睡眠结构承载着整个生命周期中大脑健康的重要信息。明确表达警戒状态的能力是新生儿神经健康状况的一个重要生理标志，但其机制仍不清楚。来自澳大利亚和芬兰的学者在NATURE COMMUNICATIONS发文，其证明了新生儿从安静到主动睡眠的转变特征是大规模的皮层活动和功能脑网络的重组。这种重组在早产儿中减弱，并能预测两岁时的视觉表现。研究者发现，这些经验效应与大规模脑状态的计算模型之间存在着惊人的匹配。该模型揭示了数据分析中无法检测到的基本生物物理机制。主动睡眠指在一个统一的神经活动模式下减少能量和在两个更复杂的前后脑区模式中增加能量。早产儿在这种带有新异预测信息的睡眠相关模态能量重组中表现出缺陷。
导读
行为和认知状态的改变是由大脑功能网络模态转变引起的。入睡和睡眠状态转换是典型的皮层状态转换，反映在远程脑区之间功能交互模式的重组上。重要的是，早期睡眠结构会塑造大脑发育，并影响未来的行为。因此，了解新生儿的睡眠模式具有重要的临床意义。然而，人们对于早期睡眠状态的神经原理知之甚少。因此，加深对这些基本过程的认识，对于改善大脑健康至关重要。
本研究中，研究者绘制了两组婴儿（足月出生vs. 极端早产儿）不同睡眠状态下的全脑皮质功能相互作用（whole-cortex functional interactions）图，测定了婴儿处于主动睡眠(activesleep ,AS)和安静睡眠(quiet sleep,QS)状态时的皮层活动。利用EEG和网络科学的工具，研究者评估了两组婴儿睡眠状态下的全皮质功能连接的频率重组（frequency-resolved reconfigurations）。这一分析提供了第一个全面的特征：极端早产儿（extremely preterm）存在异常睡眠相关的皮质连接重组。此外，研究者考察了早产儿睡眠状态的连接性变化是否对两年后的行为表现有预测作用。
在皮质连接模式的基础上，研究者提出了一种基于神经场论的生物物理模型。该模型可用来研究皮层动力学中睡眠相关变化的神经原理。结果表明，足月出生的婴儿与极早产儿之间出现不同的睡眠相关的皮质连接模式，是由于低维时空神经活动模式中能量再分配的差异所致。
方法
被试
极早产儿（extremely preterm，EP）46人，足月健康对照组(HC)67人。
EEG数据
脑电数据采用NicOne和Cognitrace设备采集，脑电帽19和28导。选择19个EEG通道(FP1、FP2、F7、F3、FZ、F4、F8、T7、C3、Cz、C4、T8、P7、P3、PZ、P4、P8、O1、O2)进行分析。
睡眠状态选择
每次脑电记录一直持续到婴儿经历了两种睡眠状态：主动睡眠(AS)和安静睡眠(QS)。通过电生理和行为测量相结合的方法进行警戒状态评估，并使用了测压通道(下巴肌电图、心电图、眼电图和呼吸传感器)。在主动睡眠阶段，脑电持续波动，呼吸不规则，偶有眼动出现；相反，在安静睡眠阶段，EEG特征是不连续的，呼吸是规律的(图1a)。从AS和QS最具代表性的时期选择5分钟长的无伪迹的EEG数据，时间长度的选择是基于先前研究，连续5分钟的记录提供了对婴儿全脑功能网络活动的可靠和稳定的估计。为了避免警戒状态之间的转换，有代表性的睡眠期是从特定的行为和大脑活动模式中选择的，而不是临近于QS和AS的转换期。缺乏足够的时间长度或质量数据差的受试者被剔除。EP组共计有效被试42例，HC组共52例。
神经发育评估
使用结构化格里菲斯智力发育量表在婴儿2岁时，评估其神经发育状况。之所以选择这些量表，是因为它们衡量的是视觉表现和社会情感表现，而测量极端早产儿的视觉和社会情感表现，是因为这些量表已经建立广泛的临床应用，并且它们广泛影响终生神经认知能力和生活质量。
EEG数据预处理
降采样到100Hz，带通滤波0.15–45Hz，重参考选择全脑平均。选取4个感兴趣频段进一步分析：0.4–1.5 Hz (delta, δ), 4–8Hz(theta, θ), 8–13 Hz (alpha, α), 和13–22 Hz (lowbeta, β)。
源重建
采用真实的婴儿头部模型计算多通道EEG的皮层源信号。在源空间中，选择与婴儿大脑大小成比例的皮层模板，并进行空间平滑，以匹配足月同龄人的大脑。源空间由8014个偶极子(与表面正交的固定方向)构成，近似于局部神经元活动。头部模型包括用于记录数据的19个头皮脑电电极）。正解(即估计皮层源对头皮EEG贡献的算子)使用openMEEG软件包中的对称边界元素方法计算。对于噪声协方差矩阵，研究者使用了EEG传感器中假设相同噪声水平的恒等矩阵。利用Brainstorm软件包实现动态统计参数映射，以从脑电（正解）中计算皮层源。8014个皮质源重构为125±26个源(见图1B)，所采用的脑分区方案是对称的跨半球(每个半球29块)。每个分区的活动被视为其内所有源的加权平均活动。
连接分析
计算皮层信号振幅包络线之间的Pearson相关系数来估计皮层间的相互作用。
基于网络的统计
基于网络的统计（NBS）用来评估婴儿组别和睡眠类型的主效应，以及二者的交互效应。对每个感兴趣的频段独立分析。首先将T阈值设置为3（相当于p<0.001，未校正），对存活连边进行5000次置换检验(FWEp<0.05)。
频域效应大小的评估
为了研究睡眠和胎龄效应的频谱指纹(spectralfingerprints)，将预处理后的EEG数据过滤成21个频段，范围为0.42-22Hz。
大脑-行为相关
· 针对进行过认知神经检查的EP婴儿(N=32)的每种睡眠状态 (AS和QS)，计算皮层的平均连接强度，发现了睡眠状态与婴儿类型的交互作用(图4A和补充图2A)。
· 计算被试平均连接性的差异(AS minus QS)。
· 计算Pearson相关系数，求取两岁时功能连接性的变化与视觉和社会情感表现分数之间的线性关联。
· 特征模态分解与计算模型
神经场理论是对神经活动的连续描述，建立在物理学标准(平均场)方法的基础上，用于对单个神经元的微观细节进行平均化。这使得能够模拟大量神经元的动力学活动，其中相关的生理量是平均膜电位和相对于局部神经群的放电率。使用偏微分方程建模二维表面以保留皮质的空间信息，模型的一般形式可用于精确地预测静止状态EEG谱，包括睡眠。研究表明，在没有外部输入的情况下，静息状态的皮层活动可以写成特征值之和，在Matlab中使用有限元方法求解特征模态方程。前六个特征模如图4所示。
数据中振幅-振幅关联的存在要求每个点的振荡振幅在时间上发生变化。
通过一系列计算找到最小化成本函数的相应参数。
图1 数据收集与分析。
（a）对46例极早产儿(EP)和67例足月健康对照婴儿(HC)进行多通道脑电图记录。从两种不同的警戒状态：主动睡眠(AS)和安静睡眠(QS)中选择5分钟长的时期。AS期间EEG的幅值波动相对较小，而QS期间的EEG表现为不连续(轨迹交替)，并伴有高幅度信号爆发。（b）采用婴儿头部模型，从带通滤波脑电中计算皮层源信号，分块方案包括58个区域。为了评估大脑中的功能相互作用，计算了分区信号(灰线)的振幅包络(红线)之间的相关系数，生成每个婴儿的睡眠状态和每个频带的连接矩阵。
（c）基于网络的统计数据被用来检测连接模式，这些模式根据群体或睡眠状态或这两种因素的不同而有统计上的差异。与早产儿2岁时的主要神经发育结果相比，表现出明显交互作用的皮层模式的连接强度的变化是倒退的。
(d)用婴儿皮层表面(上面板)的几何形状计算皮层特征模(下面板)，其动力学形状是高阶皮质连接性的组织形式。
补充图9：分析思路概述。此图显示了数据处理的主要过程(橙色框)和软件包（绿框）。
结果
睡眠状态和早产对脑动力学的影响
功能连接性分析表明，两组婴儿的睡眠状态在前、后脑区上存在显著差异(PFWE<0.023；图2A表示α波，补充图1左列为其他频段)。主动睡眠表现为枕叶、中央和颞叶区域(图2a、b红色)的网络具有更强的连接性，在低β波段延伸到额叶皮质(补充图1)。安静睡眠表现为整个大脑皮层的连接性普遍增加，远距离连接性更高，额叶脑区活动程度高(图2a、b蓝色)。
为了进一步描述这些效应的频谱指纹，将神经信号滤波成载波信号（fast），然后基于网络的分析。这些分析证实了功能性网络效应在安静睡眠和活动睡眠状态下都存在，支持这种效应的是α和β中最强的快载波振荡(图2C)，其振幅在5-11秒(0.09-0.19Hz)的时间尺度上波动最大。QS中载频比AS(~16 Hz vs. ~10 Hz)更强。有趣的是，QS(安静睡眠)中存在第二种效应，其中心位于δ波段，由相对较短的边缘组成，涉及额叶区域，与安静/深度睡眠中经典的慢波活动增强能力相一致(补充图1)。
图2 皮质皮质功能连接性随睡眠状态的变化。
（a）α波段睡眠状态的主效应显示在两个主要皮质网络存在显著的连接性差异（红色：AS>QS，蓝色：QS>AS；PFWE<0.0002）。不同皮质区域的编码颜色不同：颞叶（绿色）、中央区（粉红色）、枕叶（黑色）和额叶（橙色）。
(b) 这些网络具有不同的特征长度分布和不同的皮质区域分布。曲线是由AS（红色）、QS（蓝色）的边p值（归一化为整个网络）给出的功能连接长度分布。柱状图显示了每个睡眠相关网络中广泛皮质区域的参与。条形图的填充表示每个区域内涉及的节点的百分比。
(c)AS（左）和QS（右）睡眠的频谱指纹。色标显示了以不同载波和振幅频率（f）为中心的睡眠对比的效果大小（Cohen’s d）。
补充图1 大脑皮质连接性的变化与睡眠状态和婴儿组别(早产和足月分娩)有关。
(左)睡眠主效应发现两种皮质模式的连接差异显著。第一种模式主要涉及枕叶(红色)，而第二种模式包括一组广泛分布在整个大脑的区域(蓝色)。AS>QS(红色)： delta frequency, pFWER = 0.022; theta andbeta, pFWER< 0.0001。QS > AS (蓝色): delta frequency, pFWER = 0.003; theta and beta, pFWER<0.0001.
(右)与健康对照组(HC)相比，极早产儿(EP)组的主要作用表现为远距离皮质区(包括颞叶、中央、枕叶和额叶)。与健康对照组(HC)相比：δ、θ和β频率pFWER<0.0001。在θ频段，HC表现出更高的连接性(pFWER=0.01)，它是由额叶、中央和枕部之间的远距离连接组成的一组广泛的脑区。
与HC相比，EP婴儿在枕叶、颞叶、中央和额叶区域的功能网络连接性明显增强(PFWER<0.0001，图3a、b)。这些效应也与EP(极早产儿）比HC（健康对照）有更强的远距离皮质连接性有关(图3b)。频谱分析表明，这种影响在α和β范围内最强(图3c)。EP婴儿还表现出前部和后部皮质区连接性下降(PFWER =0.01，补充图1)。功能网络在theta、alpha和beta频率上明显减少(图3c)。
图3 皮质-皮质功能连接性的变化与出生胎龄有关。
(a) EP组的α频段远距离连接性高于HC组。相应的分布网络由颞叶(绿色)、中央区(粉红色)、枕叶(黑色)和额叶(橙色)皮层组成(pFWER<0.0001)。
(b)这条线表示函数连接长度的分布，其中p是连边的分数(归一化为整个网络)。条状图显示每个睡眠相关网络中广泛的皮层区域的参与。
(c)EP(左)和HC(右)婴儿的频谱指纹。
婴儿类型与睡眠状态的交互作用分析发现：额叶和枕叶之间的长距离α连接在区分EP和HC的不同睡眠状态中起着关键作用(图4a中的紫色，PFWER =0.0004)。此外，枕叶连接性的重叠模式包括θ、α和低β频段，显示了组别与睡眠的交互(图4a中为橙色，补充图2a，均为pFWER<0.0046)。对于额枕和枕叶连接模式，相互作用是由EP（极早产儿）中AS（主动睡眠）和QS（安静睡眠）之间的连接强度衰减调制驱动的(图4a)。对功能连接模式的视觉检查显示了很大程度上的对称(左-右)模式(图2和图4a)。每个半球内总连接的比较证实，无论是婴儿组别还是睡眠状态都没有明显的左-右不对称。
图4 α波的皮层网络显示了2岁时婴儿组别与睡眠状态的交互作用及其与神经认知结果的关系。
(a)在连接枕叶区的模式中发现了正的相互作用(HC和EP中AS和QS之间的连接性变化)，只有少数连接到颞叶和中央皮层(橙色 pFWER=0.003)。这种模式在空间上也是一致的，跨越相邻的θ和低β频段(补充图2A)。在额叶皮质和枕叶区域之间的长距离连接中，观察到一个负相互作用(AS和QS之间的连接性变化相反)(紫色 pFWER=0.0004)。这些相互作用反映了与HC相比，EP中睡眠状态之间连接性的减弱变化。灰线表示2组个体之间的斜率，粗黑线表示组别之间的斜率。
(b)EP婴儿平均枕叶皮质连接强度的变化(a图中橙色网络为AS minus QS)与两岁时的神经发育结果之间的关系。α连接性的变化与视觉表现显著相关，与社会情感结果的相关性在统计学上没有显着性。
补充图2 婴儿组别与睡眠类型的交互作用
(A)由枕叶、颞叶和中央区组成的重叠功能网络的连接性差异显著(θ：pFWER=0.0018，β：pFWER=0.0046)。这种相互作用是由活跃(AS)和安静(QS)睡眠在极早产儿(EP)与健康对照组(HC)之间的功能连接性差异减弱所驱动的。δ频段无交互作用。
(B)EP婴儿枕叶模式的平均皮质连接强度(A面板橙色网络的连接强度(AS减QS)与两岁时神经发育结果之间的相关性。在EP中，功能连接性的α和β变化与睡眠状态之间的偏相关关系非常显著(FDR校正；红色粗体显示)，并且与两年后的视觉表现呈负相关。
睡眠脑动力学结果
探讨按睡眠分组的皮层网络是否为EP组的关键发育结果提供了预测信息，分析结果显示睡眠诱发的α变化(图4b；R=−0.514，p=0.003)和β变化(补充图2B；R=−0.461，p=0.009)与视觉性能之间存在显著的负相关。在低频波段，睡眠引起的连接性改变与视觉行为之间没有明显的关联。社会情绪指数和功能网络的回归在任何频带上都不显著，θ波段的视觉结果和功能网络也不显著(补充图2B)。这些发现支持了这样一种猜想，即早产对支持行为的大规模神经网络的发展有重大影响，包括依赖于视觉功能的神经认知能力。
图5 睡眠状态下时空神经活动的低维模式分析。
（a）神经场模型的一种示意图，用于研究与新生儿睡眠状态相关的功能连接模式的基本原理。该模型由皮层特征模、低频信号调幅(粉红色)、快载波频率(绿色)和时空高斯白噪声组成。前六种模式在补充图4。
（b）经验数据(活动睡眠状态下的控制组婴儿)与拟合模型功能连接性的比较。直方图显示了数据(灰度)和模型(橙色)中所有网络边缘连接权的概率分布。最佳拟合最小化了模型和经验分布均值与SDS之间的平方差之和。大脑根据数据和模型拟合来描述连接权的空间分布。
（c）模式(mj)权值(a’j)是根据睡眠状态和睡眠组的函数计算的。灰色线连接个体主体权重(空心圆圈)，粗黑线连接状态特定群体的平均权重(实心圆圈)。三种兴趣模式(混合方差分析：模式1：P=8.2×10−22，模式3：P=0.006，模式4：P=0.021)对睡眠有显著的影响。模式1(p=0.006)中存在逐组睡眠交互作用。
补充图4 特征值分解。
前6个最强的特征模(M)是在足月等效年龄(方法)时用婴儿皮质的几何形状计算的。
第一全局模式(M1)均匀分布于大脑皮层，为全局神经元活动提供基线振幅。
第二模式(M2)捕捉神经元活动的左右不对称性。
模式三(M3)和四(M4)同时捕获前后和背腹活动模式。更复杂的大规模活动模式封装在模式5(M5)和模式6(M6)中。颜色表示皮层上每个点的特征模振幅。
皮层特异性塑造早期大脑活动
AS和QS之间不同的功能网络具有长波的电脑前后区的活动模式，其在两种睡眠状态之间变化（图2a）。为了评估这种广泛的前、后皮质连接模式是否是由关键的低维模式的活动变化引起的，研究者将特征模式分解应用于新生儿皮层网格。第一个模式(M1)是一致的和全局的，而第二个模式(M2)是一个左-右模式，反映大脑半球的对称性(图5a和补充图4)。接下来的两种模式(m3和m4)捕捉到远距离前后的活动模式，这反映了所观察到的皮层活动随睡眠状态的变化(图2A)。为了检验睡眠相关连接性变化反映特征模态权重变化的假设，建立了皮层活动的简约神经场模型，其中模拟神经活动是空间特征模的线性叠加，结果发现皮质连接性的个体经验模式和模拟模式之间有很强的重叠(图5B和补充图5)。这些结果表明，在睡眠状态下观察到的功能性连接模式(图2)是由振荡时空模式中的能量分布及其与非结构噪声的比率所引起的。
睡眠状态反映了大脑模式中能量的重新分配
将模式参数与经验数据进行拟合，发现睡眠状态转变主要反映了第一模式权重的变化，第三和第四模式的系数有显著但较弱的变化(图5C)。与主动睡眠相比，安静睡眠在第一均匀模式中能量较高，而在前后两种模式中，睡眠能量较低。因此，该模型表明，在睡眠状态下，均匀加权向转变为复杂的脑区前后活动，并且相对于噪声而言，这些广义的相干振荡有了重新加权。
两因素的交互作用仅限于第一模式(图5C)。这一结果表明，第一种均匀模式的动力学支持了在HC和EP中观察到的不同的高有序连接模式，这是睡眠状态的一个函数。也就是说，这种模式中能量的减少在高阶模式中显示出相对更大的能量，在HC模式中显示出比在EP中更多的能量，因此相应的更复杂的时空模式如图2所示。重要的是，EP中的全脑皮层能量的减少也反映在经验数据中的睡眠状态的光谱功率变化中(补充图6)。
总结
本研究通过EEG连接性分析与生物物理模型相结合，研究了早产儿和足月婴儿与睡眠状态相关的皮质动力学。发现与睡眠相关的连接性模式的差异，在足月出生的婴儿和那些出生时极度早产的婴儿之间，与后来的神经发育结果相关。至关重要的是，生物物理模型准确地指出了支持这些睡眠诱导的连接差异的大规模神经元动力学的特定缺陷。这为理解婴儿睡眠的神经基础提供了基础神经科学和转化神经科学的依据。随着大脑网络理论在临床疾病中的迅速渗透，这表明了神经场理论在转化神经科学中的基本作用。
原文：
Large-scale brain modes reorganizebetween infant sleep states and carry prognostic information for preterms
A Tokariev, JA Roberts, AZalesky, X Zhao… - Nature …, 2019 - nature.com
如需原文请加微信：siyingyxf 或者18983979082获取,如对思影课程感兴趣也可加此微信号咨询。
微信扫码或者长按选择识别关注思影
如对思影课程感兴趣也可微信号siyingyxf或18983979082咨询。觉得有帮助，给个转发，或许身边的朋友正需要。请直接点击下文文字即可浏览思影科技其他课程及数据处理服务，欢迎报名与咨询，目前全部课程均开放报名，报名后我们
会第一时间联系，并保留名额。
第九届脑电数据处理入门班（重庆，9.22-27）
第二十一届脑电数据处理中级班（南京，9.7-12）
第二十二届脑电数据处理中级班（南京，11.12-17）
第七届脑电信号数据处理提高班（南京，11.18-23）
第八届眼动数据处理班（重庆，10.26-30）
第九届近红外脑功能数据处理班（上海，11.24-29）
第三十二届磁共振脑影像基础班（南京，9.21-26）
第六届小动物磁共振脑影像数据处理班（南京，9.1-6）
第十一届脑影像机器学习班（南京，8.25-30）
第十三届磁共振弥散张量成像数据处理班（南京，9.15-20）
第六届任务态fMRI专题班（南京，10.16-21）
第二届弥散磁共振成像数据处理提高班（南京，10.24-29）
第七届磁共振ASL数据处理班（南京，10.12-15）
第十八届磁共振脑网络数据处理班（南京，11.6-11）
第三十四届磁共振脑影像基础班（南京，10.30-11.4）
第三十一届磁共振脑影像基础班（重庆，9.14-19）
第三十三届磁共振脑影像基础班（重庆，10.11-16）
第十七届磁共振脑网络数据处理班（重庆，10.20-25）
第十届磁共振脑影像结构班（重庆，11.2-7）
第十二届脑影像机器学习班（重庆，11.11-16）
脑磁图（MEG）数据处理学习班（预报名）
数据处理业务介绍：
思影科技拜访式培训服务
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技EEG/ERP数据处理业务
思影科技脑电机器学习数据处理业务
思影数据处理服务五：近红外脑功能数据处理
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
招聘：脑影像数据处理工程师（重庆&南京）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
SHAPE \* MERGEFORMAT
