最近的研究強調了與健康老化有關的大規模大腦網絡的變化，其最終目的是幫助區分正常的神經認知老化和同樣隨著年齡增長而產生的神經退行性疾病。功能性磁共振成像（fMRI）的新證據表明，特定大腦網絡的連接模式，特別是默認模式網絡（DMN），將阿爾茨海默病患者與健康人區分開來。此外，支持高水平認知的大規模大腦系統的破壞性改變被證明伴隨著行為層面的認知下降，這在老齡人口中是普遍觀察到的，即使他們沒有疾病。雖然fMRI對於評估大腦網絡的功能變化很有用，但它的高成本和有限的可及性使那些需要大量人口的研究望而卻步。在這項研究中，作者使用高密度腦電圖和電生理源成像研究了人類大腦大規模網絡的老化效應，這是一種成本較低且更容易獲得的fMRI替代方法。特別的，這項研究考察了一組健康受試者，其年齡範圍從中年到老年，這在文獻中是一個研究不足的範圍。採用高分辨率的計算模型，這項研究結果揭示了DMN連接模式中的年齡關聯，與之前的fMRI發現一致。特別是結合標準的認知測試，這項研究的數據顯示，在DMN的後扣帶/楔前區，較高的大腦連接與較低的偶發記憶任務表現有關。這些發現證明了使用電生理成像來描述大規模大腦網絡的可行性，並表明網絡連接的變化與正常老化有關。
1. 簡介默認模式網絡（DMN）由幾個區域組成並且與各種認知功能有關，包括後扣帶皮層與表象記憶編碼有關，內側前額葉皮層與社會認知有關，內側顳葉據說有助於發作性記憶和發作性未來思維，頂葉皮層與注意力功能有關。值得注意的是，阿爾茨海默病病理之一的澱粉樣β斑塊最初沉積在DMN亞群，如後扣帶皮層和海馬體。此外，支持高水平認知的大規模大腦網絡的破壞性改變被證明伴隨著行為水平的認知下降，即使在沒有疾病的情況下也普遍觀察到衰老。
儘管DMN的功能連接被認為是疾病診斷和風險的生物標誌物，但在磁共振成像的使用方面存在基本的限制。相比之下，腦電圖（EEG）以數百赫茲的頻率測量神經元活動，這比fMRI的時間分辨率高得多。作者和其他小組的最新研究表明，腦電信號的網絡級分析顯示了大規模大腦網絡的功能連接，包括默認模式網絡。作者之前的工作已經開發了一種方法，通過結合高分辨率皮質模型、電生理源成像和分析時間上獨立的EEG微態來重建靜息態大腦網絡。這樣的EEG衍生的DMN已經通過人類參與者的同步EEG和fMRI靜息態網絡得到了驗證。此外，從腦電圖重建的大規模網絡已被證明可以檢測到由腦刺激干預引起的疾病修飾性連接變化。因為腦電圖直接對神經電活動進行採樣，從腦電圖得出的連接性不會受到血管耦合的影響。因此，使用EEG技術，可以將fMRI得出的網絡連接的神經貢獻與血管貢獻分開劃定。
此外，與fMRI相比，EEG提供了經濟效益、廣泛的可及性和兼容性等補充特點。因此，此研究旨在檢查正常老齡化成人中與年齡相關的DMN改變，以實現建立一個有效和經濟的生物標誌物來授權預防研究的長期目標。作者測試了基於高密度腦電圖數據重建電生理默認模式網絡的可行性，這些數據是從參與者在睜眼靜息態記錄的。接下來，將來自 DMN 後扣帶/楔前葉區域的連接性與標準認知電池評估的記憶性能進行了比較。作者測試了創建一個基於大腦連接的神經影像學算法的可行性，以評估正常老化過程中病理性認知衰退的風險，這可能為在早期階段檢測認知損傷的客觀、低成本和可獲得的技術鋪平道路。
2. 方法和材料2.1 參與者共有190名受試者通過電話進行了初步篩選，32人接受了臨床篩選。在符合標準的30名受試者中，所有受試者都被招募並完成了研究程序，包括一系列的認知測試和腦電圖記錄。由於神經影像數據質量不佳，一名受試者的數據被刪除，導致最終樣本量為29名受試者。所得小組包括15名中年人（9名女性/6名男性，33.5±4.9歲，範圍28-46歲）和14名老年人（12名女性/2名男性，55.3±4.8歲，範圍48-62歲）。
2.2 實驗範式所有受試者都完成了標準化的臨床神經認知測試，其中包括韋氏記憶量表
的即時記憶和延遲記憶兩個分量、符號-數字模式測試、北美閱讀測試、Stroop顏色-文字測試、時鐘-繪圖測試（CLOX 1），以及自由和提示選擇性記憶測試。在認知測試中，受試者在安靜、光線充足的實驗室中靜坐在躺椅上，躺椅被置於直立位置。錄音機放在受試者面前30釐米處，並打開，以記錄受試者的所有答案，以便將來評分。實驗人員坐在受試者旁邊，指導他們完成記憶任務和回憶環節。實驗人員根據標準方案對測試電池進行管理，以確保測試管理和評分的一致性和準確性。作者採用了韋氏記憶量表第四版中的邏輯記憶II的即時記憶分數作為評估外顯記憶表現的主要分數，該分數已被證實可以檢測前驅痴呆症的衰退，並檢測臨床前階段的早期衰退。
2.3 靜態腦電圖數據採集
在完成認知測試電池後，為每個參與者準備了一個基於國際10-5系統的64通道全腦電圖帽。在所有的電極上添加導電凝膠，在整個記錄過程中，阻抗保持在20 kΩ以下。為了確保安全，將腦電帽的前緣綁在額頭上，並兩次測量腦電帽邊緣與每個受試者的眉毛之間的距離，以驗證記錄開始和結束時的腦電帽位置。
囑咐受試者保持靜止，並允許其在45分鐘的靜息態記錄中入睡，同時受試者仰臥在帶有頸部支撐枕頭的可調式躺椅上。在靜息態記錄開始前，進行阻抗檢查，以確保所有電極的阻抗低於20 kΩ，或在需要時重新塗抹導電凝膠。記錄以生物校準開始和結束，用於識別腦電圖記錄中的偽影。生物校準過程是按照標準順序進行的，即指示受試者（1）睜開和閉上眼睛，（2）眨眼，（3）進行側眼運動，（4）深呼吸，（5）咬緊牙齒，以及（6）說話。
腦電圖數據是用一個64通道的ActiCHamp記錄系統（Brain Products, Munich, Germany）記錄的，該系統由兩個32通道的放大器組成，由一個可充電電池單元供電。所有的腦電圖數據集都以500Hz的採樣率進行數字化，帶通濾波為0.1Hz-250Hz。在原始腦電圖上標記了休息時間的開始和偏移。
2.4 腦電圖數據處理
2.4.1 選擇用於連接性分析的腦電圖記錄
由認證專家對45分鐘的記錄進行審查，並採用美國睡眠醫學會（AASM）的標準評分標準對睡眠階段進行人工評分。簡而言之，EEG數據首先被分割成30秒長度的歷時。根據信號的頻率和振幅，每個片段被分配為清醒、非快速眼動睡眠（第一階段NREM，第二階段NREM）、慢波睡眠（第三階段NREM，第四階段NREM），或快速眼動睡眠（REM）。只有一名參與者在整個45分鐘內保持清醒。在其餘28名受試者中，都有清醒期與睡眠狀態穿插進行。為了區分覺醒和睡眠，作者只選擇了在任何睡眠開始之前的覺醒段（不管在其餘的編碼中睡眠狀態發生在什麼地方和有多少次）。作者使用每個人的多個覺醒片段作為測試和再測試數據，以驗證腦電圖衍生網絡的可靠性。睡眠數據的獲取是為了一個單獨的目的，因此在目前的研究中沒有進行分析。
2.4.2 預處理
圖2說明了這項研究的分析步驟。預處理是通過BrainVision Analyzer 2.0（Brain Products, Munich, Germany）和MATLAB 2015a（Mathworks Inc., Natick, Massachusetts, United States）進行的。根據阻抗檢查和目視檢查，去除不良通道和片段。根據睡眠分期，作者在每個受試者的任何睡眠開始前截斷了3分鐘的清醒狀態記錄，因為默認模式網絡已被證明至少在2-3分鐘內達到穩定模式。五個受試者在不到3分鐘的時間裡睡著了，所有睡眠開始前的記錄都被保留下來。所有受試者的記錄長度從35秒到180秒不等（平均±標準差=169.1±30.5秒）。接下來，腦電圖數據被重新引用到共同平均參考值。每個通道的連續腦電圖數據在0.1Hz到70Hz之間進行帶通濾波，在60Hz處有一個額外的陷波濾波器以消除電力線噪音。最後，應用獨立成分分析（ICA）來消除生理偽影，包括垂直和水平的眼球偽影和肌肉活動。通過與生物校準記錄進行比較，進一步驗證了這些偽影的來源。
2.4.3 電生理源成像
預處理後的EEG數據使用高分辨率的皮質電流源模型進行電生理源的重建。在MNI305空間的模板腦模型被用作所有受試者的共同腦模型。使用Freesurfer套件（https://surfer.nmr.mgh.harvard.edu/）對結構性核磁共振成像進行了全面的分割和表面重建，形成了高清晰度的皮質層和大腦、顱骨和頭皮的邊界表面。這些表面隨後被用來構建一個三室的邊界元素法（BEM）模型。電導率值被分配給每個區間。64通道蒙太奇中電極位置的標準輪廓被數字化，並與模板大腦上的基準點共同註冊。高密度的皮質層網格被下采樣為每半球10240個頂點，並作為源空間。每個頂點對應於一個垂直於表面的偶極子源。然後，通過使用皮質源空間和3層BEM模型的正向計算，計算出一個鉛場矩陣。源成像的計算返回了Nsource×Nsample的源矩陣，其中Nsource是偶極子源點的數量，Nsample是時域的數據點數量。最小規範法被用來解決反問題。
2.4.4 電生理靜息態網絡和連接性
基於重建的源圖像，使用Yuan等人建立的方法得出電生理靜息態網絡。考慮到參加研究的參與者橫跨中年（28-46歲）和老年（48-63歲），每個人的電生理網絡都是在群體級分析之前得出的，類似於Greicius等人的方法。具體來說，每個人在下采樣的EEG微態的源圖像在時間上被連接起來。之後，利用ICA將每個受試者的源級數據的絕對值分解為25個獨立成分（IC），每個IC代表相應受試者的一個獨特的腦網絡。選擇25個IC的數量是因為它被證明可以合理地代表腦電圖中的靜息態網絡，這些網絡在同時進行的fMRI中也是跨模式驗證的。腦網絡的時間過程由ICs反推，得出Nsample×NIC的活動矩陣，其中Nsample是時間上的數據點數量，NIC是源級ICs的數量。在計算了源矩陣和活動矩陣後，作者進一步計算了源矩陣和活動矩陣之間的皮爾遜相關係數，得出的矩陣為Nsource×NIC。腦網絡的連接值被定義為Z轉換的相關係數矩陣。
圖2 數據處理示意圖
對於所有25個IC，作者在一個標準的大腦模型上描繪了源點。假設每個源級IC代表一個腦網絡，作者通過搜索與預先定義的DMN模板最匹配的IC來關注DMN。具體來說，根據腦電圖派生網絡的無閾值連接值和從另一組健康受試者的fMRI數據派生的模板DMN的無閾值連接值之間計算的空間相關性來選擇匹配的網絡。為每個受試者選擇一個空間相關係數最高的最佳匹配IC，作者將其稱為從EEG得出的個體水平的DMN。對於群體水平的分析，在平均化之前對個體得出的網絡進行平滑，以減輕個體之間的解剖差異。在FreeSurfer軟件中採用全寬半最大值為9mm的高斯濾波器對與DMN匹配的網絡連接值進行平滑處理。然後，用單樣本t檢驗來確定DMN在群體水平上的意義。採用Bonferroni校正來控制多重比較問題。
2.4.5 腦電網絡連接、記憶和年齡之間的關係
為了評估網絡連接和記憶功能之間的聯繫，採用了興趣區（ROI）分析。簡而言之，通過對所有受試者的每一個偶極子源點進行單樣本、雙側t檢驗，得到群體水平的EEG DMN。此外，腦電網絡圖通過應用Bonferroni校正進行校正。然後，通過與基於1000名受試者的fMRI數據的成熟的Yeo模板相交，進一步包含所產生的EEG DMN的ROI，供以後分析。
然後，將ROI內平均的EEG網絡連接性與所有受試者的相應記憶得分進行比較。計算了連接值和記憶分數之間的部分相關係數。此外，網絡連接性與參與者的年齡進行了比較。計算了DMN ROI的平均連接值與年齡之間的皮爾遜相關係數。
作為對照分析，作者根據重建的EEG源圖像調查了視覺網絡，因為在fMRI研究中，視覺網絡的功能連接已被證明在衰老中得到保留。在類似的DMN分析策略中，作者首先根據視覺網絡的fMRI模板來確定EEG視覺網絡。選擇與模板空間相關性最高的個體EEG網絡。在q<0.05（單樣本，雙側t檢驗，Bonferroni校正）的情況下，平均個人地圖的EEG視覺網絡是閾值，從而形成EEG視覺網絡的ROI。然後，提取個人在ROI內的EEG網絡連接，取其平均值，並與所有受試者的記憶分數和年齡進行比較。
3. 結果表1總結了人口統計學特徵和認知電池的表現。受試者被分成兩個不重疊的組，即中年組（範圍從28到46歲）和老年組（範圍從48到63歲）；但兩個年齡組的認知表現並無差異。作為主要記憶功能表現的WMS邏輯記憶得分在中年組和老年組之間沒有明顯差異，儘管老年組的記憶表現略低（t（27）=1.88，p = 0.07）。補充圖1顯示了中年和老年受試者的WMS邏輯記憶得分與個人年齡的關係。這兩個年齡組在記憶分數的範圍上有重疊，但在與年齡有關的記憶變化方面有明顯的趨勢。同時，FCSRT得分作為即時回憶的比率在兩個年齡組之間沒有差異（t（27）=1.12，p=0.27），而FCSR得分與WMS邏輯記憶得分高度相似（相關係數=0.42，p=0.02）。此外，其他認知得分在各年齡組之間沒有差異，列於表1。作為評估工作記憶的數字符號模式測試在兩組之間只有微小的差異（t（27）=1.81，p=0.08）。
表1. 參與者的人口統計學和性能變量參與者人口統計的平均值和標準誤差（括號內）；MMSE：小型精神狀態檢查；WMS：韋氏記憶量表；FCSRT：免費和提示選擇性提醒測試；CLOX1：執行時鐘繪製任務。使用卡方檢驗分析性別差異
顯示中老年組之間存在顯著性差異，p < 0.05。
中老年人組差異顯著，p < 0.05；其餘變量使用非配對t檢驗進行分析。
所有受試者獲得的電生理DMN顯示在圖3中。圖3B描述了平均和無閾值的腦連接圖。經過閾值化和多重比較校正（圖3C），EEG DMN確定了後扣帶/楔前區和下頂葉，它們是DMN關鍵區域的一部分。值得注意的是，EEG DMN的後部區域呈現出比前部區域更強的連接。此外，EEG DMN的無閾值地圖顯示，連接模式延伸到內側前額葉皮層的區域，但沒有達到群體水平的意義（圖3B）。如補充圖2所示，EEG DMN的地圖在測試和再測試數據之間是一致的。測試和複測數據的無閾值地圖產生的空間相關係數為0.84。來自ROI的連接值在測試和再測試數據之間也是一致的（r = 0.62，p < 0.001，補充圖2C）。此外，補充圖3顯示了老年人亞組和中年人亞組分別重建的DMN的一致性圖，其空間相關係數為0.66。然而，通過非配對t檢驗和多重比較校正對兩個年齡組之間的連接模式進行比較，沒有發現任何具有顯著差異的區域。
圖3. 從電生理源圖像中獲得的缺省模式網絡的組級平均值。(A)顯示來自Yeo等人，2011年的DMN模板解析。(B)和(C)顯示所有受試者在(B)無閾值和(C)有閾值的情況下，通過單樣雙側t檢驗，修正後的多重比較，平均的EEG DMN連接圖。由於兩個年齡組的認知表現和電生理學上的DMN都沒有明顯的差異，作者後來的分析在尋求DMN連接、年齡和記憶表現之間的關係時，將這兩個組合併為一組。圖4顯示了ROI分析，比較了個人的大腦連接值和他們的記憶表現。圖4的插入圖說明了由群體級EEG DMN和Yeo模板的聯合分析所確定的ROI，即圖3A和C的聯合。ROI主要包括後扣帶區，同時部分延伸到楔前區。從ROI中提取連接值後，發現在所有個體中，ROI的平均連接值與WMSI分數之間存在明顯的負相關（r = -0.47，p = 0.01）。這一發現表明，有較好的外顯性即時記憶回憶得分的受試者與DMN後部區域的連接性較低有關。此外，考慮到年齡也可能促成這種關聯，作者採用了部分相關分析。在控制了年齡因素後，結果仍顯示記憶和網絡連接性之間有明顯的相關性（r = -0.42，p = 0.02）。
圖4. 腦功能連接與所有受試者的記憶表現相關。插頁顯示了從EEG DMN分析中定義的ROI區域。腦連接值的計算方法是個人的源時程和IC時程之間的Z轉換相關係數，在ROI內平均。每個點代表一個人的腦連接，以及相應的韋氏記憶量表即時回憶（WMSI）得分。紅點表示中年受試者，藍點表示老年人。黑色趨勢線代表所有集合受試者中這兩個變量之間的線性關係（r = -0.47，p = 0.01）。
此外，考慮到老年人比中年受試者具有獨特的年齡-記憶關係（如補充圖1），作者的分析只探討了老年人子集的記憶-連接性關係，如補充圖4所示。有趣的是，與中年受試者相比，老年人顯示出一致的記憶連接性趨勢，儘管有獨特的年齡-記憶關係。在老年人的子組中發現了類似的和稍強的負相關（r = -0.74，p = 0.003），表明在老年人的子組中（從48歲到63歲），更好的記憶表現與後部DMN的ROI中較低的連接有關。
此外，作者評估了大腦連接性和年齡之間的關係（如圖5所示）。有趣的是，老年受試者傾向於在DMN後部的ROI中表現出更大的連接性。只有在老年人亞組中，作者發現年齡和DMN後部的ROI中的網絡連接有明顯的相關性（r=0.55，p=0.04，見圖5）。然而，這種關聯在所有受試者（年齡從28歲到63歲，r=0.22，p>0.1）中並不顯著，或者僅在中年人子組中不顯著（r=-0.04，p>0.1）。
圖5. 腦功能連接與老年人的年齡相關。插頁顯示了從EEG DMN分析中定義的ROI區域。腦連通性的值是以個人的源矩陣和活動矩陣之間的z轉換相關係數計算的，是ROI的平均值。每個黑點代表一個人的腦連接，以及相應的年齡。橙色趨勢線代表這兩個變量之間的線性關係（r = 0.55, p = 0.04）。
作為對照，作者對EEG視覺網絡進行了分析。按照與DMN類似的策略，作者通過與fMRI視覺網絡的模板進行比較來確定EEG視覺網絡。作者提取了ROI的連接值（通過q < 0.05的閾值），並與記憶表現進行了比較。視覺網絡的連接性和WMSI分數之間沒有發現明顯的線性關係（r = 0.16, p > 0.1）。視覺網絡的連接性與年齡也沒有關聯（r = -0.24，p > 0.1）。在所有的亞組中，視覺連接性與WMSI或年齡之間沒有任何明顯的相關性（所有的p>0.1）。
4. 討論這項研究利用腦電圖研究了中老年正常健康受試者的靜息態大腦網絡功能連接與記憶表現之間的關係。這項研究結果表明，默認模式網絡（DMN）可以從靜息態EEG得到的皮質源圖像中重建，包括楔前區、後扣帶皮層和下頂葉的區域。此外，作者發現在DMN後部的ROI內的網絡連接值與從中年到老年的健康人的外顯記憶表現呈負相關。同時，在老年人亞組中，個人的年齡與DMN後部同一區域的連接呈正相關。這項研究的結果加強了作者對DMN中與年齡增長有關的腦連接的認識。更重要的是，通過這種新的基於腦電圖的神經影像技術評估的腦連接是可行的，可以與大量的臨床電池聯繫起來，作為正常老化的基準。這有可能作為神經退行性疾病的早期生物標誌物。
這項研究提供了第一個關於衰老對大規模大腦網絡--默認模式網絡影響的電生理局部證據。這項研究的結果（見圖5）顯示了後扣帶皮層與年齡相關的增加，這支持了先前研究中確定的年齡範圍重疊的後部DMN的正相關。此外，在我們的結果中顯示的與年齡相關的增加區域包括額外的前體區域，該區域延伸到楔形邊緣。除了與年齡有關，這項研究再次強調了PCC作為DMN的一部分在未來衰老研究中的重要性，以便建立一個跨越正常衰老、臨床前和臨床階段的完整軌跡。
綜上所述，作者使用靜息態腦電圖記錄來描述正常老化過程中的功能連接改變。這項研究結果表明，在源水平上重建的EEG數據能夠可靠地捕獲默認模式網絡的一部分神經連接。更重要的是，重建的皮質水平連接與臨床認知電池評估的年齡和記憶表現相關。結果表明，腦電圖衍生的網絡成像可用於監測網絡水平的功能連接和檢測正常老化過程中健康成年人的認知功能改變。這一試驗性證據進一步表明，基於腦電圖網絡的神經影像學可用於研究衰老和阿爾茨海默病相關的痴呆症。
參考文獻：Electrophysiological resting state brain network and episodic memory in healthy aging adults