基于躯体感觉诱发群体性尖峰的无创脑磁图推断的人类皮层突触传递方差

《iScience》:Variance of human cortical synaptic transmission inferred from non-invasive magnetoencephalography of somatosensory evoked population spikes

【字体: 大 中 小 】 时间:2026年10月22日 来源:iScience 4.5

编辑推荐:

   要点 •躯体感觉诱发电位(SERs)含有>500 Hz的高频活动(hfSERs) •hfSERs是非侵入性皮层群体放电活动的关联指标 •hfSER记录的建模揭示了后突触hfSER变异度大于前突触变异度 •因此,该模型可从非侵入性数据估计突触传递的变异度 摘要 躯体感觉诱发电

  

要点
•躯体感觉诱发电位(SERs)含有>500 Hz的高频活动(hfSERs)
•hfSERs是非侵入性皮层群体放电活动的关联指标
•hfSER记录的建模揭示了后突触hfSER变异度大于前突触变异度
•因此,该模型可从非侵入性数据估计突触传递的变异度

摘要
躯体感觉诱发电位(SERs)的非侵入性记录中包含高频(约600 Hz)诱发电位(hfSERs),可通过超低噪声脑磁图(MEG)在单次试验水平上进行记录。hfSERs已被证明代表皮层群体放电,由早期(前突触)和晚期(后突触)两个组分构成。本文中,皮层群体放电的统计模型复现了5名健康受试者在正中神经刺激下诱发的单次试验hfSERs。当仅在晚期(后突触)模型组分中添加变异度时,hfSERs得到了最佳复现,解释了85%的受试者间试验间变异。在早期(前突触)组分中也添加变异度会导致大多数受试者出现过度拟合,但仍显示出后突触的幅度和潜伏期变异更大。这一概念验证确立了基于模型的推断方法,即从非侵入性记录的群体放电中估计人类新皮层突触传递的变异度。该方法开辟了一条研究健康和疾病状态下突触功能的路径,而在这种场景下侵入性记录不可用。

图摘要
引言
神经元活动可通过记录其伴随的电位或磁场进行测量。在常规频率范围(<100 Hz)内,使用脑电图(EEG)和脑磁图(MEG)在头皮水平进行非侵入性测量,可以测量缓慢变化的神经过程,这些过程对应于后突触树突电位或胞体电位,即神经元输入[1,2]。另一方面,测量单个动作电位(即神经元输出)通常需要侵入性的尖锐微电极插入大脑中[3,4]。这种方法论的二分法实际上将健康人类受试者的测量限制在神经元输入的记录上,而皮层放电活动的测量大多仅限于需要脑部手术的患者,如脑肿瘤、药物难治性癫痫[5,6],或用于治疗精神疾病和运动障碍的深部脑刺激[7-9]。因此,迫切需要一种方法来记录健康受试者的皮层放电活动。

EEG和MEG记录中的高频活动(>500 Hz)已证明与皮层群体放电相关,这为健康受试者的非侵入性测量提供了机会。高频活动的一个重要例子是高频躯体感觉诱发电位(hfSERs,"sigma爆发")[10,11],它反映了躯体感觉皮层神经元群体的放电活动,这一点已通过同步的侵入性单细胞和硬膜外记录得到证实。非侵入性测量hfSERs的能力自20世纪70年代后期已开始得到证明[12,13],关于hfSERs是否为技术伪影或处理伪影的初步担忧现已通过以下证据被确凿排除:hfSERs不是滤波器伪影(图1),具有明确的颅内发生源[14],与刺激无关地受到调控[15,16],不是由背景脑振荡引起的,且可由生理性触觉刺激诱发。在非人灵长类动物中的测量甚至证实,使用侵入性尖锐微电极测量的特定皮层放电活动模式反映在了硬膜外EEG记录中相似模式的宏观高频活动中。

图1 宽频(0.1–10000 Hz)和高频通带诱发电位(550–850 Hz)平均值

宽频迹线特征为低频N20反应(在本受试者中约在18 ms处达到峰值),叠加着一系列高频凹陷和凸起。这些凸起与通过保延迟数字滤波获得的高频通带信号(sigma爆发)中的峰值一一对应(虚线辅助线)。受试者S5的示例数据。

此外,hfSERs被证明至少由两个组分构成:一个早期爆发组分,起源于丘脑并以突触爆发形式沿着丘脑皮层投射纤维的终末到达初级躯体感觉皮层;以及一个随后在躯体感觉皮层布罗德曼3b区产生的组分[17,18]。晚期爆发组分在刺激频率增加时迅速抑制,以及应用突触阻断剂犬尿喹啉酸后其选择性抑制,证明了其后突触起源,而早期(前突触)爆发组分则保持不变。

直到最近,该方法的主要限制是>500 Hz的神经高频活动信噪比(SNR)较低,其幅度通常低于标准EEG和MEG的噪声底,因此需要平均处理,从而排除了对单次试验hfSER变异性的分析。为解决这一限制,专门设计并优化了低噪声EEG和MEG系统以进行单次试验高频活动测量。当单通道超低噪声MEG系统(白噪声水平0.18 fT/√Hz)能够实现足够的信噪比时,不仅检测和观察单次试验hfSERs(图2,"rec."),甚至描绘健康受试者在重复正中神经刺激下诱发的hfSERs的试验间变异。

图2 用于描述爆发特性及其变异性的测量指标

记录了爆发("rec.")和静态爆发模型("stat.",相对于记录的爆发+30 ms)(受试者S1的数据)。
(A) 试验的平均值和标准差。
(B) 试验包络的平均值和标准差。
(C) 根据RMS百分位分箱排序并平均的试验。

然而,关键的是,这种爆发变异性可能不仅反映爆发固有的变异性,还可能反映叠加在静态非变爆发上的持续噪声。因此,评估用于变异评估的指标如何受到持续噪声影响,这可能导致生理上错误的结果,是必须的。

为此,本研究利用了先前研究的数据并增加了额外记录,以调查持续噪声如何影响单次试验hfSER变异性的估计,并表征不同前突触和后突触爆发组分的变异性。从一个静态响应模型出发,向模型中添加复杂度递增的hfSER变异(参见STAR Methods中的图3),并拟合其参数以匹配单次试验hfSER记录集合。最终,这种基于模型的分析证实hfSERs由至少两个功能不同的组分构成,且晚期爆发组分的变异显著大于早期组分。因此,这是首次在人类中进行的基于方法的验证,表明人类皮层群体放电的非侵入性记录可以揭示由新皮层突触传递引入的群体放电变异性。

图3 静态和可变爆发响应的建模过程

静态(A)和可变(B)爆发响应的建模过程。记录的、真实爆发("rec.")、静态爆发模型("stat.")和可变爆发模型("var.")的单次试验(细浅蓝色线)和平均响应(粗深蓝色线)。受试者S1的示例数据。图的上半部分展示了生成爆发模型的叠加过程,下半部分则显示了结果。在刺激开始约20 ms后,观察到生理性记录的hfSERs,随后是持续噪声。对于爆发模型,将约50 ms处的单次试验记录(即相对于记录的爆发+30 ms)与爆发响应叠加(已确认建模结果不依赖于特定噪声窗口的选择)。在静态爆发模型中,持续记录与静态爆发叠加,静态爆发通过对真实hfSERs进行平均获得,以模拟无固有变异性的响应情况。在可变爆发模型中,持续噪声与模拟的可变hfSERs(展示4参数模型)叠加,以复现记录的爆发所观察到的特性并深入了解固有爆发变异性。在图中所示的叠加过程中,仅有单次试验参与。所展示的平均响应是之后计算的,用于说明单次试验相对于平均信号的变异水平。

结果
记录数据及其特征
使用超低噪声MEG(白噪声水平≤0.23 fT/√Hz)非侵入性地记录了5名健康受试者在正中神经刺激下的hfSERs。图1展示了平均宽频和相应通带滤波(550–850 Hz)躯体感觉诱发电位的典型示例。宽频数据显示低频N20反应与高频活动叠加,表现为凹陷和凸起。这些与经保延迟数字滤波后高频通带响应(sigma爆发)中勾勒出的峰值一一对应。这排除了hfSERs来源于滤波伪影的可能性,与早期研究一致,并展示了当前数字滤波器设置的有效保延迟特性。附录图P1展示了显示试验间变异性的单次试验集合。

统计模型包含a)真实的背景活动,b)早期前突触和c)晚期后突触hfSER活动,并拟合到记录的单次试验数据中。模型中hfSER组分的变异性经过优化以复现记录数据的hfSER变异性。

关于hfSER变异性的无偏指标
为了确定哪些变异性指标能真实地量化固有hfSER变异性,将记录的hfSERs与无任何前突触和后突触组分变异性模型(模型A)进行了比较;即一个类似于平均响应、没有单次试验变异性的静态爆发。这作为鉴定由爆发-噪声交互作用引起的潜在伪变异信号的试金石。

使用几种不同指标比较了记录的爆发和静态爆发模型的性质。记录数据(图2A,"rec.")和静态爆发模型(图2A,"stat.")的平均响应相同,这是符合预期的。当静态爆发叠加到背景活动时,标准差保持在基线噪声水平,符合没有添加变异性(图2A,"stat.")。相比之下,记录的爆发变异性超过了噪声基线,反映了真实的爆发变异性(图2A,"rec.")。这是因为复合信号的方差等于背景活动方差(=基线方差)、添加的爆发方差及其加倍协方差的总和(公式1)。在静态爆发模型中,爆发的方差及其与背景活动的协方差均为零,因此静态爆发模型的方差保持在基线水平。因此,跨试验计算的复合方差和标准差对固有hfSERs的变异性是敏感的,且超过基线水平的上升明确证明了爆发变异性。如果背景活动和爆发不相关——这是一个合理的假设,因为>500 Hz的MEG背景活动通常被视为噪声——它们的协方差为零,复合方差超过基线的上升直接量化了试验间的爆发变异性。因此,对于进一步分析,选择标准差作为变异性指标,因为它保持了单次试验和平均试验的单位维度。

??????????(??+??)=√??????(??+??)=√??????(??)+??????(??)+2??????(??,??)(公式1)

?????????? - 标准差,?????? - 方差,?????? - 协方差,??,?? - 信号。

此外,单次试验爆发幅度及其试验间变异性通过从记录的高频数据中导出的包络指标进行量化(图2B)。虽然跨试验的普通平均仅代表相位锁定活动,但单次试验包络的平均是相位不敏感的。在此,记录的hfSERs包络的平均(图2B,"rec.")幅度大于静态爆发模型(图2B,"stat.")。这表明记录的hfSERs中存在非相位锁定活动,即潜伏期变异性。包络的标准差在记录的爆发处显示出一个凸起,但对于静态爆发模型,即使没有固有变异性,也能看到一个小的、超过基线噪声的凸起。这是由于包络计算的非线性性质:两个信号之和的包络可展开为平方包络之和以及信号交互分量的平方根(公式2)。在静态爆发模型中,交互分量的方差与噪声方差叠加,导致出现可见的凸起。因此,基于包络变异性分析或信号整流的方法必须谨慎解释。

??????(??+??)=√(??????(??))2+(??????(??))2+2(????+????????)(公式2)

Env - 信号的包络,X, Y - 原始信号,XH, YH - 希尔伯特变换信号。

作为补充分析,单次试验根据爆发幅度(以均方根值RMS量化)进行排序,并按10%百分位宽度分箱平均。值得注意的是,静态爆发模型显示出了排序效应,反映了静态爆发与持续噪声之间的交互作用,这种交互作用可以与静态爆发产生建设性干涉增加其幅度,或破坏性干涉降低其幅度。这种交互作用在静态爆发模型中表现为幅度变异性,并导致其排序效应(图2C,"stat.")。

然而,排序百分位数分布对于记录到的爆发(图2C,"rec.")要强得多,这证实了记录中存在额外的、内源性的高频感觉诱发电位变异性。

基于模型的高频感觉诱发电位变异性量化

该建模旨在解释所记录的爆发中观察到的变异性。显然,未添加高频感觉诱发电位变异性的基础模型(模型A)完全无法匹配在记录中观察到的各次试验间的标准差(图4A)。仅添加振幅变异性(模型B)虽然在爆发的波峰和波谷处引入了较强的变异性,但在零交叉处没有变异性,这一模式与记录数据不相似(图4B)。同样,仅添加潜伏期变异性(模型C)无法重现整个高频感觉诱发电位时间窗口内信号标准差的平滑增加趋势,而这一趋势在记录数据中可以观察到(图4C)。只有同时具有振幅和潜伏期变异性的模型才能近似记录中观察到的变异性总体模式(图4D–4F)。将爆发引入早期和晚期组分的划分的模型(图4E和4F)进一步降低了模型与实验数据之间的均方误差。这与先前数据一致,表明高频感觉诱发电位记录中同时存在振幅和潜伏期变异性。因此,仅对模型D-E进行了详细的参数优化,以静态爆发模型(模型A)作为基线参考。

图4 建模与记录爆发的标准差曲线拟合
括号中的数字表示每个模型的优化参数数量。均方误差(MSE)用作拟合度量。受试者S1的示例数据。
(A) 静态爆发模型(无内源性变异性)。
(B–F) 可变爆发模型:(B) 振幅变异性。(C) 潜伏期变异性。(D) 振幅和潜伏期变异性。(E) 划分为早期和晚期爆发组分,晚期组分具有振幅和潜伏期变异性。(F) 划分为早期和晚期爆发组分,两个组分均具有振幅和潜伏期变异性。

模型D具有2个参数:振幅/潜伏期变异性缩放因子(avs + lvs);模型E(4个参数)引入了早期和晚期高频感觉诱发电位组分之间的划分,优化了划分位置和陡峭度(div_pos + div_steep),并仅对晚期组分添加变异性(lc_avs + lc_lvs);模型F(6个参数)还额外对早期高频感觉诱发电位组分添加了振幅/潜伏期变异性(ec_avs + ec_lvs)。需要注意的是,仅对早期高频感觉诱发电位组分添加变异性并不能产生合理的拟合效果(见方法部分)。

优化结果(图5)随参数数量的增加而逐渐改善,在4参数模型(模型E,参见STAR方法附图6)处达到平台。为了提供适当的统计分析,采用跨受试者配对样本t检验来检查每个模型是否显著优于前一个更简单的模型。结果(详见附录表S1)表明,2参数模型(模型D)显著优于(p < 0.01)静态爆发模型(模型A)。4参数模型与2参数模型相比也显示出显著(p < 0.01)的改善。平均而言,4参数模型解释了85%的可观察到的爆发变异性。相应地,该模拟为实验上证实的爆发至少可分为两个在功能和神经解剖学上不同的组分的结论提供了进一步独立的证据。

没有统计证据(p > 0.95)表明6参数模型(模型F)优于4参数模型。值得注意的是,对于信噪比最高的数据(受试者S1),6参数模型的结果略优于4参数模型。

图5 模型解释的观察到的爆发变异性百分比
静态爆发模型(0参数,模型A)被视为基线参考,不解释任何变异性(0%)。完美拟合被视为完全解释观察到的变异性(100%)。4参数模型(模型E)平均解释了85%的变异性。

图6 组成损失函数的度量集合(4参数模型)
对于每个度量,曲线均相对于记录的爆发进行归一化,并应用Tukey窗口以减弱分析窗口边缘的影响。计算每对曲线的均方误差(MSE),随后求和形成损失函数。受试者S1的示例数据。
(A) 各次试验的平均值。(B) 各次试验的标准差。(C) 各次试验包络线的平均值。(D) 各次试验包络线的标准差。

此外,6参数模型中控制晚期组分变异性的优化参数(附录表S2:lc_avs、lc_lvs)显著大于(p < 0.01)控制早期组分的参数(ec_avs、ec_lvs)。这进一步证实了晚期组分的变异性总体上足以解释观察到的爆发变异性,而在给定数据平均信噪比的情况下,扩展模型参数以向早期组分添加变异性也会导致过拟合。

相应地,用于推导爆发特性和变异性的度量均基于4参数模型计算。使用该模型,记录的高频感觉诱发电位(图7,"rec.")可被建模的高频感觉诱发电位(图7,"var.")很好地近似。用于将爆发划分为早期和晚期组分的划分曲线中心位置平均位于爆发长度的约三分之一处(0.36),并且在不同受试者之间保持一致(附录表S3)。用于控制晚期组分变异性的参数lc_avs和lc_lvs平均估计为0.46和2.14(附录表S3)。用于补偿由于潜伏期变异性导致晚期组分的平均高频感觉诱发电位与单次试验相比的振幅降低的重新缩放因子(lc_acs)平均为1.11(范围1.04–1.16)。请注意,这不是一个独立的模型参数,而是在模型内部确定的描述性参数。

图7 用于描述爆发特性及其变异性度量
显示记录的爆发("rec.")和拟合的4参数可变爆发模型E("var.",相对于记录的爆发+30 ms)(受试者S1的数据)。
(A) 各次试验的平均值和标准差。(B) 各次试验包络线的平均值和标准差。(C) 根据其均方根百分位数区间进行排序并平均的试验。

拟合过程中获得的参数反映了生成的振幅和变异性分布的特性;然而,其量纲的选择是为了在建模流程中获得最佳性能。生成的分布转换为物理单位(ms、fT)的过程如附录图P2所示。每位受试者的建模晚期组分变异性分布特性(4参数模型)列于表1。

表1 4参数模型中晚期组分变异性建模分布的特性

| 受试者 | ER幅度 p-p [fT] | 振幅 p-p 分布均值 [fT] | 振幅 p-p 分布标准差 [fT] | 潜伏期分布标准差 [ms] | 划分曲线中心位置 [ms] |
|--------|----------------|----------------------|------------------------|---------------------|---------------------|
| S1 | 38.487 | 44.868 | 19.263 | 0.139 | 19.44 |
| S2 | 33.812 | 35.342 | 8.419 | 0.070 | 17.89 |
| S3 | 47.535 | 52.121 | 17.064 | 0.102 | 18.77 |
| S4 | 25.715 | 28.823 | 11.991 | 0.107 | 17.25 |
| S5 | 41.520 | 47.617 | 25.817 | 0.118 | 18.04 |
| 均值 | 37.414 | 41.754 | 16.511 | 0.107 | 18.28 |

划分曲线中心位置代表记录到的爆发时间窗口中的刺激后潜伏期。ER - 诱发电位。

补充分析被用于进一步表征4参数变异性模型与记录数据之间的关系:通过比较时频表征(图8),记录的和建模的爆发形状显示出相似的轮廓。唯一不同的是,建模爆发的频率范围更有限,这反映了从记录的平均数据中提取爆发时使用的带通滤波器的效果。值得注意的是,平均响应(图8A)显示出一个早期频率上升的组份和一个晚期频率下降的组份。相比之下,标准差(图8B)主要集中在晚期(频率下降)组份中,表明大部分变异性发生在那里。所有受试者的记录和建模爆发的时频表征详见附录图TF1–TF5。

图8 时频分辨数据的分析
复数时频数据的模"|"得到幅度,其等同于时域数据中的包络线计算,而"Re()"表示该数据的实部。每个子图(A-D)均显示记录的爆发("rec.")、4参数可变爆发模型("var.",相对于记录的爆发+30 ms)和静态爆发模型("stat.",相对于记录的爆发+60 ms,此处放置以供比较)。绿色圈注表示信号显著强于噪声水平(多重检验族错误校正后p < 0.05)的区域。请注意,仅单次试验实值数据的跨试验标准差(B)在模拟静态爆发叠加时没有变异性,因此能够忠实地代表记录和模拟可变爆发的内源性变异性。受试者S1的示例数据。
(A) 平均值(相位锁定)响应。(B) 单次试验数据实部的标准差。(C) 平均幅度(相位不敏感)响应。(D) 单次试验幅度的标准差。

叠加的单次试验数据可以直观地了解数据中幅度和变异性平稳性的概况。图9对此进行了展示,包括受试者S1的记录爆发、4参数可变爆发模型和静态爆发模型。A部分展示记录的真实数据,包括爆发及其后续的持续噪声。B部分显示在持续噪声上叠加后的记录、可变和静态爆发。C部分显示与单次试验叠加前的爆发模型,展示了无噪声影响的爆发响应外观。B部分中的记录和模拟爆发显示出逐次试验的变异性,部分波峰缺失,其他波峰振幅更高。将模拟爆发(B)与持续噪声(A)以及无噪声的爆发(C)进行比较后发现,这种变异性部分是由爆发-噪声相互作用引起的。例如,在模拟可变爆发组中第650到660次试验之间观察到的较大振幅是由与噪声的相长干涉造成的。

图9 叠加的单次试验(受试者S1的数据)
(A) 记录的爆发("rec.")和持续噪声。(B) 叠加在持续噪声上的记录的爆发("rec.")、4参数可变爆发模型("var.")和静态爆发模型("stat.")。(C) 无持续噪声的可变爆发("var.")和静态爆发("stat.")。可变爆发模型("var.")位于记录爆发的+30 ms处,静态爆发模型("stat.")位于+60 ms处,此处放置以供比较。

**讨论**

本研究取得的进展可归纳为三个方面:(1) 静态爆发模型的分析表明,计算各次试验间活动的标准差是真实高频感觉诱发电位变异性的可靠标志,而基于单次试验数据的功率或包络线的度量则容易出现对高频感觉诱发电位变异性虚假检测的问题,即使变异性并不存在也是如此。这很重要的一点是,同样会影响此前执行的时间-频率表征中高频感觉诱发电位幅度的变异性计算。(2) 基于模型的开发的分析通过将变异性参数化为振幅变异性与潜伏期变异性,提供了可解释的结果,此外还允许对早期和晚期高频感觉诱发电位组分设定不同的变异性参数。(3) 该分析证明了这一概念,即对皮质单次试验群体尖峰响应的无创低噪声测量可以进行分析,其精细程度足以量化单个顺序爆发组分的差异性变异性,最终揭示人类新皮质突触传递的变异性。

这一解释得到了先前的生理学和解剖学研究的有力支持,这些研究表明爆发确实由至少两个组份组成:一个早期的、突触前组份,源自丘脑-皮质纤维;以及一个晚期的、突触后组份,由皮质内神经活动引起。晚期爆发组份的突触后起源已通过向猪的鼻腔刺激诱发反应中注射广谱突触阻断剂犬尿氨酸得到证实,该注入几乎完全消除了爆发响应的后半段,而保留了前半段。在本研究中,混合周围神经的刺激强度超过运动阈值,以最大化反应幅度,这是国际临床神经生理学会推荐的用于临床感觉诱发电位测量的标准程序。然而,这种超过运动阈值的正中神经刺激对早期皮质感觉诱发电位的影响已被证明较小,并且由于刺激超过运动阈值时晚到的肌梭再传入引起的爆发延长在实际上无法观察到。因此,肌梭再传入不太可能对本研究中建模的高频感觉诱发电位爆发产生显著贡献。

尽管有解剖学和先前记录数据的支持,但该模型——与任何模型一样——是对实际高频感觉诱发电位生理学的一种简化。在现实中,可观察到的活动代表了具有分布式位置分布和统计学神经元放电特性的神经元集合体的叠加活动。

非侵入式宏观电极测量无法在源水平上完全区分神经活动的多重性。因此,该模型未将突触传递作为其独立的模型参数。然而,宏观爆发响应后半段变异性增加的涌现提示该部分之前存在一个额外的处理步骤,而引入第二个爆发成分(0.1–0.13 ms)的潜伏期抖动与丘脑皮层传入神经元与3b区神经元之间的单突触传递相一致。值得注意的是,这一解释对于限制爆发前半段与后半段之间划分曲线的陡峭度是稳健的,这允许两个成分之间具有更大的重叠(数据未显示)。根据头皮表面平均高频体感诱发电位的幅度,该神经群的规模已被估计约为1200个神经元。然而,本研究的结果表明,由于试验间潜伏期变异的存在,平均高频体感诱发电位的幅度低估了真实的单试验高频体感诱发电位幅度。对于四参数模型,单试验爆发幅度需平均放大1.11倍以补偿潜伏期变异。因此,对高频体感诱发电位响应作出贡献的真实神经元数量需要比之前的估计大此因子,得出约1300个神经元。此外,考虑到产生宏观高频体感诱发电位的神经群内可能存在异步放电,在假设完美群体同步的情况下,该估计也仅提供了一个下限。精确的估计需要侵入式多单元记录来评估高频体感诱发电位产生期间的群体同步程度。此外,观察到的爆发被建模为最多两个成分的叠加。高频体感诱发电位在延伸至超过1000赫兹的频率范围内具有复杂的空间拓扑结构,提示可能存在更多高频体感诱发电位成分,而区分多个源及其相互作用需要进一步提高信噪比。一般来说,信噪比决定了实验数据的可解释性,更高的信噪比可能会揭示此前隐藏在噪声中的结果。这一点在几十年非侵入式人类高频体感诱发电位记录分析方面取得的进展中得到典型证明,这些进展与记录和 分析方法的同步进步并行——从单纯的平均高频体感诱发电位出现概念,到高频体感诱发电位源分析、高频体感诱发电位单试验检测、单试验高频体感诱发电位变异性的描述,直至本研究中在成分水平上对单试验变异性的详细分析。因此,本研究中获得的解也应被视为一种初步近似,这可能解释了为什么最终模型"仅"解释了85%的变异性。对于下一个目前隐藏在噪声中的洞察的一个可能指标是,对于信噪比最高的受试者,六参数模型的表现优于四参数模型。这表明即使在突触前成分中也可能存在变异性的来源,未来研究可以致力于区分这是由于刺激水平的输入变异,还是这种变异性是在外周神经、脊髓或丘脑水平引入的。研究结果解释的一个局限是本研究中使用超低声波MEG记录噪声的受试者数量。因此,虽然在这组受试者中结果一致,但生理结果不具有普适性,但关键的是,本研究首次证明了非侵入式超低声波MEG能够达到高频体感诱发电位所需的信噪比,从而展示人类新皮层中突触传递引入的变异性。这进一步支持了非侵入式高频神经数据记录的稳健性观念。此外,高频脑活动也引发了对癫痫和帕金森病等脑疾病诊断的兴趣。特别是在癫痫中,高频振荡被证明比通常称为"棘波"的宏观间歇期放电更具疾病特异性生物标志物价值。癫痫高频振荡通常分为涟漪和快速涟漪活动,后者对发作起始区具有最高特异性,并且与本研究表征的高频体感诱发电位类似,已被证明是皮层群体放电活动的相关指标。快速涟漪可以通过MEG非侵入式检测到,但其临床实用性似乎有限,因为仅能在少数患者中观察到。当使用标准记录设备时这是成立的,但模拟研究表明,决定头皮水平是否能检测到高频振荡的关键因素并非仅信号幅度,而是信噪比。高频体感诱发电位的可靠触发使其成为最大化该频率范围信噪比的理想"工作范式",对高频体感诱发电位的基础研究也可以为此启发癫痫高频振荡的研究。例如,在提高高频体感诱发电位信噪比方面成功的空间滤波技术也被应用于检测癫痫高频振荡。类似地,最初为检测高频体感诱发电位而构建的低噪声脑电设备,在癫痫患者的术中皮层电图记录中,比同时进行的常规记录能够以两倍以上的频率检测到快速涟漪。为了推广超低声波MEG的使用,降低MEG噪声水平的详细步骤已公开,并且该设备是专门为在广泛可用的中等屏蔽室中操作而构建的。未来,目前仅在使用侵入式测量时才能获得的结果,可能通过使用超低声波高频MEG来实现,从而降低患者的操作风险并允许新的电生理诊断。有趣的是,高频爆发是健康海马的生理标志,非侵入式测量海马高频振荡活动变化的机会可能为阿尔茨海默病等记忆障碍的诊断和监测提供新的电生理标志物。值得注意的是,表征神经磁皮层群体放电变异性的能力仅由单个MEG通道提供。仅仅将此视为一个起点,最近完成了具有可比噪声性能的多通道设备的开发,这将允许分析爆发成分的空间分布并应用空间滤波器以提高信噪比,潜在地提供更清晰的单个爆发成分变异性的视图。这将能够追踪高频体感诱发电位变异性的时间演变。一个可能的应用是调查皮层群体放电是否与并发区域MEG节律或生理参数相关,或独立变化。此外,已证明高频体感诱发电位遵循躯体拓扑排列,这一多通道系统将能够确定健康人类大脑中皮层群体放电的变异性是拓扑独立的还是跨躯体感觉皮层相关的。除了健康人类大脑的研究外,这将增加测量皮层兴奋性区域变化的可能性,这在例如癫痫的诊断程序中具有重要意义。研究局限性本研究被设计为概念验证。因此,其主要局限性是研究结果对更广泛人群的普适性有限。此外,研究结果的解释依赖于先前的研究,突触传递的变异性不是直接测量的,而是从非侵入式MEG数据的建模中推断的。建模方法旨在评估诱发电活动,不直接适用于自发活动。超低声波MEG系统的残余噪声水平≤0.23 fT/√Hz,这在模型中已考虑在内。数据是使用单通道传感器获得的;在未来的研究中,将使用最近开发的多通道MEG系统,从而实现空间滤波和多源分析。虽然这里使用的非商业超低声波MEG系统目前仅在柏林PTB可用,但其设计原则已发表。资源可用性主要联系人如需更多信息和资源,请联系主要联系人。材料可用性本研究未产生新的独特试剂。数据与代码可用性本研究报道的原始单试验MEG数据无法存入公共数据库,因为从参与者处获得的信息同意书不涵盖个体神经生理数据的无限制公开共享。如需申请访问权限,请联系主要联系人。数据将在数据转让协议下共享,该协议规定数据所有权和引用要求,并将使用限制为非商业研究;它不限制研究人员重现报道的分析或进行新分析的能力。此外,数据的光谱、试验平均高频体感诱发电位波形、每次建模运行的完整结果以及所有受试者的最终拟合模型参数已存入Zenodo并自出版日起公开可用。所有原始代码已与数据的汇总统计一起存入Zenodo并自出版日起公开可用。重现本论文中报告数据所需分析的额外信息可从主要联系人处获取。致谢本研究由德国研究基金会资助,项目编号511192033。作者贡献概念化:L.R.、G.W.和G.C.;稿件撰写与编辑:L.R.;主要审阅者:G.W.和G.C.;贡献审阅者:B.B.、R.K.、J.B.和S.A.;数据分析:L.R.、G.W.、G.C.和B.B.;数据收集:G.W.、G.C.、R.K.、J.B.、S.A.和L.R.;项目管理:G.W.和R.K.。利益声明作者声明不存在竞争利益。STAR★方法关键资源表试剂或资源:软件与算法。Python v3.12.12来源:Python,标识符:https://www.python.org/。NumPy v1.26.0来源:NumPy,标识符:https://numpy.org/。SciPy v1.15.3来源:SciPy,标识符:https://scipy.org/。TensorFlow v2.17.0来源:TensorFlow,标识符:https://www.tensorflow.org/。Matplotlib v3.8.0来源:Matplotlib,标识符:https://matplotlib.org/。meet v2024.05.06来源:自定义开发,标识符:https://github.com/neurophysics/meet。BurstModeling来源:本文,标识符:https://doi.org/10.5281/zenodo.22547578。其他:MEG数据来源:本文,标识符:不适用。实验模型与受试者细节数据来自5名健康参与者,年龄30至60岁,4名男性,1名女性,标记为受试者S1至S5。所有受试者均提供了知情同意书以参与研究。研究方案获得了PTB伦理委员会的批准,决议编号为PTB2022-2。未进行年龄和性别分析,因为这些变量超出了本概念验证研究预定的范围和目标。方法细节数据获取与预处理测量使用一种超低声波单通道基于SQUID的MEG系统进行。该系统是定制开发的,由联邦物理技术研究院为记录大脑低幅度高频活动而开发。受试者S1至S4的原始数据被重新分析,这些数据的详细描述提供在先前关于单试验高频体感诱发电位检测的报告中。在这些数据中,MEG设备提供的白噪声水平为0.18 fT/√Hz。S5的数据使用不同的SQUID传感器新录制,该传感器提供的白噪声水平为0.23 fT/√Hz。记录期间,每名学生躺在左侧,头部通过真空垫固定,MEG传感器放置在头部右侧顶叶区域靠近初级躯体感觉皮层。刺激强度超过运动阈值,受试者S1至S4刺激10分钟,S5刺激5分钟。记录以20 kHz采样率数字化。数据经过预处理以消除伪影,刺激脉冲在数据中引起了尖峰状伪影,通过单调三次Hermite插值去除,插值时间窗口为中心在伪影处的6 ms。为了提取高频体感诱发电位,信号使用303抽头FIR滤波器进行带通滤波,正向和反向应用以实现零时间延迟。使用测量的平均高频体感诱发电位的时间-频率显示,通带针对每位受试者单独调整以最佳包含单试验高频体感诱发电位,导致受试者S1、S2的通带为500-800 Hz,受试者S3至S5的通带为550-850 Hz。连续信号被分割为试验,持续时间为刺激间期,t = 0 ms表示刺激起始。部分试验的信号质量受到增加的表电磁肌活动或技术噪声的影响,导致试验平均幅度升高。

均方根(RMS)振幅被用作平均振幅的度量,并在每次试次的整个时间段内计算。RMS高于Q3(第三四分位数)+ 3 × IQR(四分位距)的试次根据Tukey围栏被归类为极值离群值,并与相邻的试次一起被剔除。

爆发变异性模型的推导

先前的分析已证明,在低噪声记录中存在hfSER变异性。此外,这种变异性被证明与并发的低频反应无关,因此可能反映了产生这些高频响应的神经网络的状态瞬时变化。本分析的目标是建立一个仿真模型,以逼近每位被试记录数据中的hfSER变异性,从而量化和分析这些宏观尖峰样响应的变异性。

为了对hfSER的变异性进行建模,从每位被试的记录数据中提取了一个爆发模板(图3,"rec."),方法是获取在个体调整的时间窗口内的平均hfSER(附录,表S4)。将这个爆发模板添加到后刺激晚期无诱发活动的背景活动中,得出了静态爆发叠加持续噪声的模型(图3,"stat.")。对于可变爆发模型,随机变异性被添加到该静态模板中以模拟可变单次试次,然后将这些试次叠加到持续噪声上(图3,"var.")。

引入hfSER变异性的单次试次"类型"可以被概念化为缩放(振幅变异性)、平移(潜伏期变异性)及其组合。此外,这些修改可以应用于整个爆发,也可以应用于其中某些提取的组成部分。这里,模型复杂度逐步增加,以便最终使其能够匹配记录的爆发变异性。

测试了以下变异性模型:

A. 无变异性,即静态爆发模型(图3,"stat."),作为基线用于与其他模型进行比较(0个优化参数)。

B. 振幅变异性:对于每次试次,静态爆发响应乘以一个遵循高斯分布的随机缩放因子。该分布以1为中心,其宽度由振幅变异性缩放器(avs)参数控制。对该分布施加softplus函数(方程3),以防止振幅低于0,这意味着振荡极性的翻转。(1个优化参数:avs)

softplus(x) = (1/β) × ln(1 + e^(βx)) (方程3)

β — 函数锐度参数,β = 5。

C. 潜伏期变异性:通过对每次试次沿时间轴向左或向右进行高斯分布的随机平移来引入:该分布以0为中心,其宽度由潜伏期变异性缩放器(lvs)参数控制。由于潜伏期变异性会减少试次间的相位一致性,从而降低平均hfSER的振幅,因此单次试次的振幅随后通过单一的乘法因子—振幅补偿缩放器(acs)—进行重新缩放,以匹配平均hfSER的振幅。(1个优化参数:lvs)

D. 振幅和潜伏期变异性组合,由两个独立参数控制。(2个优化参数:avs, lvs)

E. 爆发分割为两个组成部分,变异性仅施加于晚期组成部分:此前研究显示hfSER反应至少由两个组成部分组成,证据来自不同刺激参数的敏感性差异、不同的拓扑图以及爆发组成部分的选择性药物敏感性。对于分割操作,使用了sigmoid曲线(方程4,附录,图P3),由两个参数控制,一个控制其陡峭程度(div_steep),另一个控制其中心位置(div_pos),后者表示为总爆发长度的比例。随后对晚期组成部分施加振幅和潜伏期变异性,因为记录的爆发中该部分似乎表现出最大的变异性。晚期组成部分的振幅和潜伏期变异性分别由晚期组成部分振幅变异性缩放器(lc_avs)和晚期组成部分潜伏期变异性缩放器(lc_lvs)控制。由晚期组成部分潜伏期变异性引起的诱发响应振幅降低,通过内部计算的晚期组成部分振幅补偿缩放器(lc_acs)进行补偿。(4个优化参数:div_steep, div_pos, lc_avs, lc_lvs)

sigmoid(x) = 1 / (1 + e^(-x)),x = div_steep · (t_ms - div_pos_ms) (方程4)

div_pos_ms = div_pos · (burst_wnd_end - burst_wnd_start) + burst_wnd_start

F. 爆发分割为两个组成部分并对两个组成部分均施加变异性:对两个组成部分分别独立添加振幅和潜伏期变异性,其中ec_avs/ec_lvs分别表示早期组成部分振幅/潜伏期变异性缩放器的参数,ec_acs表示早期组成部分振幅补偿。(6个优化参数:div_steep, div_pos, ec_avs, ec_lvs, lc_avs, lc_lvs)

振幅变异性缩放器(avs, ec_avs, lc_avs)对应于所建模振幅高斯分布的标准差,而振幅补偿缩放器(acs, ec_acs, lc_acs)对应于其均值。它们以乘法单位表示,用于缩放所测量诱发响应的振幅。潜伏期变异性缩放器(lvs, ec_lvs, lc_lvs)对应于所建模潜伏期高斯分布的标准差,该分布以被试诱发响应的潜伏期为中心。它们以时间采样点(0.05 ms)为单位表示。

需要注意的是,理论上可能的模型"两个组成部分,对早期组成部分施加变异性"在实践中无法得到充分论证,因为该模型的优化通常导致"早期"组成部分跨越几乎整个hfSER时间窗口,实际上产生了一个类似于无分割的模型。

整个爆发建模过程的流程图见附录,图P4。

模型的优化和验证

对爆发特性进行建模需要定义一个相关的损失函数。为了将爆发模型与记录的爆发特性进行最佳匹配,考虑了四种信号表示,这些表示在高频通带和选定的hfSER时间窗口内计算:平均响应(图6A)、跨试次的标准差(图6B)、单次试次包络的平均值(图6C),量化单次试次功率,以及单次试次包络跨试次的标准差(图6D)。每次试次的包络根据方程5计算为解析信号的模,解析信号由实值数据和希尔伯特变换(虚值)数据组成。所有测量均在记录和仿真爆发的时间窗口内进行。为了平衡每个测量对最终损失的影响并提高跨测量和跨被试的可比性,将仿真和记录的测量值移至零基线(以仅提供超出基线噪声的量化),并归一化,使得每个记录的测量值方差为1。归一化后,对测量值施加Tukey窗(α = 0.4),以减弱爆发窗口边缘处的影响。随后计算每个仿真和记录测量之间的均方误差,并最终将所有四个误差求和作为最终损失。

Env(X) = √(X2 + X_H2) (方程5)

Env — 信号的包络,X — 实值信号,X_H — 希尔伯特变换信号。

后续优化的目标是找到参数集,使损失函数在其解的超空间中达到全局最小值。为此,使用了一种拟牛顿法的变体(L-BFGS-B算法)结合双重退火方法。由于单次运行可能陷入局部最小值,每次优化执行了五次独立运行,每次运行从超空间中不同随机选择的点开始,增加了最终找到全局最优解的机会。每次优化中的大多数运行找到了相同的参数集,据推测这表明了损失函数的全局最小值(附录,图P5)。

为了确保不同优化参数数量结果的有效性,在两个独立数据集上进行了模型的训练和测试。因此,每位被试的试次被随机分为2个相等的子集,重复5次。在每次划分中,先使用一个子集进行训练,另一个进行测试,然后交换角色,总共每位被试产生10个结果,最终取平均值。尽管被试S5的记录时间短于其他被试,但生成了与其他被试相同数量的仿真单次试次,重复利用了记录的hfSER后+30 ms的高频背景活动,以避免欠采样用于模拟该仿真中添加变异性统计性质的随机分布。

软件和包

数据处理使用Python编程语言(v3.12.12)进行,采用科学计算包用于数据分析和可视化,即NumPy(v1.26.0)、SciPy(v1.15.3)、TensorFlow(v2.17.0)、Matplotlib(v3.8.0),以及一个自定义开发的包"meet"(v2024.05.06,https://github.com/neurophysics/meet)。

量化和统计分析

模型结果进行了比较和统计分析。使用单侧配对样本t检验评估复杂度递增的模型,比较跨被试的表现。该分析评估了具有更多参数的模型是否表现显著更好。

为了评估记录和仿真爆发响应相对于噪声水平的统计显著性,使用S变换对数据进行时间-频率变换。随后,对每个时间-频率bins与噪声期(100–200 ms,无诱发活动期)的时间-频率bins进行均值差异的t检验,方差由Jackknife程序估计。使用自助法(N = 200次迭代)获得族系误差校正后的p值。

统计分析的结果和计算的参数在基于模型的hfSER变异性量化中报告。

补充信息(1)PDF(3.98 MB)文件S1。附录S1
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号