Perubahan Konektivitas Otak Selama Tidur Dengan Neurostimulasi Transkranial Loop Tertutup Memprediksi Sensitivitas Metamemori Bagian 2

Rekaman Elektrofisiologi dan Stimulasi Transkranial

Data EEG dikumpulkan dan stimulasi diterapkan secara bersamaan dengan prototipe StarStim64 dari Neuroelectrics, Inc., dengan penutup kepala neoprene saluran 64-yang mencakup 32 saluran EEG dan 32 saluran stimulasi.

Terus berkembangnya ilmu pengetahuan dan teknologi modern membuat penelitian masyarakat tentang otak semakin mendalam. Dalam beberapa tahun terakhir, semakin banyak penelitian yang menunjukkan hubungan erat antara elektroensefalografi (EEG) dan memori. EEG adalah metode pencatatan aktivitas listrik otak. Ini mengekspresikan sinyal listrik otak manusia dalam bentuk gambar garis dengan mendeteksi sinyal bioelektrik otak. Memori adalah kemampuan sistem saraf otak untuk memperoleh, memproses, menyimpan, mengenali, dan mengingat informasi. Hubungan keduanya bisa dikatakan erat kaitannya.

EEG mencatat pergerakan tubuh, bahasa, pemikiran, dan informasi sensorik, dan telah banyak digunakan di berbagai bidang seperti kedokteran, ilmu saraf, dan psikologi. Diantaranya, peneliti menemukan bahwa EEG memiliki hubungan penting dengan memori. Rekaman EEG dapat membantu kita lebih memahami proses pembentukan dan pengambilan memori, serta memberikan referensi berharga untuk pengobatan gangguan memori. Menurut penelitian, pembentukan memori jangka panjang disertai dengan aktivitas listrik dengan derajat dan distribusi yang berbeda-beda, dan ketika orang mengingat kembali ingatan, sinyal EEG juga akan berubah, yang semakin menegaskan hubungan erat antara EEG dan memori.

Selain itu, EEG juga dapat membantu peneliti memahami berbagai jenis memori, seperti memori jangka pendek, memori jangka panjang, memori spasial, dan memori emosional. Dalam penelitian, analisis EEG dapat menunjukkan aktivitas listrik dari berbagai area otak. Aktivitas listrik khusus ini dapat mengungkap bagaimana materi memori ditransmisikan dan diproses di dalam otak dan juga mengungkap penyebab gangguan memori.

Dapat dikatakan bahwa EEG mempunyai arti positif bagi peningkatan kualitas hidup. Masyarakat modern terlalu lama menggunakan produk elektronik seperti komputer dan telepon seluler bahkan terlalu mengandalkan media sosial sehingga membuat masyarakat sulit berkonsentrasi dan mudah melupakan sesuatu. Penelitian menunjukkan bahwa pelatihan umpan balik EEG singkat dapat meningkatkan kemampuan belajar dan memori seseorang. Melalui terapi EEG individu, kelainan fungsi otak dapat diperbaiki, aktivitas otak ditingkatkan, serta kemampuan memori dan belajar ditingkatkan.

Singkatnya, teknologi EEG perlu segera digunakan secara luas dalam kehidupan kita sehari-hari, dan penelitian lebih lanjut juga diperlukan untuk mengeksplorasi lebih banyak penerapan dan potensinya. Di masa depan, peningkatan berkelanjutan pada teknologi EEG akan memberi kita lebih banyak peluang dan tantangan, memungkinkan kita memiliki otak yang lebih efisien dan sehat. Terlihat bahwa kita perlu meningkatkan daya ingat, dan Cistanche deserticola dapat meningkatkan daya ingat secara signifikan, karena Cistanche deserticola memiliki efek antioksidan, anti inflamasi, dan anti penuaan, yang dapat membantu mengurangi reaksi oksidasi dan inflamasi di otak, sehingga melindungi otak. kesehatan sistem saraf. Selain itu, Cistanche deserticola juga dapat mendorong pertumbuhan dan perbaikan sel saraf, sehingga meningkatkan konektivitas dan fungsi jaringan saraf. Efek ini dapat membantu meningkatkan daya ingat, belajar, dan kecepatan berpikir, serta mencegah perkembangan disfungsi kognitif dan penyakit neurodegeneratif.

ClickKnoww meningkatkan memori jangka pendek

Saluran EEG ditempatkan dalam montase menurut sistem 10-10. Data EEG dikumpulkan dari 23 dari 32 lokasi yang dijadikan sampel pada 500 Hz dan direferensikan ke saluran Fz. 9 elektroda tambahan merekam elektrookulogram, elektromiogram, dan elektrokardiogram untuk memungkinkan deteksi tahapan tidur. Tidak ada pemfilteran perangkat keras online, kecuali pemfilteran linenoise (60 Hz), yang diterapkan selama pengumpulan.

Stimulasi transkranial aktif diberikan dalam bentuk rangkaian arus spatiotemporal yang unik di 32 elektroda stimulasi. Total arus listrik positif diatur di bawah 2,5 mA, dengan arus masing-masing saluran di bawah 1,5 mA dan di atas 150 uA.

Pola stimulasi diciptakan melalui pengoptimalan penurunan gradien untuk memaksimalkan ortogonalitas di seluruh medan listrik yang diinduksi dalam volume 3-D templat kepala manusia dewasa dengan memberi sanksi pada korelasi dan antikorelasi.

Selama percobaan, untuk kondisi Aktif, masing-masing dari 14 sketsa dikaitkan secara acak atau "ditandai" dengan pola stimulasi yang berbeda, dan templat khusus untuk setiap pola diprogram dalam perangkat lunak kontrol stimulasi Neuroelektrik, CoreGUI. Hanya setengah dari pola tES ini yang diterapkan kembali pada malam hari untuk memberi isyarat pengaktifan kembali memori (Tag & Cue), dan analisis perilaku berfokus pada respons tes ingatan untuk sketsa yang ditargetkan.

Pola unik ini terutama dirancang untuk memberi isyarat pada ingatan tertentu, bukan untuk mengubah aktivitas saraf dengan cara tertentu; dengan demikian, respon otak dan perubahan konektivitas terhadap STAMP individu tidak dianalisis dan malah digabungkan untuk meningkatkan jumlah percobaan.

Deteksi Osilasi Gelombang Lambat

Stimulasi secara otomatis dikirimkan dalam waktu terkunci ke status bagian atas SWO dengan algoritma deteksi loop tertutup, yang diadaptasi dari algoritma yang dikembangkan sebelumnya (Cox et al., 2014). Selama tidur, data EEG yang masuk dari 13 saluran depan-parietal-tengah (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3, dan P4) disimpan dalam {{17} yang sedang berjalan }s buffer yang terus diperbarui.

Untuk membersihkan data, pengurangan rata-rata bergerak dengan jendela 1-s diterapkan, dan saluran apa pun yang melebihi amplitudo min-ke-maks 500 μV sepanjang periode buffer ditolak.

Saluran yang tersisa dirata-ratakan untuk menciptakan saluran virtual untuk deteksi SWO yang kuat. Daya dalam pita gelombang lambat (0.5–1.2 Hz) dibandingkan dengan total daya pita lebar (0.1–250 Hz), dan jika rasio ini lebih besar dari 0,3, maka puncak daya yang tepat pada pita gelombang lambat (frekuensi tengah) dihitung.

Saluran virtual kemudian disaring dengan filter bandpass Butterworth orde kedua dengan bandwidth 1-Hz di sekitar frekuensi tengah (dengan cutoff minimum lebih rendah sebesar 0.1 Hz), dan transformasi Hilbert diterapkan. Fasenya digeser mundur 90 derajat, dan komponen imajiner diekstraksi, menghasilkan fase sesaat.

Gelombang sinus pada frekuensi tengah dengan fase optimal, offset, dan amplitudo sinyal yang disaring kemudian dihasilkan. Gelombang sinus diproyeksikan ke depan pada waktunya untuk menentukan titik berikutnya dari fase nol (yaitu permulaan keadaan naik), dan stimulasi dimulai pada titik waktu ini dan berlangsung selama keadaan naik yang diprediksi dengan ramp-up dan ramp-down. kali 100 ms.

Selama malam Sham, titik waktu stimulasi dicatat, namun tidak ada stimulasi yang diberikan. Dengan demikian, perbandingan malam Aktif dan Malam Sham berada pada titik waktu yang sama dengan SWO, dengan satu-satunya perbedaan adalah pemberian stimulasi STAMP. Validasi deteksi kondisi bagian atas dilakukan pada data dari malam Sham untuk menghindari artefak yang dihasilkan oleh STAMP pada malam Aktif.

Penanda diekstraksi dari titik waktu keadaan naik yang diprediksi oleh kecocokan gelombang sinus. Dalam beberapa kasus, karena penundaan perangkat keras, stimulasi berwaktu dipindahkan ke keadaan atas setelah keadaan atas yang segera terdeteksi, yang mungkin telah meningkatkan variabilitas fase sampai tingkat tertentu. Zaman yang dikunci waktu hingga penanda permulaan stimulasi (−5 hingga+5 s) diekstraksi dari data EEG mentah dan bandpass disaring dalam rentang 0.5–1.2 Hz.

Nilai fase pada setiap titik waktu penanda permulaan dihitung menggunakan transformasi Hilbert. Nilai rata-rata fase di seluruh uji coba dihitung untuk setiap peserta, dan fase rata-rata ini diserahkan ke pengujian v-test untuk mengetahui perbedaan dari 0 derajat (Berens, 2009). Gambar dan statistik validasi algoritma loop tertutup disajikan dalam Informasi Pendukung.

Pengolahan Data EEG dan Analisis Teori Grafik

Sinyal EEG dianalisis secara offline dengan EEGLAB dan skrip MATLAB khusus. Untuk membersihkan data dan memisahkan sumber kebisingan dari sinyal otak, rekaman EEG diturunkan sampelnya menjadi 250 Hz, direferensikan ke rata-rata semua elektroda, dan bandpass disaring menggunakan filter Butterworth (0,1–70 Hz, 24 dB/ Oktober).

Artefak okular dan nonneural diidentifikasi dan dihapus secara manual menggunakan metode analisis komponen independen (ICA) di EEGLAB dan algoritma infomax bawaannya (Delorme & Makeig, 2004).

Data bebas artefak disegmentasi dalam zaman yang mengandung −6,4 hingga −2,4 sebelum permulaan stimulasi sebagai jendela dasar, dan 3 hingga 7 detik setelah offset stimulasi sebagai jendela analisis. Untuk setiap zaman, spektrum daya pada setiap saluran dihitung dengan menerapkan metode estimasi spektral Welch pada segmen 2048-ms dengan tumpang tindih 1,024-ms (50%), dengan setiap segmen diruncingkan oleh jendela Hamming.

Konektivitas fungsional dan analisis teori grafik dilakukan dengan BioNeCtToolbox, kotak alat MATLAB khusus untuk analisis konektivitas otak (Casanova, El-Baz, &Suri, 2017). Konektivitas otak fungsional antar wilayah otak diperkirakan dengan menghitung korelasi silang dalam domain frekuensi antara sinyal EEG (Bowyer, 2016; Mohammed-Rezazadeh et al., 2016; Nolte et al., 2004).

Di antara berbagai metrik konektivitas fungsional, koherensi imajiner (iCoh) secara eksklusif mendeteksi interaksi "sebenarnya" antara sinyal EEG yang terjadi dalam waktu tunda tertentu, sehingga mengabaikan interaksi sesaat antara elektroda tetangga yang kemungkinan dihasilkan oleh konduksi volume aktivitas listrik dari sumber otak yang sama (Bullmore & Sporns, 2009; Fallani dkk., 2014;Mohammad-Rezazadeh dkk., 2016).

Nilai iCoh dihitung untuk semua kemungkinan pasangan elektroda pada pita frekuensi berikut: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), spindel (12–15 Hz), beta (16– 30 Hz), dan gamma rendah (40–50 Hz).

Analisis ini dilakukan pada data Aktif dan Palsu. Selain itu, nilai iCoh dihitung untuk jendela waktu pascastimulasi dan prestimulasi, dan nilai jendela prestimulasi dikurangi dari nilai jendela pascastimulasi untuk koreksi dasar. Multidimensi tinggi dari tindakan iCoh diuraikan dengan pendekatan teori grafik.

Metrik teoritis grafik memberikan informasi tentang tingkat segregasi jaringan (yaitu, kecenderungan wilayah otak untuk membentuk kelompok lokal dengan interkoneksi fungsional yang padat) dan integrasi serta efisiensi jaringan (yaitu, kapasitas jaringan untuk menjadi saling terhubung dan bertukar informasi secara efisien antar otak. wilayah; Bullmore & Sporns, 2009; Fallani dkk., 2014; Mohammad-Rezazadeh dkk., 2016).

Ukuran grafik yang umum digunakan berikut ini dihitung untuk semua pita frekuensi yang disebutkan di atas pada periode sebelum dan sesudah stimulasi: koefisien pengelompokan rata-rata (probabilitas node tetangga terhubung, mencerminkan keterhubungan lokal); efisiensi global(seberapa efisien jaringan dalam mentransfer informasi); karakteristik panjang, radius, dan diameter jalur (jumlah rata-rata tepi sepanjang jalur terpendek, jarak minimum yang mungkin, dan jarak terbesar yang mungkin, masing-masing antara semua kemungkinan pasangan simpul); modularitas (sejauh mana jaringan otak dipisahkan ke dalam subjaringan atau modul);assortativity (proporsi node yang melekat pada node lain dengan derajat yang sama vs. derajat yang berbeda); kepadatan (jumlah sisi dibagi dengan jumlah node dalam grafik); dan koherensi rata-rata (rata-rata koherensi antara semua pasangan node).

Analisis Klasifikasi dan Regresi

Data yang dihasilkan terdiri dari 48 fitur konektivitas fungsional (8 metrik teori grafik × 6 pita frekuensi) untuk kondisi stimulasi Aktif dan Sham untuk setiap peserta. Lebih khusus lagi, fitur konektivitas diekstraksi setelah stimulasi pada malam Aktif di mana stimulasi STAMP juga terjadi. seperti pada malam-malam Syam yang tidak terjadi rangsangan.

Untuk menyelidiki perubahan konektivitas apa yang dapat memprediksi kondisi stimulasi, serta kaitannya dengan perilaku, kami menerapkan klasifikasi tingkat peserta dan analisis regresi validasi silang, yang mana data dari sebagian peserta tidak dimasukkan sebagai data uji untuk diprediksi. Untuk mengurangi varians, kami menjalankan 35 kali lipat yang mana satu hingga tiga peserta tidak disertakan dalam satu waktu.

Metode pengambilan sampel dengan pemisahan acak berulang ini lebih disukai daripada metode "tinggalkan satu" yang umum diterapkan, karena dapat menghasilkan estimasi varians yang tidak stabil dan bias (Scheinost dkk., 2019; Varoquaux dkk., 2017). Kami memilih untuk mengambil pendekatan berbasis data ini bukan hanya karena besarnya ruang fitur data namun juga karena penyelidikannya yang baru.

Hanya sedikit penelitian hingga saat ini yang meneliti hubungan antara metrik teori grafik konektivitas otak dan sensitivitas metamemori, dan tidak ada yang meneliti bagaimana hal ini berubah seiring dengan stimulasi otak. Dengan demikian, kita berpotensi kehilangan hubungan penting antara konektivitas fungsional dan metamemori dengan hanya memeriksa pita frekuensi tertentu (misalnya, theta) atau ukuran (misalnya, koherensi rata-rata) berdasarkan temuan sebelumnya dalam literatur. Diagram yang menguraikan jalur analisis disajikan pada Gambar 2.

Untuk setiap lipatan, metode pemilihan fitur dijalankan pada data pelatihan untuk menemukan fitur teori grafik (garis dasar pascastimulasi dikoreksi dengan prestimulasi) yang membedakan antara kondisi stimulasi Aktif dan Palsu. Banyak fitur yang sangat berkorelasi satu sama lain, seperti dapat dilihat pada Informasi Pendukung Gambar S2.

Oleh karena itu, variabel yang sangat kolinear pertama dihilangkan dengan mencari pasangan fitur dengan korelasi tinggi (nilai r ambang 0,8) dan membuang variabel dengan rata-rata korelasi absolut yang lebih tinggi dengan variabel lainnya. Informasi tambahan mengenai variabel yang dihilangkan karena kolinearitas tinggi dapat ditemukan di Informasi Pendukung.

Kemudian, uji dependen (karena penelitian ini merupakan desain dalam subjek) dijalankan pada setiap fitur, menguji perbedaan antara kondisi Aktif dan Sham. Variabel dengan nilai t absolut yang rendah (ambang batas 1) dihilangkan, dengan alasan bahwa perbedaan antara variabel-variabel tersebut minimal. Fitur yang tersisa dimasukkan ke dalam algoritma pemilihan fitur Boruta (Kursa & Rudnicki, 2010).

Boruta adalah metode seleksi berbasis permutasi, di mana setiap fitur, serta salinan fitur beserta nilainya, diacak ke seluruh peserta (disebut "fitur bayangan"), dimasukkan ke dalam pengklasifikasi hutan acak, dan pentingnya setiap fitur ditentukan sebagai skor Z. Pentingnya fitur sebenarnya harus lebih tinggi daripada skor Z maksimum fitur bayangan agar dianggap penting secara signifikan.

Prosedur ini diulangi beberapa kali dengan permutasi fitur bayangan yang berbeda untuk memperoleh sebaran nilai yang dapat dibandingkan dengan nilai penting fitur sebenarnya. Jadi, Boruta adalah metode pemilihan fitur yang semuanya relevan—pada dasarnya, semua atau tidak satu pun variabel dapat dipilih melalui proses tersebut. Hanya fitur yang memiliki skor Z lebih tinggi daripada fitur bayangan yang dipilih.

Algoritme ini terbukti meningkatkan kinerja dalam menemukan fitur yang bermakna dibandingkan dengan algoritma pemilihan fitur lainnya (Degenhardt et al., 2017; Kursa, 2017). Fitur yang dipilih oleh Boruta kemudian dimasukkan ke dalam model regresi logistik yang memprediksi kondisi Aktif versus. Kami juga menjalankan regresi logistik teregulasi dengan regularisasi L2 (regresi ridge), di mana parameter λ optimal ditentukan melalui validasi silang dalam data pelatihan.

Terakhir, kami juga menjalankan klasifikasi regresi logistik hanya menggunakan variabel paling penting yang dipilih oleh algoritma Boruta. Setelah menyesuaikan parameter model pada data pelatihan, model tersebut digunakan untuk memprediksi data pengujian yang tersisa, sehingga menghasilkan perkiraan probabilitas untuk setiap contoh pengujian baik yang termasuk dalam kondisi Aktif atau Sham. Probabilitas ini digabungkan di seluruh lipatan dan digunakan untuk menghitung kurva karakteristik operasi relatif, yang darinya kami memperoleh nilai area di bawah kurva (AUC) (Fawcett, 2006).

AUC adalah ukuran kinerja pengklasifikasi yang lebih sensitif daripada sekadar akurasi mentah dan karenanya dilaporkan di sini. Dalam lipatan validasi silang yang sama, data pelatihan digunakan untuk memprediksi perubahan sensitivitas memori untuk sketsa yang ditargetkan (yaitu, Tag & Isyarat) dari Malam 2 presleeptest ke postsleep test dalam kondisi Aktif.

Ukuran kinerja perilaku adalah AUC dari kurva karakteristik operasi relatif tipe-2, ukuran sensitivitas metakognitif nonparametrik bebas bias, dengan AUC yang lebih besar mencerminkan sensitivitas memori yang lebih besar (Fleming &Lau, 2014; Galvin et al., 2003) . Di sini, model memperkirakan perubahan AUC dalam semalam untuk menghubungkan perubahan konektivitas dengan perubahan sensitivitas memori. Semua fitur konektivitas dimasukkan ke dalam proses pemilihan fitur serupa seperti analisis klasifikasi. Fitur yang sangat kolinear dihilangkan seperti sebelumnya.

Alih-alih melakukan uji coba, korelasi antara setiap fitur dan perubahan AUC semalam dihitung dan fitur dengan nilai absolut rendah (ambang batas 0.1) dihapus. Fitur lainnya dijalankan melalui algoritma Boruta, kali ini memprediksi perubahan AUC dalam semalam.

Fitur-fitur ini, serta hanya fitur teratas, dimasukkan ke dalam regresi linier dan model regresi terregulasi L2 yang memprediksi data pengujian yang ditinggalkan. Nilai root-mean-square error (RMSE) dihitung, dan nilai rata-rataRMSE di seluruh lipatan dibandingkan dengan nilai RMSE dari prediksi dari regresi linier dengan hanya intersep.

Sebagai analisis akhir, kami mengambil fitur-fitur pilihan Boruta dari analisis klasifikasi, serta fitur-fitur pilihan Boruta dari analisis regresi, dan memutar ulang klasifikasi dan regresi dengan kumpulan fitur gabungan, serta fitur teratas dari setiap kumpulan. Nilai AUC dari analisis klasifikasi dan nilai RMSE dari analisis regresi dilaporkan untuk setiap kumpulan fitur.

For more information:1950477648nn@gmail.com