紡錘波，所有受試者(32/32例)均拒絕零階馬爾可夫性，1/32例受試者拒絕一階馬爾可夫性，任何一例受試者均無法拒絕二階馬爾可夫性(0/32)。

微狀態(tài)頻率分析

本研究測試了微狀態(tài)序列是否包含與腦電頻譜相關(guān)的特定頻率。對于每個警覺狀態(tài)，本研究比較了腦電功率譜密度(PSD)、腦電自相關(guān)函數(shù)(ACF)和相應(yīng)的微狀態(tài)自信息函數(shù)(AIF)。并計算多通道腦電信號數(shù)據(jù)集的第一主成分PSD和ACF曲線，將所有通道匯總為一維信號。將ACF曲線疊加到微狀態(tài)AIF上，直接比較局部最大值和最小值。為了比較微狀態(tài)序列與等效一階馬爾可夫過程中存儲的信息量，本研究增加了從馬爾可夫替代數(shù)據(jù)計算得到的95%置信區(qū)間的AIFs。

清醒狀態(tài)

清醒階段的分析見圖3。PSD(左)在9.5Hz處有一個頻率峰值，在正常成人α頻率范圍內(nèi)。相對α頻段(8-13Hz)功率占總功率(0.5-20Hz)的41%。對應(yīng)ACF的第一個局部最大值(右側(cè)黑色曲線)位于100ms處，第一個局部最小值位于52ms處。這兩個ACF局部極值與微狀態(tài)AIF的前兩個局部極值重合(紅色曲線)。AIF的前5個峰位于馬爾可夫替代數(shù)據(jù)定義的置信區(qū)間之外(藍色區(qū)域)，表明微狀態(tài)序列在這些時滯包含的共享信息數(shù)量明顯大于等效馬爾可夫模型。本研究還應(yīng)用了AIF峰值測試。該測試針對前兩個AIF峰，并將它們與平均替代AIF(藍色曲線)進行比較。它還表明，與一階馬爾可夫模型相比，周期性是顯著的(p＜0.001)。

睡眠階段N1

睡眠階段N1的分析結(jié)果如圖4所示。組平均PSD(圖4a，左)呈近似單調(diào)衰減，無明顯的頻率峰。因此，組平均ACF和AIF均未顯示出明顯的周期性(圖4a，右)。在所有n=32個被試中，本研究發(fā)現(xiàn)了一個在N1期間有顯著θ振蕩的被試。圖4b展示了該分析結(jié)果，可以看到在6.3Hz處有一個明顯的PSD頻譜峰。ACF(黑色曲線)在76ms和148ms處出現(xiàn)了前兩個局部極值。對于相同的時間滯后，微狀態(tài)AIF(紅色曲線)在馬爾可夫替代定義的置信區(qū)間(藍色區(qū)域)外具有局部最大值。AIF峰值測試相對于馬爾可夫替代AIF(藍色曲線)具有顯著性(p=0.043)。

睡眠階段N2

N2期的分析結(jié)果如圖5所示。N2的組平均PSD(圖5a)在δ、θ和α頻段上單調(diào)衰減。在β低頻段12.2Hz處觀察到一個小峰，這是一個典型的睡眠紡錘波頻率。圖5a右側(cè)的ACF(黑色)和AIF(紅色)曲線沒有明顯的振蕩。然而，在12.2Hz紡錘波頻率(82ms)對應(yīng)的時滯處，微狀態(tài)AIF曲線高于馬爾可夫置信區(qū)間(圖5a中的箭頭)。為了測試微狀態(tài)是否隨紡錘波頻率變化，本研究分析了無睡眠紡錘波的片段，結(jié)果如圖5b和表3所示。N2微狀態(tài)圖解釋了60.9%的睡眠紡錘波段方差(GEVT)?？缥顟B(tài)類的單因素方差分析顯示GEV值之間存在顯著差異(p=0.004)，而事后Tukey檢驗顯示只有圖A和圖C存在顯著差異。此外，本研究發(fā)現(xiàn)每秒平均出現(xiàn)19.2個GFP峰(PPS)，微狀態(tài)平均持續(xù)時間為21.1ms。分離的睡眠紡錘波在12.5Hz處有一個頻譜峰(圖5b，左)，在40ms和72ms處出現(xiàn)一個ACF局部極值。AIF峰同時出現(xiàn)滯后，但其絕對值沒有超過馬爾可夫替代數(shù)據(jù)(藍色區(qū)域)的信息量。雖然睡眠紡錘波微狀態(tài)序列(紅色)對應(yīng)的AIF位于馬爾可夫替代置信區(qū)間(藍色陰影區(qū)域)內(nèi)，但其形狀與平均替代AIF(藍色曲線)明顯不同。本研究使用AIF峰檢驗對紅色曲線中的表觀峰進行統(tǒng)計顯著性檢驗，發(fā)現(xiàn)時間滯后40ms和72ms時的峰具有顯著性(p＜0.001)。這表明睡眠紡錘波微狀態(tài)序列的AIF峰是實證腦電數(shù)據(jù)所獨有的。在馬爾可夫替代數(shù)據(jù)中從未觀察到類似的峰值。

睡眠階段N3

N3期睡眠微狀態(tài)序列的PSD、ACF和AIF如圖6所示。左：半對數(shù)坐標下的平均功率譜密度(n=19)。右：腦電自相關(guān)函數(shù)(黑色)和微狀態(tài)自信息函數(shù)(紅色)。馬爾可夫替代數(shù)據(jù)以95%置信區(qū)間(藍色陰影區(qū)域)和平均替代AIF(藍線)表示。PSD以高δ功率為主，在10.3Hz處有一個較小的峰值。ACF的第一個局部最小值是440ms(1.1Hz)。AIF峰值位于468ms(1.1Hz)，相對于馬爾可夫置信區(qū)間具有顯著性，而替代AIF呈單調(diào)衰減；AIF峰值測試對AIF峰有顯著性意義(用星號標記)，并在下圖顯示了PSD、ACF、AIF及其置信區(qū)間(5-95%)。

結(jié)論

腦電微狀態(tài)是一種動態(tài)的、周期性的現(xiàn)象，其頻率變化與不同警覺狀態(tài)下的腦電主導(dǎo)頻率密切相關(guān)。本研究證明了微態(tài)動力學在整個非快速眼動(NREM)睡眠階段持續(xù)減慢，并且當傳感器水平的EEG信號顯示出明確的頻譜峰時，就可以觀察到與α、θ、δ和睡眠紡錘波頻率相關(guān)的振蕩微狀態(tài)動力學。這些發(fā)現(xiàn)表明，在單個電極上觀察到的振蕩可以擴展到大規(guī)模腦功能網(wǎng)絡(luò)的振蕩活動。

參考文獻：Wiemers, M.C., Laufs, H. & von Wegner, F. Frequency Analysis of EEG Microstate Sequences in Wakefulness and NREM Sleep. Brain Topogr (2023). https://doi.org/10.1007/s10548-023-00971-y

小伙伴們關(guān)注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～