《Frontiers in Aging Neuroscience》:Age-group differences between young and middle-aged adults in spatiotemporal EEG dynamics revealed by instantaneous frequency microstate analysis
编辑推荐:
为了揭示正常衰老过程中大脑大规模神经网络的动态变化,研究者采用了一种基于瞬时频率(IF)的新型脑电(EEG)微状态分析框架。他们通过采集健康青年与中年人的静息态闭眼EEG信号,利用隐马尔可夫模型(HMM)识别了θ/α频段的IF微状态。研究发现,IF微态在时空动态特性上存在显著的年龄组差异,为理解健康衰老的神经机制提供了一个新的、信息丰富的视角。
想象一下,你的大脑是一个由数万亿神经元节点组成的信息高速网络,它们时刻进行着精密的沟通与协作。随着年龄增长,就像任何复杂的系统一样,这个网络的信息传输效率也可能发生变化。然而,传统的测量大脑活动的方法,比如记录脑电信号的强度(振幅),可能只捕捉到了这个复杂故事的一部分。为了更全面地描绘大脑的“运行状态”,科学家们需要新的视角,特别是能够捕捉大脑不同区域之间“同步”节奏(即相位)变化的工具。这就是瞬时频率(Instantaneous Frequency, IF)脑电微状态分析登场的舞台。这项由Nobukawa等人开展的研究,旨在探究一种基于脑电信号瞬时相位变化的新型分析框架,是否能揭示健康青年与中年人在大脑动态特性上的差异。该研究已发表在《Frontiers in Aging Neuroscience》杂志上。
为了回答上述问题,研究人员主要运用了几项关键技术。他们招募了29名健康青年和18名健康中年人,采集了其在静息、闭眼状态下的16导联脑电图信号。数据处理的核心在于瞬时频率(IF)的提取:通过对滤波后的θ/α频段(4-13 Hz)脑电信号进行希尔伯特变换,计算其瞬时相位的导数,从而得到表征局部振荡频率瞬时变化的IF时间序列。接下来,他们采用隐马尔可夫模型(Hidden Markov Model, HMM) 来识别IF微状态。这种方法将连续变化的IF地形图序列分割为一系列离散、但具有时间连续性的“状态”或“微状态”。最后,通过统计分析比较了两组被试在平均停留时间、占有率以及状态转移概率等微态动态指标上的差异。
研究结果
- •
IF微状态的识别与空间特征:通过模型选择标准(AIC/BIC)确定,最优的IF微状态数量为5个。这些微状态在头皮空间分布上表现出特征模式,其中多个状态(如#1, #2, #4, #5)呈现出额叶IF延迟、枕叶IF领先的共性特征,这与已知的脑后部α振荡频率高于前部的生理现象一致。研究还验证了当设定为4个或6个状态时,核心的空间模式依然稳健。
- •
年龄组在微状态动态特性上的差异:
- •
停留时间与占有率:与青年组相比,中年组在IF微状态#1和#4的平均停留时间显著延长,而在状态#3和#5则显著缩短。同时,状态#1的占有率(即该状态占据总时间的比例)在中年组大幅增加,而状态#5的占有率则大幅减少。这些变化具有较大的效应量(Cohen's d 绝对值在0.72至1.43之间)。
- •
状态转移概率:状态之间的转换模式也发生了显著改变。中年组中,状态#1到自身的自我转移概率增高,而状态#5的自我转移概率降低。此外,多个跨状态转移的概率也显示出组间差异,例如从中年组状态#3和#4转向状态#1的概率增加,而转向状态#5的概率减少;从状态#5转向状态#4的概率则增加。
结论与意义
本研究首次将基于瞬时频率的脑电微状态分析应用于探究正常衰老过程中的脑动力学变化。研究发现,即使是在相对年轻的中年群体中,与青年群体相比,其大脑大规模神经网络的时空动态组织已经表现出可测量的差异。这些差异具体体现在特定IF微状态(尤其是那些具有额-枕梯度特征的微态)的稳定性(停留时间)、主导性(占有率)以及状态间切换的灵活性(转移概率)上。
该研究的核心意义在于提供了一种新颖且富有信息量的分析视角。与传统的基于振幅的脑电微状态分析不同,IF微状态通过捕捉振荡相位的超前与滞后关系,从一个互补的维度刻画了大脑网络的动态特性。这有助于更深入地理解健康衰老背后可能的神经机制,例如与长距离神经通讯效率、跨脑区协调能力变化相关的生理基础。尽管研究存在一些局限性,如样本年龄范围有限、通道数较少、未完全控制非周期性脑电成分的影响等,但其结果为未来在更广泛年龄范围、结合高密度脑电和认知评估的研究奠定了基础,有望推动脑电分析在衰老神经科学和早期神经退行性疾病生物标志物探索中的应用。