慢波睡眠中脑电微状态与脑功能网络的相关性

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

脑电图(EEG)的微观状态在清醒状态下已被广泛研究，并被描述为“思维原子”。先前对脑电图的研究已经发现了四种微状态A、B、C、D，它们在静息状态下是一致的。同时使用脑电图和**功能磁共振成像(fMRI)**的研究已经为静息状态下EEG微状态和fMRI网络之间的相关性提供了证据。在非快速眼动(NREM)睡眠中已发现了微状态，而慢波睡眠(SWS)过程中脑电微状态与脑功能网络之间的关系尚未得到研究。本研究在SWS过程中收集同步的EEG-fMRI数据，以检验EEG微状态与fMRI网络之间的对应关系。分析显示，4个微状态中有3个与fMRI数据显著相关：1)岛叶和颞后回的fMRI波动与微状态B呈正相关，2)颞中回和梭状回的fMRI信号与微状态C呈负相关，3)枕叶的fMRI波动与微状态D呈负相关，而扣带回和扣带回的fMRI信号与微状态B呈正相关。然后，基于fMRI数据，使用组独立分量分析来评估脑功能网络。组级空间相关分析显示，fMRI听觉网络与微状态B的fMRI激活图重叠，执行控制网络与微状态C的fMRI失活重叠，视觉和突显网络与微状态D的fMRI失活和激活图重叠。此外，由二元回归得到的各微状态的一般线性模型(GLM)β图与各成分的独立图之间的个体水平空间相关性也表明，在SWS过程中，EEG微状态与fMRI测量的脑功能网络密切相关。综上所述，实验结果表明，SWS过程中脑电微状态与脑功能网络密切相关，表明脑电微状态为脑功能网络提供了重要的电生理基础。

1、背景

慢波睡眠(SWS)，通常被称为非快速眼动(NREM)睡眠的第三阶段，被证明在睡眠期间脑电图的30s时段中有超过20%的δ波活动。SWS被认为在人类的恢复中发挥重要作用，并参与睡眠的维持和睡眠期间的记忆巩固。有证据表明，SWS在新获得信息的加工和记忆的长期存储中起着重要作用，这被称为“睡眠相关记忆加工”。

广泛的EEG研究已经发现了休息和任务执行期间的四种标准类别的EEG微状态图。这四个微状态图显示右额到左后(微状态A)、左额到右后(微状态B)、中线额枕(微状态C)和额中枢最大(微状态D)的活动。脑电微状态的研究主要集中在静息状态，并被认为与脑功能状态有关。

同时进行的EEG-fMRI研究已经将健康受试者在清醒休息期间的脑电微状态与fMRI波动联系起来。使用这些微状态图的时间进程作为回归变量，与每个微状态图相关联的血氧水平依赖(BOLD)激活/去激活模式类似于某些传统的BOLD静息状态网络，例如视觉网络、听觉网络、突显网络和注意网络。有研究发现脑电微状态的动力学可能是功能磁共振成像网络的神经生理学基础。

2、方法

2.1 实验设计

48名受试者(男性26名，年龄22.50±2.64岁)参加了实验。受试者被要求遵循规律的睡眠时间表两周，并通过活动记录仪和睡眠日记监测他们的习惯性睡眠模式。

受试者在通常的就寝时间参加了MR环境适应会话，这是通过活动记录和为期两周的睡眠日记收集的数据确定的。在适应过程中，他们被要求戴着EEG帽躺在扫描仪上，接受6分钟的T1加权扫描和30分钟的BOLD fMRI扫描。实验会话是在适应会话的一周内进行的，BOLD扫描也是在受试者通常的就寝时间开始的。

2.2 数据采集

以5000 Hz的采样率采集实验期间的EEG-fMRI数据，脑电使用57个按国际10/20系统定位的通道，2个参考通道(A1，A2)，2个眼电图(EOG)通道，2个肌电图(EMG)通道，1个心电图(ECG)通道。采用MPRAGE序列采集全头结构T1加权MR图像。受试者被指示尝试入睡。采用平面回波成像(EPI)序列采集fMRI T2*加权数据。当受试者完全清醒并且不能再次入睡时，或者当所有4096个VOL(在BOLD fMRI序列的运行中可以获得的最大体积数)都完成时，会话结束。

2.3 数据预处理

使用BrainVision Analyzer 2.1离线处理原始EEG数据。使用21个分段的滑动平均值去除了EEG数据中的MR梯度伪影，并且随后将EEG数据下采样到500 Hz。在去除梯度伪影之后，校正数据中的心音心动图伪影，然后用独立成分分析(ICA)去除残留的BCG和梯度相关成分。

使用SPM12软件包对fMRI数据进行分析。fMRI数据经过标准预处理步骤，包括切片定时校正、头部运动校正、与解剖学数据的联合配准、归一化。

2.4 睡眠阶段评分

将处理后的EEG数据重新参考通道A1和A2的平均值。然后，对除肌电(10100Hz)外的所有通道的脑电信号进行0.530 Hz带通滤波，并进一步向下采样至250 Hz。在预处理之后，选择10个通道(F3、F4、C3、C4、O2、O2、EOG1、EOG2、EMG1和EMG2)。

对五个离散睡眠阶段进行评分：闭眼觉醒、NREM阶段1、NREM阶段2、NREM阶段3和快速眼动。24名受试者(女性12人，年龄21.46±2.96岁)至少有5min的SWS(第3阶段NREM睡眠)进入分析。为每个受试者提取5分钟的同步EEG-fMRI数据，其没有伪影并且包含最大量的慢波活动以供进一步分析。

2.5 脑电微状态评估

去除伪影后，对处理后的57个通道(包括A1、A2、EOG1、EOG2、EMG1、EMG2和ECG)的脑电数据进行0.5~20 Hz的带通滤波，然后进一步下采样至250 Hz。使用CARTOOL工具箱计算脑电微状态。首先，确定了全局场强(GFP)的最大值。由于GFP峰附近的地形保持稳定，我们提取了标记为GFP峰的所有地形，并将其提交给k-means聚类分析。然后，确定给定脑电数据的最主要地形图。使用交叉验证标准定义了微状态图的最佳数量。交叉验证标准显示给定EEG数据集的最大方差的最小数量的微观状态图。然后，基于所有受试者的微状态模板图在组级别执行类似的聚类分析，在SWS期间在组级别产生一组特定的微状态模板图。

为每个微状态计算了四个参数：平均持续时间、全局解释方差(GEV)、覆盖率和平均相关系数。平均持续时间被定义为每个微状态图的持续时间除以出现次数。GEV被定义为由每个微状态图解释的百分比方差。覆盖率被定义为每个微状态图的持续时间除以总时间。平均相关系数被定义为空间相关系数除以出现次数的和。

2.6 脑电微状态和fMRI时间序列的一般线性模型(GLM)

在计算出组级别的微状态模板图之后，使用组级别的模板图来拟合单个EEG数据。窗口半大小和最小持续时间均为3帧。然后将预处理后的脑电数据与每个微状态模板之间的空间相关时间序列以脑电数据的采样率与典型血流动力学响应函数(HRF)进行卷积。然后，将卷积的时间相关序列下采样到fMRI采样率，并建模为GLM分析的回归变量。将头部运动参数作为协变量加入到GLM模型中，以消除头部运动的影响。首先在个体水平进行一般线性模型分析，然后在组水平进行第二级单样本t检验。

2.7 fMRI数据的组ICA

进行组ICA来计算大脑网络中的功能连接性。使用FSL工具箱中的MELODIC进行组ICA。对所有受试者获得的预处理后的静息状态fMRI数据在时间维度上进行连接。组ICA的空间维度为30。检查每个组件的空间和时间特性，并选择10个组件作为感兴趣的功能网络。这些网络一直显示为静息状态和慢波睡眠fMRI。

对来自组ICA的每个空间成分图使用以下两个回归步骤进行双重回归分析。首先，将每个空间成分图与每个体积的fMRI数据进行回归；针对每个受试者，将所得到的空间回归系数随时间串联起来。其次，将来自上述空间回归的时间序列与相应的SWS fMRI数据进行回归，以估计每个受试者的特定分量图的回归权重。

2.8 GLM激活/去激活图与功能网络的比较

为了评估GLM激活/去激活图与fMRI网络之间的关系，将GLM分析得到的β图与fMRI数据的组ICA获得的网络图进行了以下两种方式的比较。首先，计算组水平的GLM激活/去激活图(即来自第二级单样本t检验的β图)与感兴趣的10个组ICA分量之间的空间相关性。其次，计算每个受试者在二次回归第二步后在受试者水平上的Beta图和相应分量图之间的空间相关性。将空间相关系数转换为Fisher’s z评分后，进行单样本t检验(p<0.05)。

3、结果

3.1 慢波睡眠中的脑电微状态

在每个受试者中识别出四个微状态图(图1)。在SWS过程中，经过组级聚类后，发现了四个最优聚类。组水平的四个微状态图如图2所示。

图1 在每个受试者中识别四个微状态图

图2 慢波睡眠期间组水平的四个微状态图

图3a显示了四个微状态的平均持续时间。微状态C的持续时间(约63ms)比其他三种微状态的持续时间长，而微状态A的持续时间(约46ms)最短。不同微状态的GEV模式与平均持续时间的模式相似(图3b)。微状态C达到最高的GEV(约36%)，而微状态A和B最低(约10%)。覆盖率的模式(图3c)再次类似于平均持续时间的模式。微状态C所占比例最大(约36%)，其次是微状态D(约23%)，微状态B次之(约20%)，最低的是微状态A(约19%)。关于平均相关系数(图3d)，微状态C达到了最高的平均相关系数(约83%)。微状态B略低于微状态C(约79%)，而微状态A更低(约78%)，最低的是微状态D(约76%)。

图3 慢波睡眠中的四个微状态参数：平均持续时间(a)、GEV(b)、覆盖率©和平均相关系数(d)

3.2 组ICA结果 从30个网络中选出10个为感兴趣网络，如图4所示。这10个网络包括内侧视觉网络、外侧视觉网络、辅助运动网络、运动网络、额顶网络、听觉网络、执行控制网络、突显网络、默认模式网络和小脑网络。

图4 感兴趣的十个组成部分的空间地图。这10个网络从左到右依次为内侧视觉网络(MVN)、外侧视觉网络(LVN)、辅助运动网络(SMN)、运动网络(MN)、额顶网络(FPN)、听觉网络(AN)、执行控制网络(ECN)、突显网络(SN)、默认模式网络(DMN)和小脑网络(CN)。

3.3 来自微状态GLM分析的激活/失活图

四个微状态中有三个与fMRI数据有显著的相关性(图5)。观察到微状态B在空间上与听觉网络重叠的脑岛和颞后回有明显的BOLD激活。微状态C表现为枕叶、梭形回、壳核和颞中回的失活，与执行控制网络相对应。微状态D在空间上与视觉网络重叠的初级视区失活，在空间上与突显网络重叠的前扣带回和扣带回激活。在微状态A和fMRI数据之间没有观察到显著的激活或失活。

图5 基于fMRI数据的三个微状态的GLM图及其与ICA成分的空间重叠。微状态B与听觉网络相关(a)；微状态C与执行控制网络相关(b)；以及微状态D与视觉和突显网络相关©。

3.4 GLM图和ICA图在组水平上的相关性

在组级别上，图6显示了10个ICA分量图和4个β图之间的空间相关性。听觉和运动网络与微状态B之间的空间相关性显著，这与GLM的发现是一致的(图5a)。执行控制网络与微状态C的相关最高，微状态D与视觉网络呈负相关，与突显网络呈正相关。

图6 GLM结果与组水平的10张ICA网络图之间的空间相关性

3.5 GLM图和ICA图在个体水平上的相关性

图7显示了在双重回归的第二步之后，来自个体级GLM分析的β图与每个受试者的10个分量图之间的空间相关性。微状态B与视觉、听觉和运动网络显著相关。微状态C与执行控制网络呈正相关。微状态D与内侧视觉网络呈负相关，与突显网络呈正相关。在个体水平上，没有观察到微状态A与功能网络之间的显著相关性。

图7 在个体水平上，GLM β图和10个ICA网络之间的空间相关性。*表示p<0.05。

4、讨论

我们记录了睡眠时同步的EEG-fMRI数据，并使用脑电微状态信息的fMRI分析来研究SWS过程中脑电微状态与fMRI网络之间的关系。结果表明，4种微状态中有3种与fMRI数据有显著相关性：微状态B与岛叶和颞后回的fMRI激活呈正相关，微状态C与颞中回和梭状回的fMRI激活呈负相关，微状态D与枕叶的fMRI波动负相关，与扣带回和扣带回的fMRI信号呈正相关。空间相关分析显示，听觉网络与微状态B的fMRI激活图重叠，执行控制网络与微状态C的fMRI失活重叠，视觉和突显网络与微状态D的fMRI失活和激活图重叠。值得注意的是，无脑功能网络与微状态A显著相关。

虽然睡眠和清醒时的脑电微状态拓扑图相似，但我们发现在SWS和清醒时，每个微状态对应的网络是不同的。在SWS过程中，4个微状态中有3个与fMRI网络相关。微状态B与岛叶和颞后回的剧烈波动呈正相关，这两个区域在空间上与听觉网络重叠，并与语音处理有关。微状态B也与视觉网络显著相关，这与之前的静息状态研究一致。微状态C与执行控制网络呈负相关。GLM结果与ICA网络的空间相关分析也支持微状态C与SWS中执行控制网络显著相关的发现。微状态D与视觉网络呈负相关，与突显网络呈正相关。群体和个体水平的空间相关性分析支持微状态D与视觉和突显网络显著相关的发现。突显网络包括额部脑区，这可能与SWS过程中慢波活动的产生相对应。fMRI网络与微状态A无明显相关性，GLM表现与组ICA图在个体或组水平均未观察到明显的空间相关性。这一发现可以解释如下。首先，微状态A在四个微状态中持续时间最短，全局解释方差最小，覆盖率最低，说明微状态A对方差的解释较小，信号波动较弱。第二，微状态A在不同受试者之间的变化是不同的，这降低了统计能力。

上述结果基于ICA维度为30的10个感兴趣成分。我们还在20个维度上研究了微状态和感兴趣的ICA成分之间的相关性。我们还选择了10个成分作为感兴趣的功能网络，并与来自微状态的GLM分析的激活/去激活图很好地对应。在组水平上，微状态B与听觉网络呈正相关，微状态C与执行控制网络呈正相关，微状态D与视觉网络在组和个体水平上呈负相关，这与我们在ICA维度30的发现一致。

在SWS过程中，微状态B与视觉网络、运动网络和听觉网络相关。微状态C与执行控制网络相关。微状态D与视觉网络和突显网络相关。对应于微状态的特定领域的脑网络在静息状态和SWS之间可能不同。

5、结论

本研究同时记录睡眠中的EEG-fMRI数据，探讨SWS过程中脑电微状态与fMRI网络的关系。结果表明，脑电微状态与脑功能网络密切相关，说明脑电微状态在SWS过程中为脑功能网络提供了重要的电生理基础。