当前位置:   article > 正文

无药帕金森病患者的时空脑电微状态分析_eeglab微状态

eeglab微状态

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

帕金森病(PD)的临床诊断非常困难,尤其是在早期阶段,因为没有可以参考的生理指标。帕金森病患者早期未用药时脑功能障碍指标可为帕金森病的早期诊断和后期治疗提供有价值的依据。为了寻找帕金森病患者脑功能障碍的时空特征标识,采用静息状态脑电微状态分析方法,对23例无药帕金森病患者和23例健康对照者进行了亚秒时间尺度上的全脑瞬态分析。微状态分析结果显示,帕金森病患者存在着与健康对照组不同的独特的空间微状态,其他几种典型微状态与正常对照组相比有显著差异,这些差异体现在微状态参数上,如帕金森病患者的某类微状态持续时间更长,出现次数更多。相关分析表明,多种微状态参数与运动功能减退、认知功能减退等显著临床症状之间存在显著的相关性。这些结果表明,本研究发现了反映帕金森病早期大脑功能障碍的多个可量化的特征标签,这种微状态的时间动态与代表运动功能和认知水平的临床评分相关。

1、背景

帕金森病(PD)是一种大脑中产生多巴胺的部分神经细胞的退行性神经疾病,其特征是如静止性震颤、运动迟缓、僵硬和姿势不稳等运动症状。运动迟缓和静止性震颤(RT)是帕金森病最常见的两种表现。帕金森病患者除运动症状外,还可能出现抑郁、焦虑、睡眠障碍、认知障碍等非运动症状。因其病因复杂,临床症状多样,帕金森病的准确诊断总是很困难,尤其是在早期阶段。寻找有价值的早期帕金森病神经生理学鉴定是一个亟待解决的问题。

在帕金森病的病理过程中,大脑活动的动态变化起着重要的作用。EEG记录系统作为一种更便宜、更具移动性的医疗设备,已被广泛用于分析大脑活动的动态变化,并有望成为未来诊断早期帕金森病的常用工具。脑电微状态分析具有高时间分辨率和高重测可靠性,可以研究大脑活动的亚秒级动态变化。脑电微状态被定义为使用多通道EEG阵列的头皮电位拓扑的全局模式,所述多通道EEG阵列以有组织的方式随时间动态变化。一种给定的大脑电场结构在迅速转变为另一种不同的结构之前,往往会在亚秒级时间内保持准稳定状态,这些准稳态场结构的时期被称为微状态。许多相关研究表明,大脑活动的动态变化引起的特征以及大脑活动异常造成的障碍,是脑电微状态时间序列变化的驱动因素。

2、材料与方法

2.1 被试

患者23例(女性15例,年龄6074岁,平均67岁;男性8例,年龄6575岁,平均68岁)。首发症状为运动迟缓9例,静止性震颤14例。所有患者均为原发性帕金森病,病程3.2±2.5年,停药12h以上,在无药效作用(即无药)的情况下采集EEG数据。所有患者均无头部震颤。选择23例年龄匹配、性别匹配、无神经精神疾病史的健康受试者作为对照组(女性12例,年龄6070岁,平均65岁;男性11例,年龄6074岁,平均66岁)。表1描述了纳入患者的详细信息。

表1 本研究中包括的帕金森病患者和健康对照的描述。
在这里插入图片描述

2.2 采集协议

所有受试者舒适地躺在安静、半暗的房间里,闭着眼睛保持清醒。记录19个大脑部位的脑电活动。用四个EOG通道记录眼球运动(位于眼睛的下方、眶上和左侧的双眼)。所有通道的阻抗均保持在5kΩ以下。所有患者都接受了详细的行为和神经精神评估。本研究使用的评定量表是帕金森病统一评定量表(MDS-UPDRS)和蒙特利尔认知评估(MoCA)。当地伦理委员会批准了本研究。向所有受试者解释这些数据的目的和研究意义,并获得书面知情同意。

2.3 分析材料

根据图1所示的10-20系统放置19个Ag/AgCl头皮电极记录静止的EEG数据。UEA-BZ放大器放大和数字化脑电数据,脑电信号的采集处理由Study Roman软件完成,使用MATLAB软件中的EEGLab工具箱对EEG信号进行预处理,使用CARTOOL进行脑电微状态分析,使用MATLAB和SPSS 25.0软件进行统计分析。
在这里插入图片描述
图1 EEG电极位置。

2.4 EEG预处理

EEG数据的采样频率为500 Hz。用MATLAB软件对静息数据进行预处理。排除了由于伪影的存在而受到污染的数据,每个受试者总共3分钟的连续EEG记录被保留用于微状态分析。利用快速独立分量分析(ICA)算法对每个通道的连续脑电信号进行分析,然后用2~20 Hz带通有限脉冲响应(FIR)滤波器对每个脑电周期进行处理,以消除高频噪声的干扰。

2.5 脑电微状态分析

将预处理后的数据导入CARTOOL进行微状态分析,以检测脑电信号的微状态并计算其特征值。全局场强(GFP)是对头皮电位强度的测量,它基于每个采样点上所有电极之间的电位差,从而得出每个采样点的场强标量值。
在这里插入图片描述
由于脑电信号的信噪比在GFP峰值处最高,因此选取GFP峰值时间点各电极的瞬时电压幅值进行聚类分析。使用修正K-均值算法的聚类算法来计算EEG微状态。

图2显示了脑电微状态分析的过程。使用CARTOOL软件分三步进行微状态分析。在第一步中,计算全局场强时间序列(GFP,蓝线)作为每个给定时刻的脑电地形图的空间标准差。在局部GFP极大值(红点)处,EEG的空间构型被认为是稳定的,并解释了时间序列的大部分方差。第二步,对每个受试者的头皮图进行改进的k-均值聚类,最佳类别数量为四个。因此,将聚类数设置为2到6,并根据最大全局解释方差(GEV)选择最优的类集合,然后将两组(PD组和健康组)的原始瞬时图分别聚为四个微状态类。最后,将生成的类标组图作为模板,将每个受试者的原始连续脑电信号序列分配到四个微状态类别(图2中分别显示的每个组的A、B、C和D类)。
在这里插入图片描述
图2 微状态分析过程示意图。

用每个受试者的头皮瞬时地形图分析组间模板图的空间相关性。为了比较帕金森病患者和正常人脑电微状态的差异,计算了每个微状态类的微状态参数:

(a)平均微状态持续时间(MMD):微状态段的平均长度(在时间范围内);

(b)每秒出现次数(OPS):同一微状态类在所有分析时期中出现的频率;

©时间覆盖率(RTC):每个微状态类在所有分析时期的时间覆盖率。

2.6 统计分析

用Wilcoxon秩和检验PD组与对照组上述微状态参数的组间差异。在微状态类别与组之间存在显著差异的情况下,采用Wilcoxon秩和检验,随后进行配对比较(最小显著性差异法),进一步探讨组间的差异。为了测试各组之间微状态类的拓扑结构的差异,实施了地形方差分析(TANOVA)。

为了探讨PD患者临床量表与各微状态参数之间的相关性,采用广义线性模型(GLM)对多因素作用下的相关分析进行了研究。假设每个微状态类的每个微状态参数的实验数据可以由如下的GLM建模(k个观察值,包括病程、年龄、性别、初始症状和临床分级):
在这里插入图片描述
此外,在PD患者中测试了临床量表与每种微状态类别的微状态参数之间的Spearman相关性,以量化两者之间的线性关系。校正后的FDR(错误发现率)作用于P值以进行多次比较。

3、结果

3.1 微状态类空间地形

图3显示了PD组和对照组的微状态地形分类。为了探讨四种静息微状态的地形图在这两个因素上是否存在差异,对两组的每一种微状态类进行了地形方差分析(TANOVA)。静息微状态类D地形图有显著变化(p<0.01),其余3个微状态类无明显差异(p>0.05)。
在这里插入图片描述
图3 帕金森病患者和健康对照组的微状态类。

3.2微状态时间特性

与对照组相比,PD组没有与对照组匹配的规范微状态类D。在聚类分析中,选择与对照组匹配的模板微状态D作为映射模板来拟合PD患者的头皮EEG,得到的GEV值很小,小于1%(表明这种类型的地形图几乎不存在)。类似地,PD组的模板微状态D在对照组中也很少发现。因此,微状态D的异常可作为无药帕金森病患者运动功能障碍(运动迟缓或震颤)的状态标识。

表2和图4显示了四个微状态类的RTC、OPS和MMD的组间差异。

如图4所示,Wilcoxon秩和检验显示PD组微状态A和B的平均MMD、OPS和RTC均高于健康对照组,而PD组微状态C和D的这些特征参数低于健康对照组。
在这里插入图片描述
图4 微状态特征统计。

通过比较PD组和HC组的RTC、OPS和MMD的差异,可以发现PD组和HC组的RTC、OPS和MMD有显著性差异。Wilcoxon秩和检验显示PD患者微状态B的RTC显著高于健康对照组,而微状态C的RTC显著低于健康对照组(p<0.01)(图4A,表2)。根据秩和检验,与健康对照组相比,PD患者微状态A的OPS显著增加,而微状态C的OPS显著降低(p<0.01)(图4B,表2)。Wilcoxon秩和检验显示PD患者微状态A的MMD显著延长(p<0.01)(图4C,表2)。这些微状态参数的显著变化可以作为帕金森病进一步实现辅助诊断和个性化治疗的特征标签。

表2 微状态特征参数和组间差异比较。
在这里插入图片描述

3.3 临床相关性

3.3.1 微状态参数与综合因素的相关性

如图5和表3所示,结果显示PD患者的临床客观属性(包括病程、年龄、性别和首发症状(震颤或运动迟缓))与微状态参数(如MMD或OPS)无显著相关性(P≥0.05),健康对照组的微状态参数与年龄、性别或MoCA无显著相关(P≥0.05),而临床量表评分与微状态参数呈显著相关(P<0.05)。
在这里插入图片描述
图5 PD组和对照组微状态参数与各影响因素相关性的显著性检验。

显然,PD患者的临床客观属性并不影响PD患者微状态A的OPS与MDS-UPDRS第三部分的负相关,也不影响PD患者微状态C的OPS与MoCA的正相关,也不影响PD患者微状态B的MMD和多种影响因素作用下的MoCA的负相关。

表3 用GLM计算各微状态类的微状态参数与临床特征之间的临床相关性。
在这里插入图片描述
如表4所示,PD患者微状态A的OPS与MDS-UPDRS的第三部分呈显著负相关,微状态C的OPS与MoCA呈显著正相关。此外,PD患者微状态B的MMD与MoCA呈显著负相关。

表4 用GLM回归计算各微状态类的微状态参数与临床评分之间的临床相关性。
在这里插入图片描述
3.3.2 微状态参数与临床评分的相关性研究

图6显示了由MDS-UPDRS的第三部分与经FDR校正P值的PD患者每个微状态类的所有微状态特征参数之间的Spearman相关性分析结果。PD患者微状态A的OPS与MDS-UPDR的第三部分呈负相关。而PD组其他特征参数与MDS-UPDRS第三部分评分无显著相关性(P>0.05)。MDS-UPDRS的第三部分得分越低,运动功能越正常。也就是说,在一定的允许范围内,PD患者的运动能力越正常,微状态A的OPS越大。但可以看出,帕金森病组的微状态A的OPS和MMD明显高于对照组(如图4所示)。
在这里插入图片描述
图6 临床MDS-UPDRS的第三部分的相关性。

因此,进一步探讨了所有微状态参数与PD患者微状态A的运动功能之间的关系,图7为示意图。随着运动功能的逐渐恶化,微状态A的RTC基本不变。可以得出结论:帕金森病运动功能的恶化与微状态A有关,A类的所有微状态参数都将显著增加。此外,随着运动功能的恶化,微状态A的OPS会逐渐减少,但仍高于正常水平,而微状态A的MMD也会相应增加。
在这里插入图片描述

图7 PD患者微状态A的微状态参数与运动功能的关系。

图8显示了在MoCA和经过FDR校正P值的PD患者的不同微状态类的特征参数之间的Spearman相关性分析的结果。微状态C的OPS(正相关)和微状态B的MMD(负相关)均与MoCA显著相关,其余各项参数无显著性差异(P>0.05)。当PD患者的认知能力下降(MoCA评分较低)时,微状态C的OPS减少,微状态B的MMD增加。这一变化规律与图4所示结果相吻合,可以看出,PD组这两个特征参数的值越接近对照组,说明PD患者的认知能力越接近正常水平。
在这里插入图片描述
图8

4、讨论

本研究采用脑电微状态分析方法,与年龄匹配和性别匹配的健康对照组比较,研究了伴有震颤和运动迟缓的PD患者的脑功能状态动态变化,以确定脑拓扑结构和亚秒级脑活动的时间特征。此外,还探讨了每个脑电微状态类的微状态参数与临床评分之间的关系。

4.1 微状态空间地形

值得注意的是,PD组微状态D的空间地形图存在差异,而其他3个微状态的空间地形图无差异。PD组几乎没有与对照组微状态D相匹配的地形图。因此,典型微状态D的缺失可作为帕金森病的早期辅助诊断指标之一。在本研究中,PD患者的微状态D显示背侧前扣带回有很强的激活,延伸到额上回,可以假设PD组的微状态D是多巴胺能缺陷引起的一种特征状态。

4.2 微状态时间特性

4.2.1 微状态时间参数与运动功能的相关性

从最近的研究结果来看,帕金森病患者由于多巴胺能缺陷而出现听觉改变的概率更高。微状态A是涉及听觉加工网络的区域,这些临床特征正好证实了本研究微状态A的出现显著增加。据报道,PD患者的A级微状态MMD更长。这些现象与本研究中PD组中微状态A的时间特性相一致,因此可以假设微状态A的时间异常可以作为PD的预测因子。PD组微状态A的OPS与MDS-UPDRS第三部分评分呈负相关,表明微状态A的OPS相对增加时,PD患者的运动功能趋于正常。

4.2.2 微状态时间参数与认知水平的相关性

随着认知水平的提高,微状态B的MMD逐渐减少到正常水平。另一方面,在PD患者中,微状态B的RTC也显著增加。可以假设,微状态B的RTC增加是受PD患者多巴胺缺乏和认知疲劳的综合影响。本研究还显示PD患者的微状态C的RTC和OPS低于对照组。此外,MoCA评分与OPS呈正相关,说明微状态C 的OPS可以反映PD患者的认知水平。此外,与正常对照组相比,患者的微状态C的MMD缩短。该结果表明微状态C可以反映PD患者的认知水平。本研究结果还表明,多个静息状态网络参与了PD患者微状态C电场的构型,这可能反映了静息状态下脑动力学的异常。

5、结论

本研究采用微状态分析方法,对无药帕金森病患者早期脑功能障碍的时空特征标识进行了评价,揭示了PD患者脑动力学改变与运动功能障碍、认知障碍等临床症状的关系。结果显示,早期PD患者脑内具有不同于正常人的独特空间微状态,这可能与PD患者的脑功能障碍有关。另外,早期PD患者的颞叶微状态特征的规律性变化也可能使无药患者出现脑动力学异常。有趣的是,这种微状态下的时间动力学与受试者的运动功能和认知相关。所得结果可能加深对PD所致脑功能障碍的认识,并获得一些可量化的信号,为PD的早期诊断提供辅助参考。此外,本研究还将为今后PD的发病机制以及运动性和非运动性症状的病理研究提供参考。

参考文献:Spatiotemporal EEG microstate analysis in drug-free patients with Parkinson’s disease

注:由于个人水平有限,总结的不全面或者不对的地方敬请批评指正,交流请加赵老师微信(15560177218);原创不易,请各位朋友多多转发支持。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/羊村懒王/article/detail/128989
推荐阅读
相关标签
  

闽ICP备14008679号