EEG溯源研究:精神分裂患者在Oddball任務中腦功能網路的異常變化
《本文同步釋出於“腦之說”微信公眾號,歡迎搜尋關注~~》
目前,很多的研究似乎已經表明,精神分裂症(schizophrenia, SZ)的症狀並不是單單某一個腦區出現了異常,而是由於不同腦區的功能連線或者說是資訊交流出現了故障。之前的研究者採用ERP技術對SZ患者在聽覺Oddball任務中的ERP成分進行了較為系統的研究,發現SZ患者表現出顯著的P300異常。但是,在聽覺Oddball任務中SZ患者的皮層或溯源空間上的腦功能連線網路的特性及其與患者臨床症狀評分之間關係目前研究的比較少。來自韓國的研究團隊曾在《Schizophrenia Research》雜誌發表研究論文,對上述問題進行了系統研究。因此,筆者在這裡對該項研究進行解讀和剖析,希望對大家有幫助和啟示。
實驗方案及資料分析
1.被試:根據臨床標準募集34個SZ患者和34個健康(HC)被試,並對SZ患者的症狀嚴重程度進行評分,被試的詳細資訊如下表1所示。
表1
2.EEG採集和預處理:試驗任務採用標準的聽覺Oddball實驗正規化,標準刺激概率為85%,偏差刺激概率為15%,偏差刺激出現時被試需要按鍵反應。
EEG資料的採集採用Neuroscan裝置,採集62導聯的腦電訊號,62導聯按照10-20導聯絡統進行放置。地電極放置在前額,參考電極位於兩側乳突。同時記錄垂直眼電(VEOG)和水平眼電(HEOG)。EEG取樣頻率1000Hz,帶通濾波1-100Hz。
EEG訊號的預處理採用Scan 4.3軟體,眨眼偽跡採用線性迴歸方法進行校正,然後資料進行1-55Hz的帶通濾波,提取偏差刺激前100ms和後900ms的epoch;然後,採用±75μV極值標準去除含有噪聲較大的epoch。對於HC和SZ組,最後剩餘的epoch數目分別為53.09± 9.89和47.59 ± 13.86。
3.溯源分析和功能連線計算:溯源分析採用eConnectome工具包,採用MNI152標準頭模型,最後提取314個皮層ROI區域的皮層電流密度訊號,這314個ROI區域的位置如圖1所示。對於提取得到的這些電流密度訊號,通過帶通濾波得到5個頻率段的訊號,即alpha(8-12Hz)、beta1(12-18Hz)、beta2(18-22Hz)、beta3(22-30Hz)和gamma(30-55Hz)。
相鎖值(PLV)用於計算兩兩ROI腦區之間的功能連線,由於前人研究表明,SZ患者的P300表現出異常,因此這裡採用刺激後0-500ms內的訊號來計算PLV。
4.腦網路分析:這裡主要分析了全域性和區域性聚類係數以及全域性特徵路徑長度這些腦網路引數。
圖1
實驗結果
1.全域性聚類係數和特徵路徑長度的研究:如表2所示,與HC組(即表中的NC)相比,SZ組(即表中的SPR)在beta1頻段的聚類係數顯著降低,而特徵路徑長度顯著增加;此外,SZ組在beta2頻段的特徵路徑長度也顯著增加。這說明,SZ組患者主要在beta頻段表現出腦功能網路的異常,也就是說,SZ患者在oddball任務中大腦各區域之間的資訊交流效率大幅度降低。
表2
2.區域性聚類係數的研究:上述的研究表明,SZ患者主要在beta1頻段表現出全域性聚類係數的異常,因此,這裡主要研究了beta1頻段各個ROI腦區的聚類係數。如圖2所示,藍色圓表示SZ患者聚類係數降低的區域,而圓的大小表示p值。可以看出,SZ患者主要在frontal 和temporal–parietal區域表現出顯著降低的聚類係數。這說明,SZ患者主要在這些腦區出現異常。
圖2
3.腦網路引數與臨床症狀評分之間的相關研究:這裡只研究beta1頻段的聚類係數和路徑長度以及beta2頻段的路徑長度與臨床症狀評分的關係,結果如圖3和表3所示。結果表明,在beta1頻段,聚類係數與臨床症狀評分中的陰性症狀(圖3A)和認知成分(圖3C)呈現負相關;而僅僅在beta2頻段,路徑長度與臨床症狀評分中的陰性症狀(圖3B)和認知成分(圖3D)呈現正相關。
圖3
表3
總結
總之,本文從源空間皮層功能網路的角度研究了SZ患者在執行Oddball任務過程中的大腦變化狀況。與正常人相比,SZ患者在beta頻段表現出顯著降低的聚類係數和增加的路徑長度,這說明SZ患者在執行Oddball任務過程中大腦不同腦區資訊交流的效率顯著降低。這似乎與ERP研究中發現的P300成分異常的結果相互印證。此外,該研究還發現SZ患者主要在frontal和temporal–parietal區域表現出顯著降低的聚類係數,而這也與之前的研究發現SZ患者前額葉異常相一致。
參考文獻:
Shim M , Kim D W , Lee S H, et al. Disruptions in small-world cortical functional connectivity networkduring an auditory oddball paradigm task in patients with schizophrenia[J].Schizophrenia Research, 2014, 156(2-3):197-203.
注:解讀不易,請多多轉發支援,您的每一次轉發是對我們最好的支援!本文原文及附加材料,請新增趙老師微信索要(微訊號:15560177218)
相關文章
- 任務異常自動告警
- 責任雲研究院&豹變研究院:中國網際網路遊戲企業社會責任研究報告遊戲
- 如何使用 cron 任務在 Linux 中計劃和自動化任務Linux
- windows新增計劃任務異常--問題總結Windows
- muduo網路庫Exception異常類Exception
- 解決網路自動化風險和任務的方法
- 改變網路以支援遠端辦公的常態化
- 網路同步在遊戲歷史中的發展變化(五)—— 物理同步遊戲
- win10電腦中虛擬桌面、任務檢視功能的使用方法Win10
- 研究顯示,網路安全威脅在不斷演變
- 阿里雲異常流量及異常網路連線的安全解決過程阿里
- Spring中JPA在異常後三種方法繼續事務Spring
- 用Kotlin的方式來處理網路異常Kotlin
- 《自然》:自閉症患者大腦變化的廣泛性,遠超以往認知!
- 網路安全中攻擊溯源有哪些方法?
- 網路網賭系統注單異常賬戶異常提款不了怎麼辦?
- java微服務的異常Java微服務
- 網際網路的千變萬化
- OGG 表結構變化導致同步異常
- 在 C++ 中捕獲 Python 異常C++Python
- java中的異常Java
- Java 中的異常Java
- 中國信通院&中國網際網路協會:2022年數字營銷異常流量研究報告(附下載)
- 99%的程式都沒有考慮的網路異常
- Armis:研究發現醫院處於網路攻擊的高風險中 但患者沒有意識到
- Win10提示lsp狀態異常如何解決 lsp網路連線異常的方法Win10
- 在網路平臺資料顯示異常未同步稽核怎麼辦?
- 神祕的網際網路深度潛水患者Misn
- 電腦常見問題之:Win11的網路搜尋功能怎麼關閉?
- 說說在 Python 中如何處理異常Python
- win10網路連線配置異常如何解決_win10系統網路連線配置異常的解決教程Win10
- SSIS中Sql任務中獲取系統變數的方式SQL變數
- Spring Data JPA中事務使用異常TransactionUsageExceptionSpringException
- 常見的定時任務方案
- 在Linux中,如何進行網路服務的監控?Linux
- flink學習(加餐)——job任務狀態變化
- 不斷滿足患者的個性化需求,圓心科技全病程管理服務網路再升級
- js中的巨集任務和微任務JS