年轻人和老年人静息态脑电图的重测信度

最新推荐文章于 2024-10-08 09:47:24 发布

思影科技

最新推荐文章于 2024-10-08 09:47:24 发布

阅读量483

点赞数

文章标签：数据挖掘机器学习大数据

静息态脑电图(EEG)的量化涉及多种测量指标。这些包括不同频率的功率估计、微状态分析以及频率分辨的源功率和连接性分析。静息态EEG指标被广泛用于描述认知的表现和识别与年龄相关的认知衰退的心理生理学指标。所使用指标的可靠性是建立稳健的脑-行为关系和具有临床相关性的认知衰退指标的先决条件。然而,迄今为止,缺乏在同一个具有足够统计效力的数据集中,比较年轻和老年参与者之间不同静息态测量指标的重测信度检验。本预注册报告在95名年轻(年龄范围:20-35岁)和93名老年(年龄范围:60-80岁)参与者的样本中检验了重测信度。结果证实,两个年龄组在头皮和源空间水平的功率估计以及个体阿尔法峰值功率和频率方面都具有良好到优秀的重测信度。对于微状态测量和连接性具有良好到优秀可靠性的假设得到了部分证实。两个年龄组之间在头皮水平功率估计的可靠性相当,在源水平功率和连接性方面部分相当。总的来说,九个假设中有五个得到了实证支持,证实了最常报告的静息态EEG指标具有良好到优秀的可靠性。本文发表在Psychophysiology杂志。

1 引言

自发性非侵入性电神经活动记录反映了大规模脑网络的动态(Biswal等,1995; Buzsaki & Draguhn, 2004)。觉醒静息状态下的脑活动波动被认为是一种组织脑功能并支持认知任务/激活的功能架构(Cole等,2016; Raichle, 2015)。正常和异常认知的静息态神经电指标不仅在推进对脑功能的基本理解方面提供了巨大希望,而且在实现有效和个性化的从实验室到临床的转化方面也很有前景(Insel, 2014; Olbrich等, 2015)。随着个人和社会对年龄相关认知衰退影响的认识日益清晰,对神经认知生命周期轨迹的量化和检验变得越来越重要。各种基于头皮和源的指标已应用于静息态EEG数据,突出了静息EEG作为评估和分类与年龄相关的神经认知功能差异的有前景且可靠工具的多功能性(Vecchio等, 2013; Vlahou等, 2014)。然而,未来纵向研究的准确估计、识别认知衰退和神经和精神障碍的有前景的生物标志物都依赖于所使用指标的可靠性(Matheson, 2019)。本研究的主要动机是确定最常用的EEG静息态指标在同一个体内的可靠性,并检验这些EEG指标的可靠性是否存在潜在的年龄效应。

静息态EEG记录的可靠性估计伴随着认知神经科学中各种分析策略及其持续发展。可以在频域分析和时域分析之间做出一般区分。前者通常涉及将记录的时间序列转换为一系列频率特定的周期成分。其中的基本原理是量化和描述大脑的振荡活动。绝大多数先前的静息态EEG研究分析了单个电极或电极簇在1-100 Hz范围内固定频带的功率谱密度(Niedermeyer & Lopes da Silva, 2011)。在这些固定频带中,阿尔法频带(7-13 Hz)在后中央头皮区域显示出显著的峰值(Adrian & Matthews, 1934; Compston, 2010)。已经证明,阿尔法频带内功率最大的峰值阿尔法频率和峰值振幅显示出高度的个体内稳定性(Grandy等, 2013)。横断面研究发现,峰值阿尔法频率从儿童期到青春期增加(Cragg等, 2011; Miskovic等, 2015; Somsen等, 1997),在早期成年期基本保持稳定,并倾向于从中年到晚年下降。频域指标的特征是在相隔几天或几周的同一个体中评估时具有良好到优秀的重测信度(Napflin等, 2007; Salinsky等, 1991)。然而,个体阿尔法峰值频率(IAPF)的一致性及其对频域可靠性估计的影响尚未被考虑。感兴趣的频率是根据预定义的(即经典的)频带确定的。然而,这种固定频带的平均值并不能充分反映个体的自然频率(例如IAPF)。在典型研究中,脑回路内的连接性是根据特定频率范围内(例如阿尔法8-12 Hz)的相位估计为每个个体计算的。也就是说,假设每个参与者的体素之间的相位关系在相同的频率下。然而,平均峰值频率可能会损害连接性估计的可靠性,因为它引入了对某些参与者的偏差(Haegens等, 2014)。此外,最近的研究强调在检查持续阿尔法振荡的峰值和频率的年龄相关变化时考虑IAPF（个体阿尔法峰值频率）的必要性(Donoghue等, 2020; Tröndle等, 2021)。为了填补这一空白,本报告将检验相对于个体阿尔法峰值频率定义的功率谱密度的可靠性(参见方法部分)。

另一条研究线路在时域中使用静息态EEG来评估脑活动的时空动态。这种多通道方法的一个例子是微状态分析,它利用了头皮电位配置在一定时间内保持半稳定,然后迅速改变为不同的拓扑结构并重新获得稳定性的观察(Michel & Koenig, 2018)。对于大多数参与者,在静息态EEG中已经识别出四种规范原型状态(Koenig等, 2002; Michel & Koenig, 2018)。不同EEG微状态的相对持续时间、出现频率和振幅(即全局场功率)的分析显示了健康和疾病状态之间的系统性差异(da Cruz等, 2020; de Bock等, 2020; Dierks等, 1997; Jia & Yu, 2019; Koenig等, 2020; Musaeus等, 2020),因此可能提供关于脑功能和认知状态的见解(Michel & Koenig, 2018; Zappasodi等, 2019)。Khanna等人(2014)报告了10名受试者在间隔约两天进行三次记录会话的EEG微状态测量的高重测信度(Cronbach's alpha为0.7-0.9)(Khanna等, 2014)。与这一观察一致,最近的一项研究在57名健康年轻参与者的样本中证明了EEG微状态指标的可靠性(Liu等, 2020)。然而,稳健的可靠性估计和科学结果的可重复性通常受益于更长时间的记录,因为这可以增加噪声减少和个体信息的保留(Gudmundsson等, 2007; Shah等, 2016; Van Dijk等, 2010)。

虽然这些方法在头皮或电极水平评估了频域和时域分析,但最近的工作旨在量化这些指标并在基础神经元发生器水平(即源水平)计算功能连接性。源重建方法使用描述从给定发生器到头皮电极的前向投影的大脑模型,将头皮水平数据反向投影。源基础静息态EEG指标可靠性的测量通常涉及诸如体素和脑区等节点之间相互作用的估计。一些研究表明,相位依赖的连接性测量的可靠性表现出低于基于功率的连接性估计的可靠性(Cannon等, 2012; Colclough等, 2016; Hardmeier等, 2014; Holler等, 2017)。此外,通过图论网络分析评估的静息功能性脑连接的可靠性被观察到具有良好到高度的可靠性(Deuker等, 2009; van der Velde等, 2019; Vecchio等, 2020)。因此,要成为阐明年龄对脑连接性影响的可靠标记,需要包括不同年龄组的重测信度估计。

静息态EEG是一种有前景的候选工具,可靠地评估神经认知功能的年龄相关差异(例如,Vlahou等, 2014),并对健康老年人、轻度认知障碍和阿尔茨海默病受试者进行分类(综述见(Vecchio等, 2013))。早期工作突出了阿尔法频带与德尔塔、θ和β活动相比具有最高的可靠性(Gasser等, 1985; Salinsky等, 1991)。然而,可靠性测量通常是从小样本获得的,没有在相同的研究方案和数据集中比较不同的静息态指标,测试-重测记录之间的时间间隔不同,并使用不同的EEG系统和预处理。因此,仍然不清楚个别研究的观察在多大程度上受到样本量和实验设计及分析参数选择的影响。此外,关于电磁信号静息态可靠性估计的大多数现有文献通常只检查亚群体,如健康年轻成年人(Hatz等, 2015; Kuntzelman & Miskovic, 2017; McEvoy等, 2000; Pathania等, 2021)。因此,年龄对可靠性测量的影响在很大程度上是未知的。

本报告旨在通过评估包括年轻和老年个体的数据集中主要静息态EEG指标的可靠性来推进静息态方法。大规模样本和所有分析步骤的预注册(包括具体代码)将能消除p值操纵（p-hacking ）和结果已知后假设(HARKing)的影响。

这里评估的EEG指标包括头皮功率谱密度、EEG微状态分析、基于源的功率和功能连接性。对于重测信度分析,将在睁眼(EO)和闭眼(EC)静息条件下检查两个年龄组的大型参与者样本N = 200(见功效分析和试点数据部分)(100名年轻人:20-35岁;100名老年人:60-80岁)。基于先前的文献和使用23名60岁以上受试者的独立样本进行的试点数据分析(在试点数据部分报告),将测试以下假设:

相对于个体alpha峰值频率(IAPF)的频段头皮水平功率谱密度,IAPF本身以及个体alpha峰值功率(IAPP):

[假设1.1] 两个年龄组都具有良好到优秀的测试-重测可靠性(组内相关系数[ICC] > 0.6)。

[假设1.2] 测试-重测可靠性在频段间存在差异,alpha频段可靠性最高,theta和beta频段可靠性中等,delta和gamma频段可靠性最低。

[假设1.3] IAPF（个体alpha峰值频率）和IAPP（个体alpha峰值功率）具有良好到优秀的测试-重测可靠性(ICC > 0.6)。

[假设1.4] 两个年龄组的测试-重测可靠性水平相当。

EEG微状态:

[假设2.1] 所有检查的微状态指标都具有良好到优秀的测试-重测可靠性(ICC > 0.6):全局解释方差(GEV)、全局场功率(GFP)、出现次数、持续时间、模板图与微状态之间的空间相关性(MspatCorr)和覆盖率。

[假设2.2] 两个年龄组的测试-重测可靠性水平相当。

源水平功率谱密度和功能连接:

[假设3.1] 测试-重测可靠性存在频段依赖性差异(类似假设H1.2)。

[假设3.2] 虚部相干性和时间反转Granger（格兰杰）因果关系功能连接措施具有良好到优秀的测试-重测可靠性(ICC > 0.6)。

[假设3.3] 两个年龄组的源水平功率谱密度和功能连接的测试-重测可靠性水平相当。

2 材料和方法

2.1 研究设计

2.1.1 数据集描述

本研究使用的数据是作为一个更大项目的一部分记录的,该项目旨在量化静息态和任务相关EEG记录的年龄差异和测试-重测可靠性。每次记录包括七个实验范式的测试电池,评估受年龄影响的关键认知功能：静息状态、视觉感知、注意力、工作记忆、情景记忆、认知控制和处理速度(类似于Kozak & Cuthbert, 2016; Langer et al., 2017)。本研究的分析集中在静息态EEG会话上。该研究经苏黎世大学伦理委员会批准,符合赫尔辛基宣言。所有参与者在参与研究前给予书面知情同意,并获得相当于每小时25瑞士法郎的金钱补偿。

假设生成、功效分析和分析脚本源自一项试点研究(见试点数据部分),该研究使用相同的实验设置和记录硬件记录了23名老年受试者(11名女性;平均年龄=71.5岁,SD=5.1岁,年龄范围63-79岁;全部右利手)的静息态EEG。试点研究于2018年进行,在主要研究的数据采集之前。

2.1.2 纳入和排除标准

本报告纳入了年龄在20至35岁之间(年轻参与者)或60至80岁之间(老年参与者)的健康男性和女性参与者。包括右利手和左利手参与者。排除标准包括:患有精神病症状、严重神经系统疾病(如癫痫)、既往头部损伤、中风、脑暂时性循环障碍、亨廷顿氏病、帕金森病、影响计算机任务(如操作鼠标)的感觉和/或运动问题、目前使用精神药物(如抗抑郁药、α受体激动剂、神经阻滞剂、情绪稳定剂)以及摄入娱乐性合成或天然药物。此外,由于痴呆或轻度认知障碍的高风险,简易精神状态检查(MMSE, Folstein et al., 1983)得分低于27分的受试者也被排除(O'Bryant et al., 2008)。此外,如果参与者的记录数据符合以下任何标准,则将其排除在进一步分析之外:数据不完整(例如,缺少测试或重测记录会话的静息态EEG记录)、EEG质量评级"差"(基于Automagic工具箱(Pedroni et al., 2019)的客观EEG数据质量得分,详见EEG预处理部分2.5),或无伪迹数据少于50%。

2.1.3 实验设置和程序

实验在一个隔音且光线昏暗的法拉第笼中进行。参与者坐在距离24英寸显示器(ASUS ROG, Swift PG248Q,显示尺寸531×299 mm,分辨率800×600像素,显示区域400×298.9 mm,垂直刷新率100 Hz)68 cm处,显示器上显示一个注视十字。参与者完成静息记录,同时研究助理从相邻房间监控他们的进展。在静息态EEG数据采集之前,向参与者说明静息态EEG记录由五个睁眼(EO,每个区块20秒;总共1分40秒)和五个闭眼(EC,每个区块40秒;总共3分20秒)区块组成,交替进行,从EO开始。要求参与者在EO区块期间始终注视十字。EEG记录总时长为5分钟。EO和EC区块的交替顺序旨在避免疲劳并保持警觉性。此外,EC区块的持续时间故意设置为EO区块的两倍,因为后部alpha活动在EC期间最强,EC（闭眼）条件通常被认为对微状态和功能连接分析最可靠(例如,D'Croz-Baron et al., 2019; Lehmann et al., 2005)。EC条件通常较少受到肌源性伪迹和由视觉输入引起的EEG信号变异性的影响。因此,EC记录时间更长,主要目的是基于EC条件评估潜在的年龄效应。比较EO和EC条件的可靠性时,对包含的数据量进行了调整。为此,所有从EC和EO数据得出的指标都缩短到1分40秒的长度。其余分析步骤对两种条件保持一致。这一协议已在多项先前研究中使用(例如,Alexander et al., 2017; Langer et al., 2012; Langer et al., 2017)。预先录制的口头指示通过扬声器告知参与者何时睁眼或闭眼。口头指示前后各一秒的数据从进一步分析中丢弃。每位参与者在同一时间完成两次记录会话,一次测试(第一次会话)和一次重测(第二次会话)记录会话,两次会话间隔一周(可接受范围:7-9天)。在两次访问期间,程序遵循相同的实验协议,包括测试电池中七个任务的相同顺序,静息态EEG记录在各自会话的开始进行。

2.2 心理生理数据处理流程

2.2.1 脑电图采集和预处理

使用128通道脑电图系统(Geodesic HydrocCel系统,Electrical Geodesics,俄勒冈州尤金市,美国)以500 Hz采样率记录脑电图,使用0.1-100 Hz带通滤波器和Cz作为记录参考。测量每位参与者的头围,并选择适当大小的脑电图电极帽。所有电极的阻抗保持在40 kΩ以下。使用MATLAB的Automagic工具箱对脑电图数据进行预处理。随后描述的所有预处理步骤都是Automagic工具箱的一部分,该工具箱作为一个包装框架,根据用户配置的输入参数调用各种EEGLAB函数。具体来说,识别并插值处理了不良电极。不良电极的识别基于EEGLab clean_rawdata插件。该插件基于三个标准识别不良通道:首先,如果从电极记录的数据与基于其他通道的估计值的相关性r < 0.85,则该电极被定义为容易出错。其次,如果一个通道相对于其信号的线路噪声比其他通道多(四个标准差),则该通道被定义为容易出错。第三,如果一个通道出现持续时间超过5秒的平线,则被视为容易出错。这些容易出错的通道被自动移除,并在预处理流程结束时进行插值。接下来,使用1-90 Hz带通滤波器(Hamming窗口同步有限脉冲响应零相位滤波器;EEGLAB函数pop_eegfiltnew.m)对数据进行过滤。滤波器阶数定义为较低通带边缘的25%。之后,应用Zapline算法(de Cheveigne, 2020)去除线路噪声伪影(即50 Hz),移除了5个电源线分量。使用±200 ms的窗口排除了连续脑电图中超过400 μV幅度阈值的数据样本。这确保了独立成分分析(ICA)不会试图分解高幅度噪声。随后,使用EEGLAB中实现的RUNICA算法应用ICA。ICLabel预训练分类器(Pion-Tonachini等人, 2019)对反映伪影活动的成分进行分类。对于任何类别的伪影(线路噪声、通道噪声、肌肉活动、眼动活动或心脏伪影),概率评级>0.8的每个分类成分都从数据中移除。最后,如果剩余的不良通道的标准差超过25 μV的阈值或小于1 μV,则将其排除。随后,使用球面样条插值(EEGLAB函数eeg_interp.m)对不良电极进行插值。使用Automagic工具箱中实现的四个质量指标来量化脑电图数据的质量。数据质量良好的一个指标是识别出的不良通道比例(RBC),因此被插值。插值的通道越多,感兴趣的信号损失就越多,因此数据质量就越差。第二个质量指标是整体高幅度数据的比例(OHA),定义为计算绝对电压幅度大于30 μV的数据点(即电极×时间点)的比例。同样,第三个质量指标是高方差时间点的比例(THV)。如果所有通道的电压测量值的标准差超过15 μV,则识别为THV。最后,评估高方差通道的比例(CHV),其中所有时间点的电压测量值的标准差超过15 μV。

总之,如果信号中高幅度数据点(>30 μV)的比例(即OHA)大于20%,如果超过20%的时间点在通道间显示大于15 μV的方差(即THV),如果超过30%的通道显示高方差(>15 μV)(即CHV),或者如果不良通道的比例高于30%(即RBV),则该数据文件被标记为质量不佳的脑电图,不包括在分析中。使用Automagic工具箱进行预处理后,105个脑电图通道用于进一步分析,其余通道(主要记录颈部和面部区域)被丢弃(类似于Langer等人, 2012; Pfeiffer等人, 2020中描述的程序)。被丢弃的通道标签是E1、E8、E14、E17、E21、E25、E32、E48、E49、E56、E63、E68、E73、E81、E88、E94、E99、E107、E113、E119、E125、E126、E127和E128。

接下来,数据被重新参考到共同平均参考。对于头皮和源水平频率分析,将预处理后的数据分为睁眼(EO)和闭眼(EC)数据,排除了相对于EO或EC触发器开始的±1秒,以排除与睁眼和闭眼相关的视觉和运动信号。随后,数据被进一步分割成2秒长的时间段。超过±90μV幅度阈值的脑电图时间段被排除在进一步分析之外。对于EO或EC条件中剩余时间段少于50%的受试者被排除在进一步分析之外。为了允许比较EO和EC静息态脑电图测量的可靠性,需要通过随机提取相等数量的EO和EC片段来平衡每个受试者内EO和EC的时间段数量。然而,对于主要分析,我们包括了所有可用的EC片段。在连续的EC数据上进行微状态分析。这些标准化和客观的预处理流程和数据质量指标消除了预处理中的所有自由度。

2.2.2 静息态脑电图特征提取

可以从头皮和源水平的静息态脑电图数据中提取大量的指标或特征。这些包括不同频率的功率估计、微状态分析以及频率分辨的源功率和连接性分析。为了本研究的目的,我们提取了最常报告的脑电图特征:

(1)相对于个体alpha峰值频率(IAPF)的头皮水平频带功率；

(2)个体alpha峰值频率；

(3)微状态的拓扑结构和指标；

(4)相对于个体alpha峰值频率的源水平频带功率；

(5)源水平相干性虚部(icoh)；

(6)相对于个体alpha峰值频率的频带的时间反转Granger因果关系(TRGC)估计。以下部分提供了这些特征及其计算方法的描述。

2.2.3 头皮水平功率估计

数据分析使用MATLAB FieldTrip工具箱(Oostenveld等人, 2011)版本号20200607进行。对于每个时间段,在与Hanning窗相乘后,使用快速傅里叶变换(FFT)进行1到40 Hz的谱分析。然后使用fooof算法(Donoghue等人, 2020)将功率谱分解为周期性和非周期性成分。这种分解允许识别数据中的振荡成分,如谱中的峰值。非周期性信号成分的可靠性超出了本文的范围,已由(Tröndle等人, 2021)进行了研究。个体频带限制将基于个体alpha峰值频率(即Klimesch等人, 1993)分别为每个实验条件(睁眼,闭眼)和记录会话(测试和重测会话)确定。根据当前对静息态脑电图指标的频率和地形分析的建议(Babiloni等人, 2020),个体频带的频率限制基于IAF定义,其中频带限制被确定为delta(1至IAPF-6 Hz)、theta(IAPF-6 Hz至IAPF-4 Hz)、alpha1/2(IAPF-4 Hz至IAPF)、alpha3(IAPF至IAPF+2 Hz)、beta(IAPF+2 Hz至30 Hz)和gamma(30 Hz至40 Hz)。通过计算六个解剖学定义的电极簇(见补充材料图S1a)的平均值,进一步扩展了105个通道的个体频带的功率估计:前中央、后中央、左前、右前、左后和右后簇。

2.2.4 EEG微状态

微状态分析旨在识别自发EEG活动的时空特征作为拓扑原型,这些原型能指示大尺度的潜在神经网络活动(Koenig等,2002; Koenig & Lehmann,1996; Michel & Koenig,2018)。与之前的工作一致,本研究使用MST工具箱(Poulsen等,2018)对闭眼状态进行微状态分析。本研究采用了类似Khanna等(2014)描述的两步聚类方法。从连续记录中识别闭眼(EC)数据段,仅使用上述描述的105个电极,并进一步分割为2秒的时间段。超过±90μV幅度阈值的时间段被排除在进一步分析之外。经过共同参考转换后,分段数据被连接起来。首先对单个受试者数据进行初步聚类分析,然后对得到的个体原型进行第二次聚类。闭眼EEG数据最初在1 Hz和30 Hz之间进行带通滤波。个体受试者原型推导的第一步是在全局场强度(GFP)的局部最大值处识别和提取地形图。GFP峰值被认为反映了稳定网络活动的时间点(Michel & Koenig,2018)。为了去除由伪迹引起的GFP峰值,额外的GFP选择标准包括GFP峰值之间至少10 ms的最小距离。超过所有地图GFP标准差的GFP峰值被舍弃。这是针对每个受试者单独进行的。接下来,GFP峰值被纳入一个极性不变的改进k均值聚类算法。地图的极性被忽略,因为反转的极性出现是由于相同潜在发生器的振荡(Michel & Koenig,2018)。微状态原型的数量被设定为四个,原因如下。首先,已经确定通常四个规范地图(见图3a)可以解释数据中的大部分方差(Michel & Koenig,2018)。其次,如果个体受试者原型的数量在个体间有所不同,两步聚类方法可能会导致参与者偏差(Khanna等,2014)。第三,固定数量的原型允许跨研究比较结果(Michel & Koenig,2018)。微状态的分割过程如下：要分割的微状态数量设为四个,总共重复100次,最大迭代次数为1000次。基于噪声方差相对变化的收敛阈值设为1 e-6,全局解释方差(GEV)标准被用作拟合度量来选择最佳分割。得到的受试者级别原型地图没有特定顺序,极性也可能有所不同。因此,不适用于跨个体或跨会话平均微状态类别地图。首先应用了一个有用的排序和标记个体受试者类别的方法,使它们在受试者间具有可比性。为此,首先基于每个受试者的四个微状态地图进行组级分析,以找到跨受试者最具代表性的地图。这种方法确保每个参与者和每个会话包含相同数量的地图。总共使用1000次重复和最多1000次迭代。其余分割设置与前一步骤保持一致。此外,分层组级聚类也忽略极性反转,并提取四个常见静息微状态。接下来,使用置换程序来最大化受试者间的共同方差。一个迭代程序对个体受试者微状态拓扑进行排序,以最大化组级地图的拟合度。该程序允许跨受试者比较个体级微状态,同时保留个体大脑解剖特征,从而保留原型的个体间变异性(见Koenig等,1999; Michel & Koenig,2018)。最后,将排序后的个体原型拟合回每个参与者的个体连续EEG数据,目的是用最可能的微状态原型标记每个EEG样本(例如,Khanna等,2014; Poulsen等,2018)。通过考虑瞬时头皮拓扑与每个微状态地图之间的最高空间相关性,将原始数据的每个时间点标记为四个微状态之一。应用了30 ms的最小持续时间标准、窗口平滑和极性不变性。因此,连续分配给同一微状态类别的时间点形成了至少30 ms持续时间的单个微状态。对于短潜伏期微状态的情况,例如由于极性反转导致的不稳定拓扑(Michel & Koenig,2018; Poulsen等,2018),潜伏期短于预定义30 ms阈值的段被分配给下一个最相似的微状态类别(Poulsen等,2018)。为了解决这个问题,应用了时间平滑(Pascual-Marqui等,1995)。时间窗口设置为当前样本两侧各三个样本。基于回拟合步骤的输出,为每个参与者计算了微状态指标。

计算了以下微状态指标：

GEV总计,即总体全局解释方差,这是一个衡量EEG样本与每个微状态原型相似度的指标;

GFP(全局场功率);

出现次数：检测到微状态的次数;

持续时间：每次微状态检测的EEG样本数;

GEV：全局解释方差,衡量给定微状态原型对EEG时间序列中解释的方差量;

MSpatCorr：微状态原型与EEG样本之间的平均空间相关性。

2.2.5 源水平功率估计

类似于Mahjoory等人(2017)使用的程序,源水平上的功率估计是通过应用ELORETA算法(Pascual-Marqui, 2007; Pascual-Marqui et al., 2011)来执行的。线性约束最小方差波束成形算法(LCMV)(Van Veen et al., 1997)用于连接性分析。当应用于数据协方差矩阵和感兴趣位置的正向模型时,这些算法构建空间滤波器,允许将头皮水平数据转换为给定感兴趣脑部位置的源估计。正向模型是从MNI ICBM 2009模板大脑使用边界元素方法(BEM)的OpenMEEG实现(Gramfort et al., 2010)得出的。实施了基于Desikan-Kiliani图谱(Desikan et al., 2006)的分区方案。每个半球最初的34个皮质ROI被分组为每个半球12个较大的区块:枕叶(标签"OL"和"OR"),外侧顶叶("PoutL," "PoutR"),内侧顶叶("PinL," "PinR"),中央前沟("PreCL," "PreCR"),中央后沟("PstCL," "PstCR"),下额回("InfFL," "InfFR"),中额回("MidFL," "MidFR"),上额回("SupFL," "SupFR"),扣带回皮质("CingL," "CingR"),岛叶("InsL," "InsR"),外侧颞叶("ToutL," "ToutR"),和内侧颞叶("TinL," "TinR")。这种限制为少量皮质区块主要是由于EEG的低空间分辨率、附近空间滤波器的空间泄漏,以及使用通用电极位置和头部模型。按照类似于Schoffelen等人(2017)描述的程序,单偶极子特定导联场被连接到包含一个区块的顶点上,产生每个半球12个多变量活动时间序列。对于每个区块,进行主成分分析以提取描述活动的空间正交和时间上不相关的导联场分量,按解释的方差量排序。将选择第一个主成分作为区块活动时间序列的表示。随后,表示给定区块内活动的源时间序列经过快速傅里叶变换,频率分辨率为0.5 Hz,如上所述,限制在1-40 Hz。然后使用fooof算法将源功率谱分解为周期性和非周期性成分。计算平坦化谱(即周期性信号分量减去非周期性分量),在频带之间平均(见上文),并在皮质表面网格上可视化(例如,图5)。本文不涉及周期性和非周期性信号的系统评估,因为这在其他地方进行(例如,非周期性斜率的可靠性Pathania等人,2021),Tröndle等人(2020, 2021)评估了周期性和非周期性成分的年龄相关变化。

2.2.6 源水平功能连接

连接性分析是从前一步骤中识别的振荡成分计算得出的。

计算了相干性的虚部(icoh)(Nolte et al., 2004)。这个指标量化了区块之间的同步性,同时避免了体积传导的影响,否则可能导致夸大和/或虚假的关系。测试和重测的试验数量相同,确保试验数量不会偏差相位估计。

使用谱分辨的Granger因果关系(GC)分析来量化区块间通信的潜在方向性(Barnett & Seth, 2014; Ding et al., 2006; Granger, 1969)。进行了全脑(所有区块到所有区块)GC分析。GC在从DC到40 Hz的频率范围内计算。EC数据首先降采样到80 Hz采样率。对于每个试验,计算整个频谱直到奈奎斯特频率(降采样后为40 Hz)的傅里叶系数。使用交叉谱密度矩阵的非参数矩阵分解(Dhamala et al., 2008)来估计谱传递矩阵。对于任何给定的区块对,GC计算了两次:一次在原始时间序列上,一次在时间反转的时间序列上(Haufe et al., 2013; Winkler et al., 2016)。这一步骤的动机是观察到由于体积传导/源泄漏引起的残余源混合在交叉谱中引入了弱不对称性,这可能导致虚假的GC(Haufe et al., 2013)。这种虚假的GC不是由于基础源之间的真实相互作用,而是由于不同的混合比例("弱"不对称性)。时间反转Granger因果关系(TRGC)消除了这些弱不对称性,从而消除了虚假连接。TRGC通过以下对比报告:[(前向 - 后向) – (前向翻转 - 后向翻转)]。净连接性估计(每个区块的平均icoh或TRGC)在皮质表面网格上可视化(例如,图6和7)。

2.3 功效分析 - 样本量的合理性说明

可靠性研究所需的受试者数量估算可以采取两种可能的方法。ICC值可以根据预期的置信区间（例如95%）宽度来确定（McGraw & Wong, 1996）。然而，这种方法并没有明确考虑达到所需区间宽度的概率（Greenland, 1988; Kupper & Hafner, 1989; Zou, 2012）。这可能导致估计的样本量太小，不足以有足够的概率获得所需的精度（Donner & Eliasziw, 1987; Zou, 2012）。基于预期置信区间宽度进行样本量规划的问题早已被认识到（Greenland, 1988; Kupper & Hafner, 1989）。

另一种方法是，我们使用了一种明确包含预先指定的达到置信区间下限概率的功效分析方法。这种方法与Walter等人（1998）的方法相同，其中功效被视为保证概率。为了确保有高概率达到所需的精度，本研究的样本量估算比那些不明确考虑保证概率的方法要大得多（Bonett, 2002），保证概率被定义为无条件拒绝零假设的概率（Chen & Ho, 2017）。这种功效分析是使用R语言中实现的ICC样本量软件包进行的。

样本量估算（每个年龄组100名受试者）的理由基于我们之前为获得资助而进行的功效分析。预期测试-重测可靠性约为0.6，我们计算出所需的最小样本量为87（范围 = 0.15，保证率：80%，Zou, 2012）。鉴于每个年龄组可用于分析的上限为100名参与者（见数据集描述部分），进行了敏感性功效分析，以确定在假设功效等于或大于0.9，alpha阈值为0.05（双尾），以及零假设ICC值为0.6的情况下可检测的ICC值范围（McGraw & Wong, 1996）。在这些假设下，功效分析显示对于指定的功效水平，真实ICC值的范围在0.49-1.00之间。

我们在R中使用了calculateAchievablep0函数，配置如下：calculateAchievablep0 (p = 0.6, k = 2, alpha = 0.05, tails = 2, power = 0.9, N = 100)，其中k = 2指的是每个受试者的评分次数，在本例中分别对应测试和重测。这确保了超过ICC >0.4作为"差"和"一般"测试-重测可靠性之间的分界值（Landis & Koch, 1977）的ICC值具有足够的功效。因此，预期的样本量适合于检测静息态脑电图特征的良好到优秀的测试-重测可靠性（ICC >0.53）。

这个样本量选择通过回顾性敏感性功效分析得到了证实。模拟了一万项研究。对于每项研究，数据是从标准差为1的多元正态分布中随机抽取的。测试-重测可靠性的值在rho = .1到1之间以.1的步长变化。在每项研究中，计算了ICC。我们观察到95%的研究（每项研究的样本量为100）在ICC值为0.4时观察到显著效应（p < .05）。因此，根据ICC ≥0.4的分界标准，所选样本量提供了足够的功效（95%）来检测超过"差"到"一般"标准的可靠性（Landis & Koch, 1977）。确定观察到显著效应的研究比例（> 95%，p < .05），每项研究的样本量为100，对应于ICC值为0.4，符合上述分界标准。

2.4 统计分析计划

2.4.1 测试-重测可靠性分析

测试-重测可靠性使用ICC一致性测量进行(McGraw & Wong, 1996)。该测量计算测试和重测会话之间的绝对一致程度。按照选择和报告ICC用于可靠性研究的指南,将应用多次观察之间的绝对一致性测量(Koo & Li, 2016)。这些测量将计算所有头皮水平功率估计、微状态指标、源水平功率估计和源水平功能连接测量。我们使用了Cicchetti(1994)引入的普遍采用的ICC解释:小于0.40,可靠性差;0.40到0.59之间,可靠性一般;0.60到0.74之间,可靠性良好;0.75到1.00之间,可靠性优秀。

2.4.2 ICC测量之间的统计比较

两个年龄组之间可靠性的一致性(假设H1.4、H2.2、H3.3:两个年龄组之间的测试-重测可靠性相等)通过ICC值的等效性检验进行调查(Lakens et al., 2018)。等效性检验旨在确定两组或条件之间的可靠性差异是否至少与最小感兴趣效应量(SESOI)一样极端,遵循双单侧检验(TOST)程序。换句话说,等效性检验并不测试组间是否完全没有可靠性差异;相反,它检验效应是否极端到足以被认为有意义的假设是否可以被拒绝(Lakens et al., 2018)。因此,执行TOST涉及确定SESOI。因此,首先需要确定SESOI及其较低和较高的等效界限。我们将ICC为±0.2视为相应的等效界限。然后基于SESOI指定的较低和较高等效界限执行TOST程序。由于两个检验都需要显著才能得出关于统计等效性的结论,因此将报告较大的p值。在适当的情况下报告所有p值,无论其是否显著。

3 结果

共招募了204名参与者完成了两个测量时间点,即测试和重测。用于分析的样本为188名参与者,因为16名参与者由于数据质量较差而被排除,根据方法部分概述的标准。在这个样本中,95名参与者符合年轻组的招募和预处理标准,93名符合老年组的标准(参见材料和方法)。年轻组包括56名女性参与者(年龄M/STD 23.92/3.19岁)和39名男性(年龄M/STD 23.58/2.61)参与者。在老年组中,共招募并进一步检查了52名女性(年龄M/STD 68.71/5.18)和41名男性(年龄M/STD 69.85/4.32)参与者。每位参与者保留的epoch百分比(总计100个)如下:年轻组测试(M(最小-最大) = 95.9(67–100)),年轻组重测(M(最小-最大) = 95.7(64–100)),老年组测试(M(最小-最大) = 94.6(52–100)),老年组重测(M(最小-最大) = 94.2 (67–100))。在以下内容中,所有评估年龄对EEG衍生指标影响的分析都使用EC条件进行,因为它较不易受到肌源性伪影和信号变异性的影响。

3.1 与预注册分析计划的偏差

分析按照预注册的程序进行。此外,为了推断年龄组之间可靠性的等效性和/或显著的组间差异,需要进行调整。为此,我们实施了一个bootstrap程序,对每个组和采集时间点分别进行,通过从原始数据中均匀随机抽样k个观察值(k等于组大小),有放回地进行bootstrap。之后,计算测试和重测采集时间点之间的可靠性。这个程序重复1000次。随后,为了推断等效性,我们计算了组间ICC差异的90%置信区间(CI,单侧测试进行两次的alpha水平为5%)。如果估计的组间ICC差异的CI在预先定义的±0.2的SESOI内,我们得出两组可靠性等效的结论。此外,如果估计的CI不包括零,我们得出组间ICC差异显著的结论。最后,使用空间滤波算法(LCMV,见材料和方法部分)进行源功率估计。这种偏离预注册的做法是因为该算法在噪声抑制方面优越,因此提供了更稳健的可靠性估计。

3.2 头皮层面的频谱密度

第一个假设H1.1.指出两个年龄组都有良好到优秀的测试-重测可靠性。支持这个假设的实证检验总结在图1中。所有电极的整体可靠性在alpha和beta频段得到证实为一般到良好,具有广泛的头皮分布,而delta、theta和gamma频段的可靠性在额叶和后部头皮位置为一般(图1e)。跨两个年龄组的汇总分析显示theta、alpha、beta和gamma频段有良好到优秀的测试-重测可靠性(见补充图S1)。

图1 按组别划分的头皮层面功率估计和测试-重测可靠性。

(a)测试(黑色)和重测(红色)时间点的谱指数校正功率谱,汇总所有电极。

(b)以组内相关系数(ICC)量化的可靠性,作为频率和组别的函数,跨所有电极。

(c)年轻组减去老年组的ICC差异,跨所有电极。正值表示年轻组的ICC值更大,负值表示老年组的ICC更大。

(d)bootstrap程序(1000次迭代)后每个频段的ICC组间差异分布。红色垂直线表示90% CI。CI包括0,因此没有显著的组间差异,并且落在±0.2的等效边界内。

E. 每个频段的ICC地形图,其宽度基于个体alpha峰频率(IAPF)。

如H 1.2.所述,进一步假设可靠性遵循功率谱的形状,alpha频段最高可靠性,theta和beta中等,delta和gamma频段最低。这个假设得到了证实,如图1b所示,并在图S2中跨年龄组汇总。按组别划分的每个频段可靠性的头皮分布如图1e所示。

在H 1.3.中,我们假设个体alpha峰频率和功率都具有良好到优秀的可靠性。年轻人(图2a,ICCIAPF = 0.78,ICCIAPP = 0.83)和老年人(图2b,ICCIAPF = 0.75 ICCIAPP = 0.81)都观察到了优秀的可靠性。当汇总整个人群的IAPF(ICC = 0.78)和IAPP(ICC = 0.85)时,也获得了类似的可靠性估计,如图S3所示。因此,H 1.3.假设IAPF（个体alpha峰值频率）和IAPP（个体alpha峰值功率）具有优秀水平的可靠性得到了证实。

图2 每个年龄组的个体alpha峰频率(IAPF)和功率(IAPP)。

(a)年轻人群中个体参与者的个体alpha峰频率(IAPF,左)和个体alpha功率(IAPP,右)(每个点代表一个参与者)。测试数据在横坐标上,重测在纵坐标上。

(b)与(a)相同,但为老年人组。

(c)bootstrap程序(1000次迭代)后IAPF(左)和IAPP(右)的ICC组间差异分布。红色垂直线表示90% CI。CI包括0;因此,没有显著的组间差异,并且落在±0.2的等效边界内。

在H1.4中,我们假设两个年龄组有相等水平的测试-重测可靠性。组间可靠性差异(ICCyoung – ICColder)在预先制定的±0.2的SESOI边界内变化(图1c)。按照上述程序,所有频段的90% CI估计在SESOI的边界内(图1d)。可靠性估计彼此之间也没有显著差异,因为在所有频段的90% CI内都发现了零。IAPF和IAPP的可靠性估计也被确定为等效,两个年龄组之间没有显著的可靠性差异(图2c)。因此,H 1.4.得到了证实。

3.3 脑电图微状态

H2.1假设所有检查的微状态参数都具有良好到优秀的可靠性。图3a说明了在闭眼条件下,整个样本(包括测试和重测时间点)计算的四个规范微状态(标记为A、B、C、D)的头皮分布。如图3b所示,两个年龄组在全局场强(GFP)和微状态空间相关(MSpatCorr)的测量中都观察到了良好到优秀的可靠性。其余微状态测量的可靠性从差到好不等,在老年人组中较差的可靠性更为明显(图3b)。两组合并的微状态可靠性如图S4所示。H2.1声称所有检查的微状态测量都具有良好到优秀的可靠性,这一点得到了部分证实。表1提供了每种微状态类型、测量和组别的可靠性摘要。

图3 每个年龄组各种微状态测量的测试-重测可靠性。

(a) EC条件下四个规范微状态图(a-d)的地形图。

(b) 上排:年轻参与者组中所有检查的微状态测量和四个微状态原型(a-d)的组内相关系数(ICC)。GFP:全局场强,GEVtotal:总全局解释方差,GEV:全局解释方差,MSpatCorr:微状态间空间相关。下排:与上排相同,但针对老年人组。

(d) 与(c)相同,但针对总全局解释方差(GEVtotal)。

表1. 每个年龄组(Y/O)所有检查的微状态(MS)测量的可靠性(ICC)。

注意:等效性用粗体突出显示,显著的组间差异用粗斜体表示。

H2.2假设两个年龄组所有微状态测量的测试-重测可靠性水平等效,接下来对此进行了评估。可靠性结果在图3c中图形化说明,并在表1中总结。除了微状态类型A和D的"MSpatCorr"测量外,所有其余微状态类型和测量(包括全局解释方差(GEVtotal))的可靠性估计都不等效(图3c,d)。因此,我们得出结论H2.2未得到证实,因为在年轻组中发现可靠性更高。特别是,两组在微状态类型B-D的"GFP"测量、微状态类型B和C的"持续时间"测量、微状态类型D的"覆盖率"测量以及微状态类型C的"MSpatCorr"测量中存在显著差异(图3和表1)。

3.4 源级功率谱密度和功能连接性

3.4.1 源级功率的可靠性

使用eLORETA和LCMV波束成形进行源功率估计。整个样本汇总的源功率和可靠性摘要在图S5(eLORETA)和图S6(LCMV波束成形)中报告。这里我们报告波束成形后获得的源级功率的可靠性。这种偏离预注册(即专注于波束成形后获得的结果)的动机是因为该算法在噪声抑制方面优越,因此提供了更稳健的可靠性估计。图4说明了使用LCMV作为逆算子获得的按组别划分的每个频段的源级地形图。使用eLORETA获得的相应结果在图S7中提供,此外,传统波束成形方法对比闭眼和睁眼条件的结果在图S8中提供。在两个年龄组中,theta、alpha和beta频段观察到良好到优秀的可靠性,具有广泛的空间分布(图4a,b,底行)。delta和gamma频段主要表现出一般可靠性,gamma频段和前额叶区域主要表现出良好可靠性(图4a,b)。假设H3.1声明可靠性存在类似于H1.2的频带依赖差异。具体而言,在所有脑区中,我们发现delta频段可靠性较差(ICC = 0.28),theta频段良好(ICC = 0.64),alpha和beta频段优秀(ICCalpha I II = 0.81, ICCalpha III = 0.83, ICCbeta = 0.83),gamma频段一般(ICC = 0.53)。H3.1得到证实,说明在整个样本中,传感器和源空间检查的信号地形图和可靠性相似。除了theta和alpha I-II频段外,年龄组之间所有区域平均的可靠性水平(类似于电极平均,例如图1a)在所有频段中都是等效的(图4c)。此外,theta频段的可靠性存在显著的组间差异(图4c)。

图4 周期性活动减法后的源级功率估计

(a)年轻参与者组在EC条件下基于IAPF的频段源功率总平均,测试数据(上排)和重测数据(中排)。底排显示每个频段的可靠性(以组内相关系数ICC衡量)的源分布。

(b)与(a)相同,但针对老年人组。

(c)bootstrap程序(1000次迭代)后每个频段的ICC组间差异分布。红线表示90% CI。CI包括0;因此,除了theta频段外,没有显著的组间差异,并且落在±0.2的等效边界内。

3.4.2 功能连接性的可靠性

接下来,使用基于相位的测量来估计连接性,这些测量依赖于数据中存在周期性信号。这种周期性通常通过功率谱中的明显峰值推断,在本报告中对alpha和beta频带得到了确认(例如,图1)。因此,对alpha和beta频率范围评估了功能连接性估计的可靠性。H3.2.假设两种连接性指标:相干性的虚部(icoh)和时间反转格兰杰因果关系(TRGC)都具有良好到优秀的可靠性。在两个年龄组中,icoh的整体水平在顶叶区域最强(图5)。图5(底部图)说明了以icoh衡量的连接性的相应测试-重测可靠性。总体而言,连接性的可靠性估计在alpha频带中为"一般到良好",在beta频带中为"良好到优秀"。

图5 每个年龄组的源级连接性估计ICOH

(a)上排和中排,兴趣区域之间相对于IAPF的alpha和beta频带的虚部相干性(icoh)连接矩阵的总平均。底排 - 通过组内相关系数(ICC)估计的alpha(左)和beta(右)地形图的可靠性,以及相应的ICC矩阵。

(b)与(a)相同,但针对老年人样本。

使用icoh的连接性可靠性

Alpha频带

在年轻组中,5%的所有可能连接表现出优秀的可靠性,22%良好,33%一般。相应的老年人组百分比是2%优秀,26%良好,39%一般。在两个年齡组中,表现出优秀可靠性的连接主要分布在枕叶、顶叶和感觉运动区。所有连接的平均可靠性在年轻组(M/STD = 0.45/0.2)和老年人组(M/STD = 0.47/0.19)中都是一般的。

Beta频带

在年轻组中,3%的连接表现出优秀的可靠性,5%良好,19%一般,而在老年人组中,1%的连接被确认为优秀可靠性,10%良好,32%一般。在两个年齡组中,具有优秀可靠性的连接分布主要涉及顶叶、感觉运动和前额叶区域。Beta频带在所有连接中的平均可靠性在年轻组(M/STD = 0.24/0.25)和老年组(M/STD = 0.35/0.23)中都较差。

使用TRGC（时间反转格兰杰因果）的连接性可靠性

Alpha频带

使用TRGC（时间反转格兰杰因果）测量连接性估计时获得了类似的结果(图6)。在年轻组中,3%的连接表现出优秀,15%良好,32%一般的可靠性。在老年组中,2%的连接优秀,8%良好,26%一般。在两个年齡组中,具有优秀可靠性的连接主要涉及顶叶、中前额叶和岛叶以及感觉运动区之间的相互作用。所有连接的平均可靠性在年轻组(M/STD = 0.41/0.2)和老年人组(M/STD = 0.40/0.21)中都是一般的。

图6 每个年龄组的源级连接性估计TRGC

(a)上排和中排,兴趣区域之间相对于IAPF的alpha和beta频带的时间反转格兰杰因果关系(TRGC)连接矩阵的总平均。底排 - 通过组内相关系数(ICC)估计的alpha(左)和beta(右)地形图的可靠性,以及相应的ICC矩阵。

(b)与(a)相同,但针对老年人样本。

Beta频带

在Beta频带中,年轻组2%的连接表现出优秀的可靠性,8%良好,26%一般。老年人组在Beta频带中的特征是不到1%的优秀可靠性,11%良好,29%差。年轻组中以优秀可靠性为主的连接涉及与alpha频率范围类似的区域,而在老年人组中只有一个连接(如顶叶外侧L - 中前额回L)表现出优秀的可靠性。所有连接的可靠性在年轻组(M/STD = 0.27/0.24)和老年组(M/STD = 0.31/0.31)中都较差。总的来说,用icoh和TRGC评估的连接性估计在alpha频带中表现出良好到优秀的可靠性,在beta频带中主要是一般,较少的连接表现出良好到优秀的可靠性。因此,假设H3.2得到部分证实,因为良好到优秀的可靠性主要在alpha频带得到证实,在beta频带则较少。

最后,H3.3.假设两个年龄组的源级功率估计和连接性水平等效。我们使用bootstrap(见上文)来计算每对区域的可靠性值分布。随后,对区域间的可靠性估计进行平均,并计算可靠性差异。图7说明了两组之间可靠性估计差异的分布。对于两种连接性测量和频带,除了使用icoh测量的beta频带(图7a,右)外,连接性水平的等效性得到了证实。因此,H3.3声明两个年龄组的源功率和连接性可靠性水平相等得到了部分证实,例外是theta和alpha I-II频带的源功率估计(图4c)以及使用icoh在beta频带中的连接性估计。

图7 两组连接性估计的相等水平

(a) 两组之间使用ICOH评估的连接性可靠性估计差异分布(左alpha,右beta频带)。差异是在bootstrap程序(1000次迭代)后评估的。红线表示90% CI。

(b)与(a)相同,但针对使用TRGC评估的连接性。

总之,本报告检查了常用EEG指标的测试-重测可靠性,并提出了共九个假设。其中五个假设得到了证实:两个年龄组都具有良好到优秀的测试-重测可靠性(H1.1),可靠性估计遵循头皮(H1.2.)和源级(H3.1.)的功率谱形状,个体alpha峰值功率和频率表现出优秀的测试-重测可靠性(H1.3.)以及两个年龄组的头皮级功率谱密度测试-重测可靠性水平等效(H 1.4)。三个假设得到部分证实,即所有微状态测量具有良好到优秀的可靠性(H2.1),连接性具有良好到优秀的可靠性(H3.2),以及两个年龄组的源功率和连接性可靠性水平等效(H3.3)。假设两个年龄组之间微状态测量的可靠性水平相等(H2.2)未得到证实。表2提供了对假设的经验支持摘要。

4 讨论

本报告考察了一个大样本年轻人和老年人常用静息态脑电图指标的测试-重测可靠性。它填补了现有文献中的空白,使得不同静息态测量之间的可靠性比较成为可能。使用相同的研究方案、测试和重测采集时间点之间相同的时间间隔、相同的脑电图采集硬件、预处理程序和分析参数,本报告的核心目标是检验和记录年龄对这些常用脑电图指标可靠性的潜在影响。评估包括头皮和源级别的频谱功率,以及连接性和微状态估计。总的来说,九个假设中有五个得到证实,三个部分证实,一个假设未得到所获数据的支持。

4.1 头皮和源级别频谱功率的可靠性

与之前的工作一致(如Gasser等,1985; Pathania等,2021; Salinsky等,1991),我们发现脑电图频谱功率具有良好到优秀的可靠性,特别是在主导的alpha频率范围内,其次是beta频率范围。这种可靠性遵循功率谱的形状,最低但大多是一般的可靠性观察到的是delta和theta周围的低频以及高频gamma频带。利用周期性和非周期性活动的频谱参数化,显而易见的是,在闭眼静息状态条件下,我们实际上无法找到这些频率范围内周期性活动(即由频谱中明显峰值指示的振荡活动)的有力证据(图1和S1)。值得注意的是,非周期性活动的可靠性已在其他地方进行了评估(Tröndle等,2022)。我们观察到前中部和枕部电极上theta和gamma活动的可靠性一般。虽然这些频带中可靠性的量化和进一步检查在数值上是可能的,但它们在功能效用方面的解释不太清楚。与基于任务的研究不同,特别是在执行控制的背景下,theta范围内的明确周期性信号已被一致报道(Cavanagh & Frank, 2014; Duprez等,2020),本报告并未提供在清醒静息条件下存在theta振荡的有力证据。

源空间分析不仅在皮质发生器解释方面具有优势,而且在使用诸如波束成形器等空间滤波算法时,在外部噪声衰减方面也具有优势(Westner等,2022)。这里我们使用了一种空间滤波算法,旨在最大化感兴趣位置的估计活动,同时抑制所有其他皮质贡献,包括外部噪声。作为描述性观察,在所有频带中,与头皮级分析相比,可靠性估计更高。然而,虽然源估计 - 例如在alpha频率范围内 - 表明明确的枕叶-顶叶起源(例如,图4和S6),相应的可靠性分布在几乎整个大脑中都是优秀的。基于源可靠性图,人们也可以得出结论,例如,前额叶alpha活动表现出优秀的测试-重测可靠性。然而,考虑到经过非周期成分调整的alpha功率的明显后部源分布,这种解释受到了一定挑战(图4)。最强的皮质发生器明显分布在枕叶和顶叶脑区。然而,比较前额和顶叶区域的功率谱确认了两个区域内都有明显的alpha峰值(图S11)。我们得出结论,脑电图频谱功率的测试-重测可靠性估计受益于(a)周期性成分的参数化,以评估持续振荡活动的存在,以及(b)利用降噪源重建技术来提高信噪比,从而有利于可靠性估计。

4.2 年龄对头皮和源级别频谱功率可靠性的影响

在针对健康老龄化过程中认知(如工作记忆)与脑功能(如脑电图频谱指标)关系的研究中使用脑电图,需要了解用于推断群组差异的因变量的可靠性(Jabès, Klencklen, Ruggeri, Antonietti等,2021)。在两个年龄组中,我们观察到alpha和beta频带具有良好到优秀的测试-重测可靠性。特别是,源级别的可靠性估计是优秀的,而头皮级别大多是良好的(比较图1和4)。两个年龄组的可靠性在预先确定的边界内(+ − 0.2 ICC,图4)是等效的。这一点很重要,因为它记录了脑电图衍生的因变量的优秀测试-重测可靠性,这是老龄化研究中认知康复疗法的要求(例如,Spironelli & Borella, 2021; Volf等,2018)。然而,尽管可靠性良好,但在清醒休息期间其他频带(如delta、theta和gamma)不仅在揭示一致的群组差异方面,而且在解释大脑功能方面的效用应该谨慎对待。我们只能推测,但几个因素可能贡献了信噪比的一致差异,如年龄相关的肌肉张力差异(Agyapong-Badu等,2016)、随年龄增加的头部运动(Madan, 2018)进而影响delta-theta频率范围(Mihajlović等,2014)、眼动活动(Dowiasch等,2015)和年龄相关的头-眼协调变化(Proudlock等,2004)。因此,这些因素的影响表现为较低的delta、theta(头部和眼动)和较高(肌肉)频带的变异性。在未来的检查中,可以与脑电图同时连续获取这些因素,以调查它们的潜在影响。展望未来,目前的结果为各种脑电图结果指标的可靠性提供了经验支持,并且可以在纵向研究中可靠地评估,至少对于主导的alpha和beta频率而言。

表2. 假设的经验支持摘要。

4.3 EEG微状态的可靠性

在一定时间内头皮脑电图地形图的半稳定性,通常称为EEG微状态,是静息态脑电图中最常用的指标之一(Koenig等,2002; Koenig等,2020)。已经强调,检查和量化微状态的测试-重测可靠性是其在未来大规模研究中应用的必要条件(Khanna等,2015)。基于小样本量(例如10名参与者),先前的工作报告微状态具有高可靠性,特别是当头皮原型(例如图3)在所有采集时间点计算(如本报告中)而不是在每个单独的记录会话中计算时(Khanna等,2014)。此外,最近的证据突出表明,对于较短的实验运行,微状态的测试-重测可靠性更高(Antonova等,2022),这正是闭眼静息态脑电图的情况。在此前工作的基础上,目前的结果证实,在检查的25个微状态测量中,仅有4个与较差的可靠性相关,当汇集两个年龄组时(图S4)。所有规范微状态的全局场功率测量都表现出优秀的可靠性,除了一个(即B型)外,它们的空间相关性也是如此(图S4)。

EEG微状态在认知过程中的功能相关性仍是正在进行的科学争论的主题(例如,Jabès, Klencklen, Ruggeri, Michel等,2021; Milz等,2016)。本研究结果通过证明其可靠性随年龄变化而为这一争论做出贡献。在比较两个年龄组时,25个检查的微状态测量中只有4个具有重叠的优秀可靠性(见图3c,A型和D型,GFP和MSpatCorr指标)。特别是,发生率和持续时间指标在年轻组中主要表现为一般到良好的可靠性,但在老年组中则较差。这些指标量化了短时间内微状态稳定性的平均持续时间,以及给定微状态在记录期间的主导性(每秒平均发生次数)。目前观察到的微状态参数的组间差异捕捉了自发脑活动持续时间动态的可能差异。其瞬时宏观变化在年轻人中似乎更可靠,这与"老化的大脑可能经历动态范围的普遍减少"的概念一致(Garrett等,2017,第1页)。

应当注意的是,作为静息态脑电图的主要信号,alpha-beta活动在EEG微状态量化过程中也发挥重要作用(Pascual-Marqui等,2022; Terpou等,2022)。然而,这种信号也会随年龄而变化(Tröndle等,2021),影响IAPF（个体alpha峰值频率）和IAPP（个体alpha峰值功率）(例如,图2和4c),并可能导致动态范围的减少。最近的观察进一步强调,当对不同频带而不是宽带(通常为1-30 Hz)信号估计时,规范微状态的可变性(Férat等,2021)。观察到,虽然规范微状态地形图(例如图3)在不同频带之间是一致的,类似于从宽带信号得出的结果,但不同频带之间的微状态测量估计仍存在相当大的可变性。年龄相关的持续alpha活动变化是否至少在某种程度上解释了本报告中观察到的微状态的年龄相关可变性,值得在未来研究中进行系统评估。我们得出结论,在理论化微状态在一般认知处理和特别是健康老龄化研究中的功能效用时,应考虑年龄的影响。

4.4 静息态功能连接的可靠性

总体而言,测试和重测采集会话之间的连接矩阵强度产生了从优秀到一般的高百分比可靠性。

使用icoh作为连接度指标,在两个年龄组中,alpha频带中超过50%的连接表现出一般到优秀的可靠性。在beta频带中,年轻组中27%的连接(具有一般到优秀的可靠性),老年组中为43%。从alpha到beta频带连接的比例减少是预期的,因为与alpha频带相比,beta频带的信噪比较低。平均所有连接的可靠性估计在两个年龄组之间等效。在两个年龄组中,表现出优秀可靠性的连接包括顶叶、感觉运动和一定程度上的额叶区域,年轻组比老年组具有略高比例的优秀连接。然而,beta频带中良好到一般可靠性的比例在老年组中更高。同样,使用TRGC（时间反转格兰杰因果）评估连接性时,alpha频带中约50%的连接表现出一般到优秀的可靠性,而老年组中相应比例为36%。beta频带中可靠连接的比例在年轻组为36%,而在老年组中再次略高(41%)。平均所有连接的可靠性估计在两个年龄组之间等效,表现出优秀连接的区域与使用icoh估计的相似。

总的来说,使用两种指标的连接可靠性估计是可比的,如预期的那样,它们的皮质分布与振荡功率的分布相似。然而,有趣的是,在老年组中观察到beta频带更高比例的可靠性。这一结果呼应了先前报告的随年龄增加beta频带相干性增加的观察结果(Moezzi等,2019; Vysata等,2014; Wang等,2017)。此外,最近的证据表明,在静息状态下,背侧注意网络和感觉运动网络内的整体网络beta频带功率在老年参与者中比年轻参与者增加(Kumral等,2020; Samogin等,2022)。后者的连接性也与更好的运动表现相关(Samogin等,2022)。由于功率差异可能表现为连接性差异,可以想象观察到的beta频带连接性增加可能与老年组beta频带功率水平较高有关。在目前的分析中,我们没有发现beta频带功率的显著组间差异(图1a和S2),因此功率差异导致连接性差异的可能性似乎不大。在老龄化研究中,连接性增加是一个常见发现(例如,Ferreira等,2016),然而最近的方法学考虑突出了老年参与者增加的运动伪影作为一个混杂因素(Vieira等,2020),当考虑到这一点时,往往会减弱随年龄增加而夸大连接性的效应。因此,可以想象,目前观察到的老年组中beta频带连接性夸大至少部分可归因于运动。此外,最近的一份报告强调了评估发送者和接收者中周期性信号存在的必要性(Schneider等,2021),因为同步意味着相干性(并可能解释格兰杰因果关系),但相干性并不意味着同步。后者通常是从连接性分析中推断的,然而当周期性信号仅存在于发送者或接收者中时,也可以观察到强相干值。可以想象,随年龄增长beta活动空间分布的增加(Kumral等,2020)可能导致表现出beta频带连接性的连接数量增加。虽然两个年龄组之间两种连接度指标的水平相等得到确认,但连接性发现的解释应谨慎对待。例如,通过使用个体电极位置和头部模型,同时评估行为数据和运动指标,增加敏感性,夸大的beta频带连接性的功能特异性以及系统评估构成网络节点的周期性可能是未来工作中一个有希望的研究方向。

4.5 总结

基于对大样本年轻人和老年人EEG静息态测量的现有检查,我们得出结论,持续振荡活动的可靠性估计,特别是在alpha和beta频带,在头皮和源水平上都是优秀的。个体alpha峰值频率和功率的可靠性都是优秀的。结合周期性参数化,可以估计持续神经振荡的存在或缺失,进而有助于后续连接性分析中感兴趣频率的决策。静息态EEG中暂时稳定的微状态的量化总体上是一种可靠的方法,具有高测试-重测可靠性。年龄对持续振荡活动的影响及其对微状态估计的影响应在未来工作中系统量化和考虑。