静息状态下中枢α波功率降低与成人酒精引起的意识丧失风险以及非快速眼动睡眠期异常行为发作的频率有关

《Physiological Reports》:Reduced central alpha power at rest is associated with the risk of alcohol-induced blackout and frequency of non-REM parasomnia episodes in adults

【字体: 大 中 小 】 时间:2026年03月18日 来源:Physiological Reports 1.9

编辑推荐:

  摘要 经历酒精引起的失忆(AIBs)的人面临更高的酒精相关伤害甚至死亡的风险。失忆的易感性是可遗传的,并非所有进行危险饮酒的人都会出现失忆现象。失忆的定义是记忆丧失,但在高度醉酒状态下,这些人仍然保持意识和运动控制能力,这种行为类似于梦游或其他相关睡眠障碍。对静息状态脑电图(E

  摘要

经历酒精引起的失忆(AIBs)的人面临更高的酒精相关伤害甚至死亡的风险。失忆的易感性是可遗传的,并非所有进行危险饮酒的人都会出现失忆现象。失忆的定义是记忆丧失,但在高度醉酒状态下,这些人仍然保持意识和运动控制能力,这种行为类似于梦游或其他相关睡眠障碍。对静息状态脑电图(EEG)的频谱分析可以提供关于个体神经生理学差异的见解,这些差异可能预测健康个体出现失忆的倾向。本研究调查了有失忆、梦游或相关睡眠障碍史的个体的静息状态EEG频谱中存在的潜在神经生理学表型。在实验1中,有失忆史的成年女性在主要运动皮层的静息状态α波峰值功率低于没有此类历史的人;而在男性中,右侧感觉运动皮层的非周期性斜率与终生失忆次数呈负相关。在实验2中,睡眠障碍发作的频率增加与男性和女性的静息状态α波峰值功率降低有关。这些发现共同支持了特定睡眠障碍与酒精引起的失忆之间存在共同神经生理学表型的观点。

1 引言

酒精引起的失忆(AIBs)是指在急性醉酒期间,个体保持意识和运动控制能力,但对事件完全或部分失忆的状态(Goodwin等人,1969年;Wetherill & Fromme,2016年;White,2003年)。有酒精引起的失忆史的人因饮酒而受伤的风险增加(Mundt等人,2012年),早死的风险也增加(Sipil?等人,2016年),并且更容易发展成酒精使用障碍(AUD)(Studer等人,2019年)。研究表明,在饮酒者中,有37%到75%的人在其一生中经历过失忆(Chartier等人,2011年;Raimo等人,1999年;Schuckit等人,2015年;Speed等人,2023年)。即使控制饮酒强度,文献也表明失忆具有遗传性(Davis等人,2019年;Nelson等人,2004年)。此外,Wetherill及其同事通过功能性磁共振成像发现,在抑制任务中双侧前额叶皮层和小脑活动的增加与未来出现失忆有关(Wetherill等人,2013年)。尽管失忆的确切机制尚未完全明了,但海马区NMDA受体的拮抗作用被认为是长期增强(LTP)抑制的可能途径(Lovinger等人,1989年;Ron & Wang,2009年;White等人,2000年)。梦游同样具有遗传性(Hoque & Chesson Jr.,2009年;Lam等人,2009年;Lecendreux等人,2003年),并且与失忆有相似的行为特征,包括记忆丧失、行为抑制以及在广泛神经抑制状态下运动功能的持续。梦游被归类为三种觉醒障碍(DoA)之一,这些障碍是由非REM睡眠期间的部分觉醒定义的(美国睡眠医学学会,2005年)。我们实验室的数据表明,即使在控制狂饮的情况下,有DoA史的人也更容易出现失忆(准备中)。有趣的是,这种关系似乎仅限于女性。鉴于失忆和DoA之间的共同行为特征以及女性中DoA史与失忆史之间的初步关联,我们寻找DoA和失忆易感性之间潜在的共同病理生理学证据。本项目的目标是识别与失忆史(实验1)和DoA史(实验2)相关的神经生理学特征,以确定是否存在DoA和失忆易感性之间的表型风险指标。人类EEG频谱可以分解为非周期性和周期性信号(Donoghue等人,2020年)。非周期性信号被认为包含有关皮层兴奋/抑制(E/I)平衡的信息。非周期性斜率具有区域特异性,并可通过药物操作全局兴奋或抑制来调节(Waschke等人,2021年),已被用作皮层E/I平衡的指标(Robertson等人,2019年;Waschke等人,2021年;Yang等人,2023年)。先前的研究表明,斜率与磁共振光谱测量的谷氨酸/GABA平衡以及前额叶皮层中的谷氨酸水平相关,但与GABA水平无关(McKeon等人,2024年)。当从频谱中减去这一非周期性成分后,剩余的峰值代表皮层中神经元放电的周期性(或振荡)同步模式(Donoghue等人,2020年)。通常,这些峰值中最显著的一个位于7-13 Hz的频率范围内,称为α波。α波范围内的周期性活动反映了丘脑-皮层对任务无关活动的抑制,峰值的位置取决于当前任务的相关模式(Deng等人,2020年;Hindriks & van Putten,2013年)。其中最著名的峰值是枕叶α波峰值,从枕叶电极检测到,它抑制视觉皮层中的任务无关活动(Hohaia等人,2022年)。当眼睛闭上时,这个峰值的幅度会增加,表明在视觉输入受限时对枕叶活动的抑制更强(Barry等人,2007年)。除了枕叶α波峰值外,还存在一个中央感觉运动α节律(mu-alpha)(Thies等人,2018年)。mu-alpha节律可以与枕叶α节律区分开来,表明它们代表不同的功能机制(Garakh等人,2020年)。mu-alpha节律可以通过完成运动任务或呈现运动想象来调节,但不能通过闭眼或睁眼来调节(Garakh等人,2020年)。这种特定的调节模式表明它在抑制运动皮层中的任务无关活动方面具有特定作用(Britton等人,2016年;El Zghir等人,2024年;Fox等人,2016年;Garakh等人,2020年)。在本文中,我们分析了北卡罗来纳大学(UNC)教堂山分校收集的两个样本的静息状态EEG数据,以研究酒精引起的失忆史、DoA和静息状态EEG频谱特征之间的关系。我们假设,在控制饮酒水平后,有失忆史的个体在静息状态EEG频谱上会与没有此类历史的个体表现出差异,这些差异也会出现在作为单独样本招募的有DoA史的个体中。我们预测,在实验1中,有失忆史的个体在中央主要运动皮层的斜率会更平缓,mu-alpha功率会降低,表明该区域的抑制减少,E/I平衡向兴奋方向局部偏移。在实验2中,我们预测这些相同的指标将与DoA的严重程度相关,即更平缓的斜率和更低的mu-alpha功率将与更严重的DoA相关。总体而言,我们假设酒精引起的失忆和DoA都与主要运动皮层在休息时从抑制向兴奋的相对偏移有关。

2 材料与方法

当前项目包括在UNC教堂山分校进行的两个研究。第一个是一个多会话项目,涉及非侵入性神经刺激(实验1);第二个是一个单会话项目,仅涉及收集静息状态EEG数据和自我报告问卷数据(实验2)。所有研究活动在数据收集开始前都得到了UNC研究伦理办公室的批准。两个实验的所有参与者在研究活动开始前都签署了书面知情同意书。

2.1 实验1(AIB)

2.1.1 参与者

参与者来自教堂山地区及其周边城市,参与一个多会话的行为、EEG和神经刺激研究。这里描述的分析仅包括在首次会话期间收集的数据,即在任何神经刺激之前。参与者通过在线广告和传单招募,符合条件的个体年龄在22至40岁之间,是英语母语者,身体健康,并持有高中毕业证书或同等学历。排除标准包括对非侵入性神经刺激的任何禁忌症、终生物质使用障碍史、神经系统或精神疾病史、色盲或相关障碍,或过去一个月内使用精神活性药物。在纳入以下分析的参与者中,50.9%为女性,平均年龄为28.11岁(±5.13岁)。所有参与者在第一次会话开始时都签署了书面知情同意书。共有67名参与者完成了这项研究,其中55名被纳入此处描述的分析中(见第3节)。

2.1.2 静息状态EEG数据收集

EEG数据以1000 Hz的采样率使用高清晰度128通道EGI水凝胶测地网(Magstim EGI,尤金,OR)收集。对于每个参与者,测量了头围、鼻根-颏距离和耳前-耳前距离,以确定网的大小和放置网的位置。网在KCl和水中浸泡5分钟以增加电极导电性,然后由经过培训的研究人员按照制造商的建议放置在参与者身上。电极电压使用Net Amps 400放大器放大,并使用Net Station Acquisition软件(版本5.4)记录。在数据收集开始前检查了电极阻抗,并在必要时通过局部添加KCl溶液来最小化阻抗。在数据收集期间,参与者位于电屏蔽室中,以减少外部电气噪声的影响。静息状态数据收集期分为“睁眼”和“闭眼”两部分,每部分持续7分钟。在“睁眼”部分,参与者被指示注视屏幕上的固定十字。在“闭眼”部分,他们被指示在7分钟的时间内闭上眼睛。在数据收集之前,参与者被指示保持头部静止,减少面部肌肉的紧张,并避免面部肌肉和眼睛的运动。

2.1.3 静息状态EEG数据预处理

EEG数据集在收集后使用Net Station Tools软件(版本5.4)进行单独预处理。对于每个数据集,应用了0.1 Hz的高通滤波器和100 Hz的低通滤波器。然后将数据集分割为两个7分钟的“睁眼”和7分钟的“闭眼”连续时段。每个条件下记录的完整420秒数据都被包含在相应的连续时段中。由经过培训的研究人员视觉识别出噪声过多或头皮连接不良的通道,并标记为拒绝。除非预期的基线期间不合适(例如包含眨眼),否则使用1000毫秒的基线期间进行基线校正;在这种情况下,选择附近1000毫秒的时期。被标记为拒绝的通道从周围通道插值,并将数据从顶点重新参考到全局平均参考。数据集被导出到MATLAB中进行清洗和处理。数据集使用EEGLAB for MATLAB(Delorme & Makeig,2004)进行清洗,如Robertson等人(Robertson等人,2019年)所述,并在此重申。电极位置转换为10-10国际系统(Luu & Ferree,2005),将分析中使用的通道数量从128个减少到71个。这种转换没有涉及通道的平均,尽管在预处理过程中替换被拒绝通道的插值可能会影响头皮地形图。对每个时段运行独立成分分析(ICA),并使用EEGLAB的MARA插件(Winkler等人,2011)标记伪迹。经过培训的研究人员验证了MARA对占时段方差超过1%的成分的分类,并在需要时进行了修改。被认为为伪迹的成分被移除。

2.1.4 静息状态EEG数据分析

清洗后的EEG数据集使用MATLAB内置函数、Fieldtrip工具箱(Oostenveld等人,2011)、MATLAB的Signal Processing工具箱以及使用MATLAB包装器的python的fitting oscillations & 1/f(FOOOF)工具箱进行分析(Donoghue等人,2020)。用于调用这些工具箱进行分析的脚本由研究团队编写。“睁眼”和“闭眼”时段分别进行分析。对于每个时段,数据从58 Hz到62 Hz进行带通滤波,以减少60 Hz的线噪声(Leske & Dalal,2019)。使用Welch方法(pwelch函数)计算每个感兴趣电极(Cz、C3、C4)的功率谱密度(PSD)。选择这些电极是因为它们位于或靠近主要运动皮层,C3和C4通常分别对应右手和左手(Holmes & Tamè,2019年;Lindig-Leon等人,2017年)。尽管C3和C4也可能包含主要体感活动,但在本文中它们被称为感觉运动区域。时段被划分为1000毫秒的片段,重叠率为50%,并使用Hamming窗口进行分析(Robertson等人,2019)。哪些PSD输出被用作FOOOF模型的输入,这些输出对应于每个感兴趣的通道。该模型使用自定义的MATLAB脚本运行,“闭眼”和“睁眼”数据集分别针对每个通道进行了分析。FOOOF模型运行的参数如下:最大峰值数量为4个,频率范围为2–50赫兹,峰值阈值为2.0,最小峰值高度为0.0,峰值宽度限制为1–7赫兹,非周期性模式固定。对于每个通道和条件(睁眼 vs. 闭眼),模型输出了斜率、单个峰值的阿尔法频率、峰值阿尔法功率和峰值阿尔法带宽。

2.1.5 变量
在本实验中实施了一系列问卷调查。与本项目相关的问卷包括Carolina酒精使用模式问卷(CAUPQ)(Elton等人,2021年)和酒精相关失忆问卷(ARBQ)。CAUPQ评估了18岁以下、18至21岁期间以及过去一年的酒精使用情况。为了估算18岁之前的酗酒次数,我们按照Elton等人的方法(Elton等人,2021年)将评估18岁以下酗酒的CAUPQ条目从序数尺度转换为连续尺度。为了量化当前的饮酒模式,使用CAUPQ的回答来计算“酗酒得分”(Townshend & Duka,2002年)。酗酒得分包括典型的饮酒速率、过去6个月内的醉酒次数以及以醉酒为目的的饮酒天数百分比。ARBQ记录了18岁之前、18至21岁期间以及过去一年内的部分性和完全性失忆次数。对于部分性和完全性失忆,参与者被问及他们是否经历过此类情况(“是”或“否”),如果“是”,则进一步询问在每个时间段内发生的次数。尽管该问卷尚未经过验证,但在样本中的Cronbach's alpha值为0.958。在这里进行的主要分析中,参与者根据是否有失忆历史被分类。没有部分性或完全性失忆历史的个体被归类为“无失忆”,有部分性失忆历史但没有完全性失忆历史的个体被归类为“部分性失忆”,而有完全性失忆历史(无论是否有部分性失忆历史)的个体被归类为“完全性±部分性失忆”。除了直接涉及完全性和部分性失忆的条目外,ARBQ还包括3个条目,用于评估失忆体验的具体特征。这些特征包括在饮酒时失去意识、无法回忆饮酒时的行为,以及从饮酒时回忆起被遗忘的记忆。将关于一生中所有5个失忆事件的回答平均起来,以创建一个连续的终生失忆得分。

2.1.6 统计分析
所有统计分析均在SPSS版本29.0.1.0中进行。运行了一系列MANCOVA,以评估失忆历史、性别和静息状态EEG特征之间是否存在任何关系。每个模型包括性别和失忆历史(无、仅部分性、完全性±部分性)作为因素,以及过去一年的酗酒得分(Townshend & Duka,2002年)、18岁之前的酗酒次数和年龄作为协变量。对于每个感兴趣的通道,峰值阿尔法功率和峰值阿尔法带宽被作为因变量。测试了三个MANCOVA模型,以评估目标通道的阿尔法峰特征,显著性阈值为p≤0.05(双侧)。此外,由于每个电极的斜率值彼此之间高度相关,但与峰值阿尔法功率无关,因此使用相同的因素和协变量计划了一个评估C3、C4和Cz非周期性斜率的MANCOVA。如第3节所述,由于一个个体在FOOOF非周期性模型拟合不佳,该个体被排除在外,这使得最小组大小降至三个。由于这与模型中的因变量数量相等,我们选择使用多元回归模型,以综合终生失忆得分为自变量。分别在男性和女性中进行了回归分析,自变量包括过去一年的酗酒得分、18岁之前的酗酒次数、年龄和终生失忆得分。因变量是C3、Cz和C4的非周期性斜率。总共测试了三个MANCOVA模型和两个多元回归模型。对于所有MANCOVA模型,使用Box's M和Levene's检验来验证协方差矩阵相等性和同方差性的假设。对于回归模型,使用方差膨胀因子来检测多重共线性违规情况,并为每个因变量绘制残差图以检测正态性违规情况。使用自定义的SPSS语法来检验每个协变量的回归斜率同质性假设。除非在第3节中另有说明,否则未发现违规情况。我们特别选择使用在“睁眼”静息状态条件下收集的数据进行这些分析,因为我们怀疑较大的枕叶阿尔法峰的体积传导会掩盖“闭眼”条件下的μ-阿尔法功率的组间差异(Hohaia等人,2022年)。

2.2 实验2(DoA)

2.2.1 参与者
参与者是北卡罗来纳大学教堂山分校(UNC Chapel Hill)心理学入门课程的本科生,通过UNC Sona参与者池招募。所有参与者年龄在18岁或以上。招募了40名参与者,其中20人有DoA发作史,20人作为对照组。由于从该样本中收集的人口统计信息存在问题,因此无法包括年龄、性别或种族的分析。大多数参与者的年龄在18至22岁之间,超过一半是女性或表现为女性。所有参与者在会话开始时都签署了书面知情同意书。

2.2.2 静息状态EEG数据收集与分析
静息状态EEG数据使用与实验1相同的协议收集,数据处理略有不同。具体来说,在Net Station的预处理过程中,被拒绝的通道在基线校正之前进行了插值;在EEGLAB中,审查了“闭眼”和“睁眼”时段,并在清洗之前拒绝了一些片段。这些调整是为了考虑实验1和2之间由于EEG网络年龄不同而导致的数据集质量变化。拒绝片段意味着这些分析中使用的连续时段长度不同,具体取决于数据质量。“睁眼”时段的最终持续时间平均为397.69秒(6分钟38秒)。此外,在清洗过程中,通过EEGLAB应用了1赫兹的高通滤波器以改善ICA结果(Winkler等人,2015年)。数据分析完全按照实验1的描述进行。

2.2.3 变量
在这个样本中进行了Munich Parasomnia Screening,以评估DoA的历史和频率(Fulda等人,2008年)。对于每种睡眠障碍,受访者表示他们是否曾经经历过该行为,目前是否仍在经历,以及这些事件是自我观察到的还是由他人观察到的。如果他们报告曾经经历过该睡眠障碍,会询问自上次发生以来的时间。如果他们报告目前仍在经历该睡眠障碍,会询问频率(1:非常少——每年少于一次;2:很少——每年一次或几次;3:有时——每月一次或几次;4:频繁——每周一次或几次;5:非常频繁——几乎每晚)。对于报告目前经历梦游、混乱觉醒和/或睡眠恐惧的参与者,我们使用最常见类型的频率作为感兴趣的变量。例如,对于梦游的回答为2,对于混乱觉醒的回答为4,将得到一个DoA频率得分为4。

2.2.4 统计分析
所有统计分析均在SPSS版本29.0.1.0中进行。由于这些参与者是因DoA历史而被招募的,并且不考虑饮酒历史,因此该数据集对于实验1中的失忆分析来说样本量不足。这个样本中很少有人报告有酗酒或任何类型的失忆历史。因此,使用双变量相关性来识别中央峰值阿尔法功率、中央非周期性斜率和DoA发作频率之间是否存在任何关系。因为这里使用的DoA频率变量是序数型的,所以报告了Spearman's ρ值(Puth等人,2015年)。非参数相关性经过Bonferroni校正以进行多重比较,显著性阈值设为p≤0.008(6个假设检验)。

3 结果

3.1 实验1(AIB)
在收集数据的67名参与者中,有55名参与者被纳入了这里的分析。有8名参与者因缺少与计划分析相关的数据而被排除。有3名参与者因报告没有饮酒历史而被排除。最后,有1名参与者因报告每天通常饮用超过90杯饮料而被排除,我们认为这极不可能准确。有1名参与者因FOOOF模型未能在目标电极的7至13赫兹范围内检测到峰值而被排除在周期性分析之外。在周期性分析中,有53名参与者使用C3和Cz通道被纳入分析,52名参与者使用C4通道被纳入分析。有1名参与者在C4通道上的模型拟合不佳(R2=0.430,误差=0.0892)。通过视觉检查发现,这是由于高频活动影响了非周期性成分。尽管如此,阿尔法峰与原始谱相比拟合得很好,因此该参与者被纳入了关于阿尔法峰特征的分析,但被排除在斜率分析之外(斜率分析的参与者为54名,其中27名为男性,27名为女性)。表1提供了该样本中55名参与者的相关变量的平均值和频率。表2根据组和性别提供了FOOOF模型输出的非周期性和周期性参数的平均值(平均在Cz、C3和C4上)。表1. 实验1中相关变量的平均值(±标准差)。

表2. 根据组别(实验1),Cz、C3和C4上非周期性和周期性谱成分的平均(±标准差)值。
变量
女性
男性
年龄
27.93(±5.10)
27.43(±5.35)
28.44(±4.87)
青少年酗酒次数
14.55(±44.16)
16.91(±52.48)
12.09(±34.30)
终生失忆得分
2.37(±2.07)
2.45(±1.81)
2.28(±2.34)
有任何部分性失忆历史
41(74.5)
24(85.7)
17(63.0)
有任何完全性失忆历史
22(40.0)
10(35.7)
12(44.4)
有任何失忆历史
42(76.4)
24(85.7)
18(66.7)
最后一次饮酒后的天数
92.78(±431.68)
10.92(±12.09)
171.36(±599.52)

表2. 根据组别(实验1),Cz、C3和C4上非周期性和周期性谱成分的平均(±标准差)值。
参数
女性 – 无AIB
女性 – AIB
男性 – 无AIB
男性 – AIB
非周期性斜率
1.01(±0.21)
1.01(±0.18)
1.20(±0.21)
1.07(±0.24)
非周期性偏移(截距)
0.80(±0.34)
0.45(±0.31)
0.62(±0.23)
0.63(±0.36)
阿尔法峰功率
0.99(±0.37)
0.57(±0.29)
0.63(±0.29)
0.79(±0.33)
阿尔法峰带宽
2.91(±0.46)
2.66(±0.56)
3.33(±0.51)
3.16(±0.74)
个体阿尔法频率
9.98(±1.39)
10.45(±1.02)
10.01(±1.05)
9.72(±0.89)

以下是根据FOOOF输出,每个目标电极的周期性分析中包含的数据集的拟合指数。Cz上包含的光谱的平均R2为0.996(最小0.984,最大0.999),平均误差值为0.0350(最小0.0121,最大0.0992)。对于C3,包含的光谱的平均R2为0.992(最小0.927,最大0.999),平均误差值为0.0379(最小0.0141,最大0.107)。对于C4,包含的光谱的平均R2为0.981(最小0.430,最大0.999),平均误差值为0.0386(最小0.0142,最大0.112)。排除上述斜率分析的参与者后,C4上包含的光谱的平均R2为0.992(最小0.878,最大0.999),平均误差值为0.0374(最小0.0142,最大0.112)。以下是根据FOOOF输出,非周期性分析中包含的数据集的拟合指数。Cz上包含的光谱的平均R2为0.997(最小0.984,最大0.999),平均误差值为0.0351(最小0.0121,最大0.0992)。对于C3,包含的光谱的平均R2为0.993(最小0.927,最大0.999),平均误差值为0.0379(最小0.0141,最大0.107)。这些R2值和平均误差值验证了所使用的FOOOF模型参数能够很好地拟合目标电极处的原始光谱数据。

3.1.1 不同黑屏组和性别的峰值α功率和峰值α带宽
首先,我们试图确定由α峰值代表的振荡活动是否因组别而在每个电极上有所不同。峰值功率和带宽反映了该活动的强度,因此对于每个电极,我们进行了多元分析以确定黑屏是否预测了这些周期性指标。总体而言,我们发现黑屏历史仅与女性患者的α峰值功率降低有关,并且这种关系在中央脑区(Cz)最为显著。未发现α峰值带宽与黑屏历史之间的关系。每个电极的α峰值参数结果将在以下部分中描述。

3.1.2 C3
包括C3处峰值α功率和峰值α带宽的MANCOVA模型表明,在预测因变量时,性别和黑屏历史之间存在趋势性交互作用(Pillai's trace = 0.183,F(4,88) = 2.22,p = 0.073)。因此,我们没有检测到C3处α峰值特征在组间存在显著差异。Levene检验表明带宽的假设没有违反,但应注意的是功率的假设被违反了(功率:F(5,47) = 2.60,p = 0.037;带宽:F(5,47) = 0.26,p = 0.93)。在以C3处峰值带宽为因变量的后续ANOVA中,整体模型不显著(F(8,44) = 1.64,p = 0.14),而性别是一个显著预测因子(F(1,44) = 4.94,p = 0.031),即女性的峰值带宽低于男性。在以C3处峰值功率为因变量的后续ANOVA中,整体模型不显著(F(8,44) = 1.82,p = 0.10),性别和黑屏历史之间的交互作用是一个显著预测因子(F(2,44) = 4.26,p = 0.020)。在女性中,与无黑屏组相比,完全黑屏组(p = 0.019)和部分黑屏组(p = 0.032)的C3处峰值α功率降低,而在男性中各组之间没有明显差异。C3处的平均α峰值功率值按组和性别显示在图1a中,平均峰值带宽按性别显示在图2a中。

3.1.3 Cz
包括Cz处峰值α功率和峰值α带宽的MANCOVA模型表明,在预测Cz处的因变量时,性别和黑屏历史之间存在显著交互作用(Pillai's trace = 0.276,F(4,88) = 3.52,p = 0.010)。在以峰值带宽为因变量的后续ANOVA中,整体模型不显著(F(8,44) = 1.87,p = 0.089)。在以Cz处峰值功率为因变量的后续ANOVA中,整体模型显著(F(8,44) = 3.12,p = 0.007),性别和黑屏历史之间的交互作用是一个显著预测因子(F(2,44) = 7.56,p = 0.002)。这种交互作用表明,报告经历过黑屏的女性在Cz处的峰值α功率降低,而男性样本中则没有这种情况。即使控制了年龄、当前酗酒评分以及18岁之前的酗酒次数,这一现象仍然存在,这表明α功率的降低是黑屏特有的,而不是重度酒精使用的反映。Cz处的平均α峰值功率值按组和性别显示在图1b中,平均峰值带宽按性别显示在图2b中。使用α峰值功率的估计边际均值进行的单变量检验表明,男性组间存在显著差异(F(2,44) = 3.56,p = 0.037),完全黑屏组或部分黑屏组的峰值α功率高于无黑屏组(p = 0.020和p = 0.041)。女性组间也存在显著差异(F(2,44) = 4.36,p = 0.019),其中无黑屏组的α功率显著低于有黑屏史的组。成对比较显示,无黑屏史的女性与有完全或部分黑屏史的女性有显著差异(p = 0.006和p = 0.018)。这些组的α功率均显著低于对照组,但两个黑屏组之间没有差异。

3.1.4 C4
包括C4处峰值α功率和峰值α带宽的MANCOVA模型表明,在预测C4处的因变量时,性别(Pillai's trace = 0.166,F(2,42) = 4.19,p = 0.022)和性别与黑屏历史之间的交互作用(Pillai's trace = 0.207,F(4,86) = 2.48,p = 0.050)具有显著效应。在以峰值带宽为因变量的后续ANOVA中,整体模型不显著(F(8,43) = 1.61,p = 0.15),而性别是一个显著预测因子(F(1,43) = 8.37,p = 0.006)。在以峰值功率为因变量的后续ANOVA中,整体模型不显著(F(8,43) = 1.83,p = 0.097),性别和黑屏历史之间的交互作用是一个显著预测因子(F(2,43) = 4.89,p = 0.012)。成对比较显示,有完全或部分黑屏史的女性与无黑屏史的女性相比,其C4处的峰值α功率显著降低(p = 0.018)。这些结果表明,性别和黑屏历史可能影响C4处的α峰值特征,但事后比较未达到我们的显著性阈值。C4处的平均α峰值功率值按组和性别显示在图1c中,平均峰值带宽按性别显示在图2c中。这里显示的模式与C3和Cz电极的情况相似。在测试的三个MANCOVA模型中,只有包含Cz处功率和带宽的模型提供了足够的统计证据,证明性别与黑屏历史相关的组间差异。为了进一步探讨黑屏历史与中央α峰值功率之间的性别依赖性关系,我们计算了终生综合黑屏评分(来自ARBQ;见方法部分)与Cz处α峰值功率之间的双变量相关性。这些相关性分别在男性(n = 26)和女性(n = 27)中进行了分析。在女性中,终生综合黑屏评分与Cz处α功率之间存在显著相关性(ρ = ?0.480,p = 0.011)。在男性中,这种相关性不显著(Cz:ρ = 0.230,p = 0.26)。图3显示了Cz处峰值α功率与终生黑屏评分的关系。这与之前的MANCOVA结果一致,表明黑屏易感性与女性Cz处的峰值α功率之间存在关联。这也表明这种表型可能存在于一个谱系上,即黑屏历史越长,α峰值幅度越低。

3.2 实验2(DoA)
在收集数据的40名参与者中,有36名被纳入了这里的分析,因为有4名参与者的EEG数据质量较差而被排除。在这36名参与者中,FOOOF模型未能在一名个体的C3通道检测到7至13 Hz之间的峰值。因此,有36名参与者使用了Cz和C4通道进行分析,另有35名参与者使用了C3通道进行分析。在这36名参与者中,有21人报告了任何形式的DoA历史。在这21个案例中,DoA(短暂意识丧失)事件的中位频率为2.00次(很少发生——每年一次或几次)。FOOOF模型输出的非周期性和周期性参数的平均值(在Cz、C3和C4上平均)根据组别列在表5中。表5显示了根据组别(实验2)在Cz、C3和C4上平均的非周期性和周期性光谱组分的平均值(±标准差)。

根据FOOOF的输出,在Cz处包含的光谱的平均R2值为0.996(最小0.962,最大0.999),平均误差值为0.0305(最小0.0140,最大0.0523)。在C3处,包含的光谱的平均R2值为0.994(最小0.927,最大0.999),平均误差值为0.0333(最小0.0186,最大0.0585)。在C4处,包含的光谱的平均R2值为0.992(最小0.889,最大0.999),平均误差值为0.0365(最小0.0150,最大0.0936)。这些R2值和平均误差值验证了所使用的FOOOF模型参数能够很好地拟合目标电极处的原始光谱。为了确定DoA的严重程度、运动皮层中的alpha峰功率以及运动皮层中的非周期性斜率之间是否存在任何关系,我们进行了非参数双变量相关性分析,涉及的变量包括:Cz处的alpha峰功率、C3处的alpha峰功率、C4处的alpha峰功率、Cz处的斜率、C3处的斜率、C4处的斜率以及最近的DoA频率。Spearman的ρ值列在表6中。表6中用粗体标出了DoA频率与任何神经生理参数之间的显著相关性。DoA频率与Cz和C3处的alpha峰功率显著负相关(p=0.004和p<0.001)。这意味着在这个样本中,更频繁的睡眠障碍事件与中央初级运动皮层和左侧感觉运动皮层的较低中央alpha峰值相关。图5将DoA频率与每个目标电极处的alpha峰功率进行了绘制。使用ARBQ和CAUPQ分别收集了该样本的昏厥历史和酒精使用数据,但由于酒精使用量非常低,我们无法对该样本进行实验1中的酒精相关分析。

根据FOOOF的输出,在Cz处包含的光谱的平均R2值为0.996(最小0.962,最大0.999),平均误差值为0.0305(最小0.0140,最大0.0523)。在C3处,包含的光谱的平均R2值为0.994(最小0.927,最大0.999),平均误差值为0.0333(最小0.0186,最大0.0585)。在C4处,包含的光谱的平均R2值为0.992(最小0.889,最大0.999),平均误差值为0.0365(最小0.0150,最大0.0936)。这些R2值和平均误差值验证了所使用的FOOOF模型参数能够很好地拟合目标电极处的原始光谱。为了确定DoA的严重程度、运动皮层中的alpha峰功率以及运动皮层中的非周期性斜率之间是否存在任何关系,我们进行了非参数双变量相关性分析,涉及的变量包括:Cz处的alpha峰功率、C3处的alpha峰功率、C4处的alpha峰功率、Cz处的斜率、C3处的斜率、C4处的斜率以及最近的DoA频率。Spearman的ρ值列在表6中。表6中用粗体标出了DoA频率与任何神经生理参数之间的显著相关性。DoA频率与Cz和C3处的alpha峰功率显著负相关(p=0.004和p<0.001)。这意味着在这个样本中,更频繁的睡眠障碍事件与中央初级运动皮层和左侧感觉运动皮层的较低中央alpha峰值相关。图5将DoA频率与每个目标电极处的alpha峰功率进行了绘制。使用ARBQ和CAUPQ分别收集了该样本的昏厥历史和酒精使用数据,但由于酒精使用量非常低,我们无法对该样本进行实验1中的酒精相关分析。

表6显示了Spearman的ρ值,用于表示觉醒障碍(DoA)事件频率与与中枢兴奋/抑制平衡相关的测量值之间的相关性(实验2)。

4. 讨论
实验1和实验2的结果结合起来支持了我们的假设,即酒精引起的昏厥和DoA在神经生理表型上共享运动E/I(兴奋/抑制)平衡的紊乱。在实验1中,我们发现女性中运动皮层的中央alpha功率降低与昏厥史相关,而在男性中,昏厥史与运动皮层上的非周期性斜率偏移相关。这些测量都量化了皮层的兴奋性,尽管它们反映了与细胞抑制和兴奋相关的不同潜在机制(Brake等人,2024年)。在实验2中,我们发现运动皮层的中央alpha功率与DoA事件的频率负相关。这与实验1中发现的女性昏厥史相关的抑制措施相同,表明运动过度兴奋可能是DoA和昏厥的诱发因素。

4.1 中央周期性alpha功率和昏厥
在实验1中,有酒精引起的昏厥史的女性在中央电极处的静息状态alpha峰功率低于没有昏厥史的女性,即使控制了酒精消费量。因此,这种表型可能与女性的昏厥风险相关。在感觉运动区域可检测到的alpha峰反映了mu-alpha节律,并且可以与参与抑制视觉皮层活动的枕叶alpha节律区分开来(Garakh等人,2020年;Hohaia等人,2022年)。在完成(或观察)运动任务期间,mu-alpha功率会降低,并且与使用单脉冲TMS评估的运动皮层的兴奋性相关(Fox等人,2016年;Grafton & Tipper,2012年;Schilberg等人,2021年;Thies等人,2018年)。在我们的假设框架内,静息状态mu-alpha功率的差异可能代表了有昏厥史的女性的运动皮层抑制减少。这种减少的抑制在休息时可能微不足道,但在足够醉酒的情况下可能导致与其他神经区域相比,运动功能相对保留。这种不平衡的抑制可能允许运动功能持续存在,就像在昏厥状态下一样,而海马体和前额叶的活动受到严重限制。由于这种理论框架依赖于昏厥史与运动过度兴奋之间的关系,因此有昏厥史的男性平均表现出更高的中央alpha峰功率(即更多的抑制)似乎是矛盾的。如下所述,C4处的非周期性斜率与男性一生的昏厥评分负相关。可能的情况是,在男性中,需要运动皮层向兴奋的严重偏移才能增加昏厥的易感性,而这种alpha功率的增加是处于极端谱系的一端的一种补偿机制。这一点得到了只有完全或部分昏厥组中alpha功率增加的事实的支持,这正是预期会显示出最严重的E/I紊乱的情况。非周期性斜率是对E/I平衡的粗略测量——可能是因为过度兴奋变得足够极端,以至于可以通过斜率检测到,从而招募了丘脑-皮层和皮层-皮层的抑制回路来补偿。

4.2 中央非周期性斜率和昏厥
在实验1中,C4(右侧感觉运动皮层)处的非周期性斜率与男性的终生昏厥评分负相关。这表明随着终生暴露于昏厥的增加,斜率会以单侧特异性变平。头皮上斜率的平坦化,包括在中央部位,与衰老和认知任务表现的下降有关(Pathania等人,2022年;Voytek等人,2015年)。斜率被认为代表了潜在皮层的E/I平衡,较平的斜率反映了向兴奋的偏移(Waschke等人,2021年)。C4处的斜率与昏厥史之间的关系表明,随着男性感觉运动皮层的兴奋性增加,昏厥的倾向也会增加。如关于女性中央alpha峰的描述,这种过度兴奋可能使某些人在血液酒精浓度(BAC)升高时容易发生昏厥。另一方面,这些数据可能表明暴露于昏厥状态会导致男性大脑受伤。

4.3 中央周期性alpha功率和DoA
在实验2中,我们观察到中央电极处的静息状态alpha峰功率(与实验1中女性昏厥史相关的同一神经生理指标)与DoA事件的频率负相关。这一观察结果与之前在DoA患者中的发现一致,且两项研究之间的关联一致性也与我们的先验假设一致。鉴于昏厥和DoA事件之间的行为相似性,我们假设这两种状态可能存在共同的神经机制。这些发现支持了这一观点,并表明静息状态下mu-alpha功率的降低可能是一个共同的诱发因素。使用单脉冲和双脉冲TMS,Oliviero等人发现了梦游者静息状态下运动皮层抑制受损的证据(Oliviero等人,2007年)。中央alpha功率与运动皮层的兴奋性相关,因此这些发现与现有文献一致(Schilberg等人,2021年;Thies等人,2018年)。正如关于昏厥的假设,我们怀疑这种减少的运动皮层抑制可能有助于非REM睡眠期间的运动功能突破。

4.4 性别差异在昏厥风险中的影响
实验1的结果表明,一些与酒精相关的昏厥风险因素可能是性别依赖的。关于昏厥的已发表文献对于男性或女性更容易发生昏厥事件,或者是否存在超出代谢因素的性别差异存在分歧(Chartier等人,2011年;Hingson等人,2016年;Marino & Fromme,2015年;Voloshyna等人,2018年)。这项研究的结果表明,运动皮层的周期性抑制不足可能与某些女性的昏厥风险相互作用。与实验1的发现不同,实验2的样本中整体上存在中央alpha峰功率与DoA频率之间的关系。尽管已经记录了在睡眠障碍事件期间发生的性别差异行为,但文献中没有证据表明应该预期机制或诱发因素存在性别差异(Correa等人,2024年)。也许这种机制在昏厥中是性别特异性的,但在睡眠障碍中不是。例如,已知女性代谢酒精的效率低于男性,女性的体重较低,体脂百分比也较高(Baraona等人,2001年;Li等人,2009年)。可能是这种现有的昏厥风险,表现为运动皮层上的alpha功率降低,与这种低效的酒精代谢相互作用,从而特异性地增加了女性的昏厥风险。

4.5 限制
我们认识到这个项目有几个限制。首先,我们将这些发现解释为存在一种增加终生昏厥风险的诱发表型。这是基于文献中的信息,这些文献表明昏厥风险是可遗传的,并且与物质使用前的异常神经生理学相关(Davis等人,2019年;Nelson等人,2004年;Wetherill等人,2013年)。然而,必须指出,为这些效应分配方向超出了这些数据的范围。需要进行纵向研究来辨别降低的mu-alpha功率是风险因素还是酒精引起的昏厥的结果。无论如何,这些发现是新颖的,并为未来的工作提供了支持。关于报告的DoA分析,应该注意的是,mu-alpha功率与DoA频率之间的关系是相关的,而确定因果关系超出了本文的范围。此外,实验1和实验2的样本量相对较小,且实验1中用于分析的组别不平衡。这个样本中有特别高的终生昏厥发生率(75.9%),减少了非昏厥组的规模。讽刺的是,实验2中收集的样本的终生昏厥发生率特别低(25%)。然而,这些担忧在一定程度上通过功效分析得到了缓解,该分析表明实验1完成的分析具有足够的统计功效,Box的测试表明任何MANCOVA模型的协方差矩阵等价假设都没有被违反。为了测试我们的假设,即昏厥和DoA可能共享潜在的运动异常,我们选择了C3、Cz和C4作为我们研究的电极,因为它们通常被认为代表初级运动皮层的活动。然而,应当考虑到头皮上的电活动是多个神经元群体活动的总和,由于头骨的形状,无法精确地识别出投射到特定电极上的神经元群体。这些电极上的活动很可能还包括初级体感皮层和前部次级运动区的活动。这里呈现的频谱参数可能更多地反映了感觉运动功能,而不仅仅是运动功能。需要注意的是,这些样本仅代表了特定的神经元群体,为了确定其普遍性,需要在不同的样本中重复进行实验。实验1的样本仅包括22至40岁的成年人,总体而言,这个群体的饮酒量高于大多数美国成年人的平均水平。实验2的样本仅包括北卡罗来纳大学教堂山分校的本科生,其中一半人是因为有睡眠障碍病史而被特别招募的。这些年轻人可能处于一个独特的发育阶段,因此与“死亡发作”(DoA)相关的静息状态特征可能不适用于其他年龄段的人。

5 结论
本研究的结果支持了我们的假设,即酒精引起的意识丧失(blackout)和死亡发作(DoA)具有共同的神经生理风险因素。我们的发现表明,其中一个共同因素可能是静息状态下中央α波功率的降低。这一神经生理指标反映了运动皮层的兴奋性增加,在实验2中与死亡发作的频率相关,在实验1中则与女性的意识丧失病史相关。有趣的是,对于男性来说,意识丧失病史与运动皮层兴奋性增加的另一个指标相关:即非周期性斜率的平坦化。这些发现提示未来的研究应该探讨与酒精相关的睡眠障碍和意识丧失患者的运动皮层兴奋性相关的神经生理特征,理想情况下采用纵向设计来确立这种风险特征作为酒精引起意识丧失的前兆。

作者贡献
数据分析和手稿撰写由GME完成。实验1的数据由MMR收集,实验2的数据由GME和CEL收集。实验1的EEG预处理由MMR完成,实验2的EEG预处理由GME完成。该项目由GME和CAB设计,并得到了DLR和MAS的帮助。所有作者都阅读并编辑了这份手稿。

致谢
MMR目前的地址:美国北卡罗来纳州达勒姆市杜克大学精神病学与行为科学系。

资金信息
本研究得到了美国国立卫生研究院的支持——资助编号为P60 AA011605(CAB, DLR)、T32 DA007244(GME)、F31 AA028427(MMR)和F31 AA031424(GME)。

利益冲突声明
作者声明没有利益冲突。

伦理声明
所有研究活动均获得了北卡罗来纳大学教堂山分校IRB的批准。所有参与者在参与研究时均签署了书面知情同意书。

数据可用性声明
通讯作者可根据请求提供数据。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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