導讀

目的：睡眠紡錘波的改變與認知障礙有關。這一發(fā)現(xiàn)增加了人們對識別基于睡眠的認知和神經(jīng)退行性疾病生物標志物(包括睡眠紡錘波)的興趣。然而，圍繞紡錘波定義和算法參數(shù)設置的靈活性帶來了方法上的挑戰(zhàn)。本研究的目的是描述紡錘波檢測參數(shù)設置如何影響紡錘波特征與認知之間的關聯(lián)，并確定與認知關聯(lián)最強的參數(shù)。

方法：成年患者(n=167，49±18歲)在接受夜間診斷性多導睡眠監(jiān)測記錄疑似睡眠障礙后，完成NIH工具箱認知測試(NIH Toolbox Cognition Battery )。本研究在Luna(一個開源的紡錘波檢測器)中探索了七個參數(shù)的1000種組合，并使用檢測到的紡錘波的四個特征(振幅、密度、持續(xù)時間和峰值頻率)來擬合線性多元回歸模型，以預測認知得分。

結果：紡錘波特征(振幅、密度、持續(xù)時間和平均頻率)與預測最佳紡錘波參數(shù)的原始流體認知得分(r=0.503)和年齡調整流體認知得分(r=0.315)的能力相關。相對于慢速紡錘波，快速紡錘波表現(xiàn)出更好的性能。無論參數(shù)設置如何，紡錘波特征對總體認知的預測能力較弱，對晶體認知的預測能力較差。

結論：通過對紡錘波檢測參數(shù)的探索確定了流體認知研究的最佳參數(shù)，并揭示了參數(shù)相互作用對慢速和快速紡錘波的作用。本研究結果支持睡眠紡錘波作為基于睡眠的流體認知生物標志物。

意義：隨著睡眠研究的興起，為了研究睡眠紡錘波及其在各種神經(jīng)精神疾病中的作用，自動紡錘波檢測算法已成為越來越流行的研究工具。然而，自動紡錘波檢測器參數(shù)的選擇可能會影響被檢測的紡錘波子集，并且它們與認知網(wǎng)絡的相關性尚不清楚。這項研究證實，檢測到的紡錘波及其與認知研究的功能相關性取決于所使用的參數(shù)設置。本研究結果為其他研究提供了參考紡錘波檢測參數(shù)，并強調了在紡錘波與認知關聯(lián)的研究中優(yōu)化參數(shù)設置和解釋相互作用的重要性。

引言

腦健康是一個新興的研究重點，它描述了“在沒有明顯影響正常腦功能的腦疾病的情況下，在特定年齡保持最佳的大腦完整性以及心理和認知功能”。由于睡眠障礙和神經(jīng)認知疾病與老年人發(fā)病率和死亡率的升高有關，睡眠已成為一種越來越受歡迎的大腦健康治療目標。睡眠宏觀結構的變化，包括睡眠效率和持續(xù)時間的降低，夜間清醒和睡眠碎片化的增加，這些都與衰老有關，且增加了患認知障礙的風險。

最近發(fā)現(xiàn)，與年齡相關的睡眠微觀結構變化比睡眠宏觀結構變化更明顯。這些發(fā)現(xiàn)引發(fā)了使用EEG信號提取睡眠微特征的研究熱潮，特別是睡眠紡錘波，作為神經(jīng)退行性疾病和精神疾病的電生理學標記。紡錘波是非快速眼動(NREM)第二階段睡眠的標志，其特征為11-16Hz的間歇性波動，持續(xù)0.5-3s。紡錘波機制在記憶鞏固和睡眠感覺缺失中起著重要作用，是信息的載體波，有助于睡眠本身的銜接。盡管在個體間的差異很大，但紡錘波是一種NREM EEG“指紋”，具有較高的遺傳性和較強的夜間穩(wěn)定性。

雖然有時可以從視覺上識別紡錘波，但文獻中定義的紡錘波頻率范圍是從8-12Hz之間開始，到15-17Hz之間結束。在臨床實踐中，紡錘波檢測的主要用途是對NREM睡眠進行評分。然而，使用紡錘波分析作為精確工具來識別結果的電生理標記，需要更嚴格的和生理相關的標準。

根據(jù)EEG的地形和頻率分布，將紡錘波進一步分為“慢速”和“快速”兩種類型。慢紡錘波優(yōu)先出現(xiàn)在額葉區(qū)域，而快紡錘波則集中在中央和頂葉區(qū)域。目前紡錘波檢測的黃金標準是對腦電圖的目視檢查。然而，專家手動檢查費時、易出錯、主觀性較強、僅限于小樣本數(shù)據(jù)集。相比之下，自動檢測方法允許重復分析，并且正在被逐漸優(yōu)化。但這種方法缺乏對紡錘波定義的共識，并假設紡錘波的生理意義與當前可視化的黃金標準相關。此外，它忽略了自動檢測算法的特定參數(shù)設置和紡錘體的生理相關性之間的潛在聯(lián)系。本研究假設參數(shù)設置會影響睡眠紡錘波特征和認知之間的關聯(lián)。為了評估這一假設，本研究使用認知測量作為黃金標準，并確定了與認知表現(xiàn)最相關的紡錘波檢測參數(shù)。

研究方法

被試

被試來自馬薩諸塞州總醫(yī)院睡眠實驗室的167名成年患者(≥18歲)，在接受夜間診斷性多導睡眠圖(PSG)后完成了認知測試。排除標準包括癡呆或學習障礙的任何基線診斷；先前接受過認知測試；由于英語不流利或運動、視覺或聽力障礙而無法完成測試。苯二氮卓類藥物的使用不納入排除標準。然而，鑒于它們能夠增加紡錘體的活性，本研究對此進行了敏感性分析，以量化苯二氮卓類藥物使用對總體結果的影響，且在PSG檢查當晚要求被試報告藥物使用情況。

認知測試

所有參與者都完成了NIH工具箱認知測試，該認知測試包含七個子測試，每個子測試測量一個認知子領域。流體認知分為五個子測試：維度變化卡片排序(DCCS)、側翼抑制控制與注意(ICA)、列表排序工作記憶(LSWM)、模式比較處理速度(PCPS)和圖片序列記憶(PSM)測試。另外兩個子測試分為晶體認知和評估語言：圖片詞匯(PVT)和口語閱讀識別(ORR)測試。為每個單獨的子測試和三個綜合認知指標(總認知、流體認知和晶體認知)生成絕對(未校正)和年齡校正標準分數(shù)。分數(shù)越高，表示每個認知領域的認知功能越好。在成人中，單個子測試顯示出良好的重測信度，綜合得分顯示出良好的內部一致性、優(yōu)秀的重測信度以及較強的收斂效度和區(qū)別效度。

EEG記錄與信號處理

診斷性PSG過程中采集了6個通道的EEG和ECG記錄。EEG信號以512Hz的頻率記錄，并被分割成不重疊的30s時間段，由有執(zhí)照的睡眠技術人員按照美國睡眠醫(yī)學會的標準手動評分。每個時間段都會被貼標簽：清醒(W)，快速眼動，非快速眼動階段1 (N1)，非快速眼動階段2 (N2)，或非快速眼動階段3 (N3)。一名睡眠神經(jīng)學家手動審查和檢查睡眠分數(shù)以進行質量控制。

研究者從以雙側乳突為參考的中央通道(C3-M2和C4-M1)和單個ECG通道中提取EEG信號。EEG和ECG信號重采樣至256Hz，并用零相位帶通濾波器分別在0.3~35Hz和0.3~40Hz范圍內進行濾波。此前的一項研究表明，去除心電干擾后的EEG信號紡錘波密度更高。因此，本研究對EEG信號進行了ECG校正。為了去除ECG偽影，研究者計算了被試的瞬時心率，使用3s的窗口大小對其進行平滑，并使用Pan-Tompkins算法檢測R峰。然后將R峰與EEG對齊，以創(chuàng)建一個平均信號，然后從EEG信號中減去。然后通過平均0.5s的間隔來檢索被試的平均EEG特征，并減去任何與R峰一致的EEG特征。

ECG校正后，對EEG信號進行0.1~20Hz的帶通濾波處理。然后檢測并去除偽跡。最后，為了去除任何極端異常值，迭代設置異常值檢測的閾值，以去除每四個時間段總指標(均方根和三個Hjorth參數(shù))均值±3個標準差的時間段。僅納入NREM階段2的睡眠時段進行分析。

自動紡錘波檢測

使用Luna(http://zzz.bwh.harvard.edu/luna/)生成睡眠紡錘波特征。Luna的自動紡錘波檢測組件依賴于先前發(fā)表的Morlet小波變換。選取7個參數(shù)進行探索：(1)周期參數(shù)，周期參數(shù)在較高值時提高頻率分辨率，在較低值時提高時間分辨率；(2)目標頻率(fc)；(3)紡錘波質量度量(q)；(4)紡錘波檢測的乘法閾值；(5)最小紡錘波持續(xù)時間(min)；(6)最大紡錘波持續(xù)時間(max)；以及(7)紡錘波之間的最大秒數(shù)，除非生成的紡錘波大于max參數(shù)（合并），否則它們應被視為單個紡錘波并因此合并。

統(tǒng)計分析

對所有可能的參數(shù)值進行配對得到29393280個可能的組合，使用基于蒙特卡羅的選擇對1000個隨機組合進行抽樣，并對每個設置運行Luna來提取紡錘波特征。之所以選擇這種參數(shù)組合選擇方法，是因為不可能探索所有可能的參數(shù)組合，而且系統(tǒng)網(wǎng)格搜索實驗的效率比隨機抽樣要低。在初步研究之后，對500個組合進行了第二次探索性分析。對每個患者的兩個通道(C3-M2和C4-M1)的紡錘波特征進行平均。研究者先驗地選擇了四個感興趣的紡錘波特征用于認知能力預測：紡錘波振幅、密度、持續(xù)時間和平均紡錘波頻率。在分析之前，所有認知測量都進行了標準化(Z變換)。

利用這些特征，研究者擬合了一個線性回歸模型來預測NIH工具箱中每個子測試和總體綜合未校正標準分數(shù)上的認知表現(xiàn)。皮爾遜相關被用來比較測量的認知得分與優(yōu)化回歸模型預測的認知得分。為了避免過擬合，研究者使用10折交叉驗證來評估模型的性能。最后，在整個數(shù)據(jù)集上重新擬合模型，以獲得一組整體模型系數(shù)。并使用自舉法重復1000次。

然后采用改進的百分位自舉法比較模型之間的皮爾遜相關性。該方法首先要確定皮爾遜相關值最大的模型，然后應用自舉法計算最佳模型與其他模型差異的置信區(qū)間。如果置信區(qū)間不跨零，則認為最佳模型更好。本研究的第一個目標是使用絕對(未校正)分數(shù)進行數(shù)據(jù)分析，確定最能測量紡錘波和認知之間原始關聯(lián)的紡錘波檢測參數(shù)，而不考慮其他因素。第二個目標是在調整年齡后，通過使用年齡校正分數(shù)來確定紡錘波和認知之間的獨立關聯(lián)，以解釋在考慮了年齡因素后，紡錘波特征可解釋的認知變化。

為了研究參數(shù)相互作用在模型性能中的作用，研究者使用降維工具t-SNE（t分布隨機鄰域嵌入）直觀地檢查了參數(shù)組合的分組行為；還研究了納入紡錘波特征回歸系數(shù)是否會改變t-SNE分組行為。最后，研究者將這些t-SNE圖與第三個僅包含每個組合的平均紡錘波特征的圖進行了比較。為了確定可視化的最佳超參數(shù)，通過改變T-SNE中的perplexity參數(shù)，并可視化地選擇最佳值。所有其他參數(shù)設置都為默認選項。在可視化后，對495個選定的參數(shù)組合進行了分析。通過散點圖對12.5Hz和14.5-16Hz的最佳組合的紡錘波特征進行了視覺檢查，以年齡和認知表現(xiàn)為依據(jù)。

為了評估在認知障礙患者中的結果，研究者回顧了2009年至2017年在馬薩諸塞州總醫(yī)院睡眠實驗室獲得的多導睡眠圖，并確定了患有癡呆和輕度認知障礙(MCI)的患者。利用性能最佳和最差的模型提取紡錘波特征(振幅、密度、持續(xù)時間、頻率)。使用Cuzick趨勢檢驗研究了紡錘波特征與認知障礙狀態(tài)之間的關系。使用睡眠心臟健康研究(SHHS)進行外部驗證，韋氏記憶量表(WMS)數(shù)據(jù)不完整或被診斷為認知障礙的被試被排除在分析之外。共476名被試被納入驗證數(shù)據(jù)集。對初始階段隨機選擇的1000個參數(shù)組合以及最佳、默認和最差組合參數(shù)進行模型性能評估。

在檢查連續(xù)變量之間的關聯(lián)時，采用皮爾遜相關。根據(jù)置信區(qū)間定義估計相關的統(tǒng)計顯著性，格式為X [Y，Z]。為了確定離散變量之間的關聯(lián)，使用統(tǒng)計顯著性p值＜.05的Cuzick趨勢檢驗。所有的統(tǒng)計分析都是使用Python內置代碼(https://www.python.org/)執(zhí)行的。用于生成圖片和完整回歸分析的源代碼可在https://github.com/mghcdac/spindle_optimization上獲得。值得注意的是，Luna為紡錘波檢測提供了推薦的默認參數(shù)值。研究者在這項工作中的目標是確定參數(shù)空間的哪一部分與認知的相關性最大化，而不是具體評估Luna默認參數(shù)。盡管如此，參考參數(shù)代表了一個重要的參考點，因此本研究提供了與默認參數(shù)的比較。

結果

NIH工具箱的所有子測試和綜合測試中按年齡劃分的認知測試和表現(xiàn)的得分分布情況分別如圖1和圖2所示。

總體性能趨勢

對于流體智力，632/1000模型顯著預測認知得分，并有95%的置信區(qū)間不包含相關或回歸系數(shù)的零假設值。其中286個(45.25%)模型具有中等相關(≥0.4)。性能最佳模型(0.501[0.175，0.595])的紡錘波檢測器參數(shù)如下：周期=6，中心頻率(fc)=15.5Hz，質量度量(q)=0.3，閾值=5.5，最小紡錘波持續(xù)時間=0.4s，最大紡錘波持續(xù)時間=2.6s，合并=0.7s。模型細節(jié)和性能分別如表1和圖3所示。

在檢查每個流體子測試后，發(fā)現(xiàn)在Flanker ICA測試中，具有相似性能的34/62(55%)模型具有快速紡錘活性，LSWM為116/280 (41%)，DCCS為221/290 (76%)，PCPS為262/458 (57%)，PSM為337/528(64%)。每個子測試的最佳性能模型分別如表1和圖3所示。

就晶體智力而言，所有模型對綜合和子測試分數(shù)的預測都很差。性能最佳的參數(shù)組合的預測與真實綜合分數(shù)(?0.38[?0.47,0.06])、PVT(?0.39[?0.48,0.06])和ORR(?0.35[?0.45,0.01])呈負相關(圖3)。

對于總智力，299/1000模型能顯著預測認知得分。在這些模型中，3個(1%)顯示中等相關值(≥0.4)。性能最佳模型(0.407[0.066，0.495])的紡錘波檢測器參數(shù)為：周期=7，中心頻率(fc)=14Hz，質量度量(q)=0.7，閾值=6，最小紡錘波持續(xù)時間=0.4s，最大紡錘波持續(xù)時間=3.5s，合并=1s。模型細節(jié)和性能分別如表1和圖3所示。使用改進的百分位自舉法來比較所有模型的皮爾遜相關，發(fā)現(xiàn)性能最佳模型顯著優(yōu)于301個(30%)模型。在699個具有相似性能的模型中，203個(29%)具有快速紡錘體活性(FFT平均＞13Hz)的特征。

使用線性回歸評估苯二氮卓類藥物對認知的最佳參數(shù)組合的潛在影響。苯二氮卓的使用系數(shù)(25.00[?0.20，43.54])及其與預測評分(?25.34[?45.30，0.67])的相互作用無統(tǒng)計學意義。同樣，AHI(呼吸紊亂指數(shù))對最佳參數(shù)組合認知的影響在其模型系數(shù)(?9.33[?38.00，20.04])或與預測得分(7.47[?20.98，34.40])的相互作用方面不顯著。雖然統(tǒng)計上不顯著，但苯二氮卓類藥物的凈效應為負，因此與較差的認知預測相關。

分離參數(shù)設置與性能趨勢

為了了解是什么驅動特定參數(shù)組合在預測流體認知時的表現(xiàn)，本研究進行了探索性預測分析。第一個探索性問題是參數(shù)之間的相互作用是否可以忽略不計。在目視檢查時，某些參數(shù)設置始終表現(xiàn)出較差的性能(相關系數(shù)小)，例如fc＜11.5Hz。Cuzick趨勢檢驗顯示，在周期、中心頻率和最小紡錘波持續(xù)時間的參數(shù)值上，性能有顯著的趨勢(周期：p=.002；中心頻率：p＜2.2e-16；最小持續(xù)時間：p=.02；最大持續(xù)時間：p=.46；質量指標：p=.22；閾值：p=.19；合并：p=.87)。

參數(shù)設置和交互的影響

t-SNE圖顯示，在不同參數(shù)值下，預測認知較差(相關系數(shù)小)和預測認知較好(相關系數(shù)大)的模型之間存在離散邊界(圖4A)，并且隨著回歸系數(shù)的增加和僅使用平均紡錘波特征時，描繪效果略有改善(圖4B和C)。

研究者使用了平行坐標圖使參數(shù)相互作用可視化。對于慢速紡錘波組合，觀察到模型性能在fc=12.5Hz時達到峰值。當fc＞12Hz時，最小紡錘波持續(xù)時間＜6s和閾值＞4的組合通常對應著較好的模型性能。周期和fc之間也可以看到存在反比關系：對于較高的fc值，模型性能在較低的周期下越好；對于較低的fc值，模型性能在較高的周期下越好。對于最大紡錘波持續(xù)時間、q或合并設置，沒有發(fā)現(xiàn)明確的參數(shù)相互作用或模型性能模式。

因為q沒有顯示任何趨勢，也沒有任何缺失值，所以在這些運行中，它被設置為零。此時性能最佳模型顯示性能略有提高0.504[0.198，0.594])，并具有以下參數(shù)：周期=5，fc=15，q=0，閾值=5，最小紡錘波持續(xù)時間=0.4s，最大紡錘波持續(xù)時間=3.9s，合并=0.7。最終檢驗表明，當fc=12.5，周期=12，閾值＞4.5和最小紡錘波持續(xù)時間＜0.5s時，慢速紡錘波模型性能始終達到峰值(圖5B)。當fc＞14Hz時，快速紡錘波參數(shù)組合的限制較小，相關性較大。在14.5Hz下，當周期=7、閾值＞4.5且最小紡錘波持續(xù)時間＜0.5s時，性能有所改善。當fc在15-15.5Hz之間，周期=5，最小紡錘波持續(xù)時間＜0.5s時，性能達到峰值。在fc=15.5Hz時，閾值＞4沒有觀察到明顯的區(qū)別，而與fc=15Hz時的5.5相比，閾值=5時的改善最小(圖5C)。

紡錘波的主要預測特征

平均紡錘波特征隨頻率的分布可參見補充材料。當檢查每個中心頻率的最佳參數(shù)組合時，發(fā)現(xiàn)測量頻率值(FFT)和中心頻率(fc)設置之間的差異大于14Hz(表2)。這些組合檢測到紡錘波基于平均FFT的中心頻率約為14Hz。

從表2的前五個參數(shù)組合檢測到的紡錘波特征與年齡的關系顯示，紡錘波密度在快速和慢速紡錘波頻率下隨年齡的增長而下降。在老年患者中，盡管紡錘波密度降低，但與年輕患者相比，快速紡錘波的頻率略高，并且在流體認知測試中較差的表現(xiàn)(相關性較小)與較高的快速紡錘波FFT平均值有關(圖6)。

年齡調整后的性能趨勢

對于第二個目標，研究者使用年齡校正分數(shù)來評估所有參數(shù)組合。對于流體智力，141/1500模型(1000個初步組合和500個探索性組合)顯著預測認知得分，并且有95%的置信區(qū)間不包含相關系數(shù)或回歸系數(shù)的零假設值。其中29個(20.56%)模型的相關值中等(≥0.3)。性能最佳模型(0.315[0.109，0.402])的紡錘波檢測器參數(shù)為：周期=8，中心頻率(fc)=15Hz，質量度量(q)=0，閾值=5.5，最小紡錘波持續(xù)時間=0.2s，最大紡錘波持續(xù)時間=3.9s，合并=0.7s。使用修正的百分位自舉法來比較所有模型的皮爾遜相關性，發(fā)現(xiàn)性能最佳模型的表現(xiàn)明顯優(yōu)于859個(86%)非顯著模型。在其余141個精度無顯著差異的模型中，110個(78%)具有快速紡錘活性(FFT平均＞13Hz)的特征。在檢查流體子測試時，本研究只發(fā)現(xiàn)了DCCS測試的一個重要模型，其特征是快速紡錘體活性。所有模型與Flanker ICA的相關性都很差；包括相關性最強的模型(?0.34[?0.45，0.05])。LSWM的最佳性能模型(最大相關系數(shù))呈現(xiàn)顯著性趨勢(0.25[?0.02，0.36])。

比較最佳設置和默認設置的性能趨勢

當使用絕對評分時，以下默認參數(shù)組合可產(chǎn)生更好的預測性能(相關系數(shù)更大)：總分(0.32 [0.02，0.42])，流體智力(0.43 [0.11，0.52])，LSWM(0.31[0.04，0.42])，PCPS(0.37[0.05，0.47])，PSM(0.37[0.05，0.48])。相比之下，晶體智力(?0.18[?0.41，0.10])、PVT(?0.21[?0.41，0.08])、Flanker ICA(0.26[?0.04，0.38])、DCCS(0.27[?0.004，0.378])和ORR(?0.09[?0.36，0.11])檢驗的模型性能較差(相關系數(shù)小)。使用改進的百分位自舉法來比較所有模型的皮爾遜相關，研究者只發(fā)現(xiàn)在晶體認知和PVT得分上的最佳性能參數(shù)模型和默認參數(shù)模型之間存在差異：總分(?0.09[?0.6,0.05])，流體(?0.08[?0.35，0.21]),晶體(?0.37[?0.56，?0.06])，PVT(?0.43[?0.60，?0.01])，F(xiàn)lanker ICA(?0.10[?0.37,0.09])，LSWM(?0.06[?0.33，0.20]),DCCS(?0.18[?0.45，0.13])，PCPS(?0.09[?0.40，0.19])，PSM(?0.09[?0.39，0.23])，ORR(?0.28[?0.56，0.11])。

當使用年齡調整分數(shù)時，所有默認參數(shù)組合都顯示出較差的性能(相關系數(shù)小)：總分(0.15[-0.16，0.27])，流體(0.23[-0.09，0.34])，晶體(?0.06[?0.37，0.16])，PVT(?0.095[?0.38，0.14])，F(xiàn)lanker ICA(0.05[-0.23，0.20])，LSWM(0.10[-0.19，0.23])，DCCS(0.03[-0.28，0.20])，PCPS(0.27[-0.06，0.38])，PSM(0.22[-0.10，0.34])，ORR(?0.08[?0.35，0.13])。使用改進的百分位自舉法來比較所有模型的皮爾遜相關，研究者發(fā)現(xiàn)最佳性能模型和默認參數(shù)模型之間沒有差異。

認知障礙患者的表現(xiàn)趨勢

為了評估在認知障礙患者中的結果，研究者比較了原始非癡呆數(shù)據(jù)集以及215名癡呆和308名MCI患者數(shù)據(jù)集中表現(xiàn)最好和最差的模型生成的認知障礙狀態(tài)和紡錘波特征之間的關系。紡錘波特征分布如圖7所示。Cuzick趨勢檢驗顯示，當選擇最佳參數(shù)組合(密度：p＜2.2e-16；持續(xù)時間：p=.03；頻率：p=8.5e-11；振幅：p=3.8e-08)，所有紡錘波特征都有顯著趨勢。對于性能最差的組合，紡錘波密度和振幅有顯著趨勢(密度：p=6.7e-06；持續(xù)時間：p=0.30；頻率：p=0.54；振幅：p=5.9e-07)，盡管所有組的密度值都接近于0(圖7)。

討論

本研究的主要發(fā)現(xiàn)是，認知和睡眠紡錘波特征之間的關聯(lián)強度取決于所使用的紡錘波檢測參數(shù)和所測量的認知類型。具體而言，紡錘波特征根據(jù)紡錘波檢測參數(shù)值可變地預測流體認知，并且無論選擇什么參數(shù)，都不能很好地預測晶體認知?？傮w認知模型(與紡錘波特征之間)存在較弱的關聯(lián)，當使用年齡調整分數(shù)時，這種關聯(lián)變得不顯著。流體認知和子測試的模型性能進一步受到紡錘波類型(快vs慢)的影響?？焖偌忓N波特征通常表現(xiàn)出更好的流體認知預測性能。在五個流體認知子測試中，只有工作記憶表現(xiàn)出對慢速紡錘波特征的偏好，59%的重要模型源自慢速紡錘波特征。當使用年齡調整分數(shù)時，快速紡錘波特征和慢紡錘波特征之間的性能差距擴大，78%的流體模型具有快速紡錘波特征，而使用絕對分數(shù)時，這一比例為60%。最后，研究了慢速紡錘波類型和快速紡錘波類型參數(shù)之間的相互作用?？偟膩碚f，本研究結果證明了自動紡錘波檢測的參數(shù)設置會影響流體認知的預測效果，并強調了在使用自動紡錘波檢測器時考慮參數(shù)相互作用的重要性。

最佳和默認檢測器設置的性能趨勢

當預測絕對分數(shù)時，研究者發(fā)現(xiàn)在本研究的樣本量下，最佳(0.503)和默認(r=0.427)參數(shù)組合之間沒有顯著差異。當選擇默認參數(shù)設置時，預測年齡調整分數(shù)的模型在所有認知測試中都顯示出較差的性能，因此當使用默認參數(shù)時，考慮年齡后由紡錘波特征解釋的認知變化較小，盡管本研究的樣本量上發(fā)現(xiàn)的差異不具有統(tǒng)計學意義。預測絕對分數(shù)和年齡調整分數(shù)的目的是不同的，前者評估睡眠紡錘波和認知之間的關聯(lián)，而后者試圖評估紡錘波特征對認知的獨立貢獻。總的來說，本研究發(fā)現(xiàn)改變參數(shù)設置會導致觀察到的關聯(lián)具有可變性，如表現(xiàn)出更高或更低的性能，盡管默認參數(shù)通常代表了整體關聯(lián)。

晶體認知和流體認知

當使用優(yōu)化的參數(shù)來最大化相關系數(shù)時，自動紡錘波檢測器提取的紡錘波特征能夠適度預測(r=0.503)流體智力。流體智力是依賴于使用邏輯或抽象思維來識別模式的能力。相比之下，紡錘波特征無法準確地預測晶體智力，晶體智力衡量的是通過經(jīng)驗和教育獲得的知識和技能。雖然最佳的晶體認知模型在預測分數(shù)和真實分數(shù)之間顯示出中度負相關，但相關性并不顯著。值得注意的是，流體智力和晶體智力是密切相關的，其反映了更高階的一般認知能力。雖然這兩種結構是相互關聯(lián)的，但出于研究和治療目的，它們通常被單獨評估和報告，并且被認為受到腦健康的不同方面的不同影響。本研究對流體模型性能的發(fā)現(xiàn)與前人研究一致，即紡錘波特征與流體認知之間存在顯著相關。

流體認知和紡錘頻率

在具有等效性能的流體認知模型中，360(60%)具有快速紡錘波活性(FFT平均＞13Hz)。同樣，每個流體子測試模型通常都有利于快速紡錘波活性。這一觀察結果在DCCS(測量認知靈活性)中最為明顯，其中76%的最佳性能模型源自快速紡錘波特征。當使用年齡調整分數(shù)進行分析時，所有表現(xiàn)最佳的模型都來自DCCS測試的快速紡錘波特征。同樣，98%的PCPS模型和92%的PSM模型源自快速紡錘波特征。相比之下，所有模型對Flanker ICA和LSWM年齡調整評分的預測都很差，盡管后者在使用慢速紡錘波時具有顯著性趨勢。此外，本研究的發(fā)現(xiàn)也與AD和MCI中快速紡錘波(相對健康對照組)顯著減少的證據(jù)相一致。在與衰老相關的睡眠微觀結構變化以及AD和MCI的認知衰退中，快速紡錘波也顯示出了其優(yōu)勢作用。

結論

當使用自動紡錘波探測器檢測大腦健康時，應考慮參數(shù)設置和相互作用，因為它們會調節(jié)檢測到的紡錘波特征及其生理意義。通過將認知測量作為調整紡錘波檢測參數(shù)的黃金標準，紡錘波特征與預測流體認知分數(shù)的能力顯著相關(r=0.503)。本研究的分析進一步確定了兩個空間參數(shù)，它們分別表現(xiàn)出弱和中等的預測性能。相對于慢速紡錘波特征，快速紡錘波特征顯示出更好的性能，未來的研究需要進一步評估這些紡錘波類型之間的功能差異。
原文：Noor, A. , Sun, H. , Wolfgang, G. , Ye, E. M. , LW Dümmer, & Tesh, R. A. , et al. (2022). Optimal spindle detection parameters for predicting cognitive performance. Sleep. Doi: 10.1093/sleep/zsac001

小伙伴們關注茗創(chuàng)科技，將第一時間收到精彩內容推送哦～