从时间变异性角度看睡眠剥夺后的异常动态功能连接

睡眠剥夺(SD)在现代社会非常普遍，被认为是几种临床疾病的潜在因果机制。先前的神经影像学研究已经利用磁共振成像(MRI)从静态(比较两个MRI会话[一个在SD后和一个在休息清醒后])和动态(在SD的一个晚上重复MRI)的角度探索了SD的神经机制。最近的研究主要集中在静息状态扫描时的动态脑功能组织。本研究采用一种已成功应用于许多临床疾病的新指标(时间变异性)来检测55名正常青年受试者SD后的动态功能连接。我们发现，睡眠不足的受试者在大范围的大脑区域表现出区域水平的时间变异性增加，而在几个丘脑亚区域表现出区域水平的时间变异性减少。SD后，参与者在默认模式网络(DMN)中表现出更强的网络内时间变异性，在许多子网对中表现出更强的网络间时间变异性。通过逐步回归分析发现，视觉网络和DMN之间的网络间时间变异性与精神运动者警觉测验最慢的10%反应速度呈负相关。综上所述，我们的研究结果表明，睡眠不足的受试者表现出异常的脑功能动态结构，这为研究睡眠不足的神经基础提供了新的见解，有助于我们理解临床障碍的病理生理机制。

1.简介
睡眠不足是现代社会普遍存在的问题。此前的研究报告显示，35%的美国成年人在典型的24小时内睡眠不足7小时，这一现象在美国中学生和老年人中更为突出。有充分的证据表明，睡眠不足对人体健康有害，并会导致认知功能障碍，即使是在SD一晚之后。显著的是，注意力缺失、工作记忆受损、决策障碍、情绪处理受损与某一晚的SD有关。此外，最近的研究表明，SD是阿尔茨海默病、帕金森病等各种神经系统疾病的致病机制之一。精神障碍患者在这些疾病的早期阶段会出现睡眠不足，多项研究表明，这种睡眠不足可能是精神病的潜在病因机制。因此，阐明SD的潜在机制是基础和临床神经科学的一个重要目标。越来越多的神经影像学研究利用磁共振成像。最近，我们小组在这个研究领域进行了一系列的研究。通过比较SD会话和静下清醒(RW)会话，我们报道了SD后抑制控制的表现较差和抑制控制的大脑激活缺陷。我们进一步发现，一个晚上的SD可能会导致大脑结构的改变，而RW会话中的结构MRI数据可以线性预测SD后反应抑制的改变。在静息状态功能MRI (rsfMRI)数据中，我们的研究小组使用被掩盖的独立成分分析报告了海马亚区域静息状态功能组织的破坏，以及半球间静息状态功能连接(FC)的增加，这可能反映了SD后的代偿机制。使用扩散张量成像，我们检查了认知能力的个体间差异与脑白质特征之间的关系。这些研究采用了典型的实验范式，即进行两次磁共振扫描(SD后一次，RW后一次)。然而，这类研究描述的是SD后被调节的大脑，而不是SD期间的调节过程。为此，我们课题组增加了SD整个时间段的MRI扫描次数，探索了SD一个晚上大脑对持续注意任务和工作记忆任务反应的动态变化。上述研究从静态和动态两方面揭示了SD的神经机制，使我们对SD有了更深入的认识。

除了使用重复功能磁共振成像(fMRI)进行动态分析外，最近的研究还基于滑动窗方法研究了静息状态扫描中SD对动态功能脑组织的影响，时间顺序从秒到分钟。研究表明SD后FC状态之间的停留时间和传输发生了改变。Longet al.研究了部分SD后丘脑的FC变异性的年龄相关变化，并报道称，在限制睡眠3小时后，年轻人的左丘脑和左上顶叶皮层之间的FC变异性降低。然而，FC状态分析测量了全脑动态FC的模式，而不是特定地区的动态FC架构。FC变异性分析量化了两个脑区之间FC的波动，缺乏全球信息。最近，Zhang等人提出了一种新的中尺度脑功能动力学测量方法——与特定区域相关的功能结构的时间变异性，与上述两种测量动态FC跨区域特性的方法不同。这种方法允许耦合分析区域及其神经活动的时间变异性，并可以定位在组之间显示显著变异性变化的区域，以及显示与行为相关的显著变异性的区域，从而有助于揭示大脑疾病的潜在神经成像机制。它已成功应用于包括精神分裂症在内的多种疾病、重度抑郁症、中风、帕金森病和阿尔茨海默病。这些研究表明，时间的变化可能为大脑疾病的神经基础提供新的见解。考虑到SD可能是这些疾病的潜在因果因素，实验控制SD是一种有价值的精神分裂症实验医学模型，对SD后的时间变异性进行研究可能会促进我们对临床疾病病理生理学的理解。然而，SD对时间变异性的影响尚未得到描述。在本研究中，我们调查了一个晚上的SD对55名健康青年受试者的时间变异性的影响。首先，我们使用Zhang等人引入的方法，测量了RW和SD后FC结构的区域水平时间变异性，并比较了RW和SD状态之间的时间变异性差异。同样，使用(Sun et al.，2019)引入的方法分析了FC架构的网络内和网络间的时间变异性。最后，我们利用逐步回归分析探讨了时间变异性与警惕注意力之间的相关性。

2.方法简述

2.1 被试和实验过程

本研究从西安电子科技大学招募68名正手健康青年受试者。排除异常数据之后，共纳入55名受试者，平均年龄20.58 1.83岁(范围18 23岁;29男，26女)。

所有受试者被安排到实验室进行三次访问。在第一次来访时，受试者经历了筛选过程，并被告知实验程序，并被告知关于精神运动警觉测试(PVT)的指导。在整个实验过程中，受试者还被要求记录睡眠日记，以验证受试者是否遵守了有规律的睡眠时间表。1周后，符合纳入标准的受试者进行第二次访视。在本次访问中，受试者经历了RW期或SD期。在第三次访问中，受试者经历了另一阶段。

我们使用PVT来测量警觉注意力，这是被SD严重损害的认知领域。

磁共振数据来自中国西安空军医科大学西京医院放射科的3T GE MR750扫描仪。采集T1结构像和7min静息态核磁数据，被试放松、固定、睁眼、清醒。

2.2 数据分析

2.2.1 预处理

SPM12和CONN进行预处理。为了稳定信号，并让参与者适应扫描噪声，我们丢弃了每次会话的前五卷rsfMRI数据。然后，其余205卷rsfMRI使用CONN的默认预处理管道进行预处理，包括7个步骤。(1)功能重组和解经。剩余的rsfMRI数据使用SPM12重新排列和解曲程序重新排列到每个会话的中间体积，以进行头部运动校正。为了控制头部运动对结果的影响，在每个疗程中平移超过2毫米或旋转超过2毫米的受试者被排除在最终分析组之外。六名参与者被排除在高头部运动之外。(2)重新排列后的数据以(0,0,0)坐标居中。(3) Slice-timing修正。(4)离群点检测。根据中间设置(标准样本中的97%)，使用伪迹检测工具箱(ART;https://www.nitrc.org/projects/artifact_detect/)对功能扫描进行伪迹和运动异常值识别。时间点标记为全球血氧水平相关(BOLD)信号变化超过5个标准差和超过0.9 mm的帧内位移的异常值。(5)功能直接分割和归一化。采用SPM12统一分割和归一化程序，体素大小为2x2x2mm³。(6)三维t1加权结构图像以(0,0,0)坐标为中心。(7)结构分割与归一化。结构数据被分割为灰质、白质和脑脊液，并使用类似于应用于功能数据的程序归一化为标准的MNI空间，体素大小为2x2x2mm³。(8)功能的平滑。为了提高BOLD的信噪比，使用全宽为8mm的半最大值高斯核对数据进行空间平滑。最后，利用去噪管道，使用基于解剖成分的噪声校正程序。混杂因素包括来自白质和脑脊液的10个噪声分量(各5个分量)，主成分分析，12个运动相关参数(3个平移和3个旋转参数及其相关的一阶导数)，以及从功能异常值检测中获得的擦洗参数。然后，以0.008-0.09 Hz的频率窗进行时间带通滤波，聚焦于慢频率波动，最大限度地减少生理、头部运动等噪声源的影响。还进行了线性去趋势处理，以消除每个会话中的线性趋势。

2.2.2 FC结构时间变异性

图1说明了计算时间变异树类型的分析管道。FC架构与大脑区域相关的时间变异性是基于先前描述的方法进行评估的。1）全脑分N区，2）提取对应的平均时间序列，3）时间序列加窗分段，4）窗内计算NXN FC矩阵，5）计算区域水平时间变异性。第k个区域的时间变异性计算为：

其右边部分的后式计算了i时间和j时间区域k的FC矩阵的相关性的平均值，是k区域在不同时间窗平均相似性的度量。

另，计算了网络水平FC结构的时间变异性如下：1）N ROI分为9个功能子网，包括皮下、小脑以及Yeo(2014)的7个静息态网络：视觉、感觉运动、背注意、腹侧注意、边缘、额顶、默认网络。对网络p，有Np个ROI被分配。网络内时间变异性：

网络间时间变异性：

最后进行验证分析和统计分析。

图1 计算三种时间变异性的流程
3. 结果

3.1 行为学数据

SD后PVT表现更差，如表1.

3.2 区域时间变异性

在RW过程中，受试者在大量大脑区域中表现出较低的区域水平时间变异性(图2a)，尤其是VN(包括-双侧楔叶、双侧距状皮层、双侧舌回和双侧梭状回)、DMN(包括双侧眶外侧回(OFClat)、双侧额上回内侧(Frontal_Sup_Medial)、双侧额上回内侧眶(Frontal_Med_Orb)、左额下回眶部(Frontal_Inf_Orb))和VAN(包括aal3图谱的双侧岛叶、双侧边缘上回(SMG)和扣带回(MCC)&双侧扣带中部。在SUB(包括丘脑、壳核和伏隔核(N_Acc))、CN和双侧前扣带皮层、胼胝体上(ACC_sup)中观察到高区域水平的时间变异性(图2a)。这些结果表明，VN、DMN和VAN区域的功能结构在不同时间窗口下高度相关，而SUB、CN、ACC_sup和其他区域之间的动态FC时间序列是异步的。对于SD阶段，低区域水平的时间变异性覆盖了双侧楔叶、双侧钙质、双侧杏仁核、双侧椎板内丘脑和双侧外侧后丘脑(图2b)。受试者在AAL3图谱双侧ACC_sup、双侧N_Acc、左腹后外侧丘脑、双侧中背内侧大细胞丘脑和小脑(图2b)显示了高区域水平的时间变异性。与RW组相比，经过FDR校正后，受试者在多个脑区表现出显著增加的区域水平时间变异性。受累区域包括双侧OFClat、左侧Frontal_Inf_Orb、双侧Frontal_Sup_Medial、双侧海马区(HIP)、双侧补充运动区(SMA)、双侧中央后回、双侧小脑半球小叶III区(Cerebellum_3)等(表2、图2c)。此外，经过FDR校正后，丘脑各亚区域和蚓部的区域水平时间变异性显著降低。

图2 休息清醒和睡眠剥夺后AAL3模板的全脑区域时间变异性地形图

3.3 网络水平时间变异性

如图3和表S1所示，睡眠不足的受试者在DMN和SMN中显示网络内时间变异性增加，而在使用AAL3图谱时，FDR校正后，SUB和CN中发现网络内时间变异性降低。

所有36个网络间时间变异性，发现SD-FDR校正后20个显著增加和1个显著减少（表3，图4）。

图3 AAL3图谱显示RW和SD之间网络内时间变异性的显著变化。

图4 使用AAL3图谱进行FDR校正后，RW和SD之间的网络间时间变异性发生显著变化

3.4 验证结果

对Shen-268图集，区域水平时间变异性，受试者在经过FDR校正的SD后，VN、SMN、DAN、VAN、LN、FPN、DMN和cnn等大范围脑区区域水平时间变异性显著增加。我们还发现丘脑和小脑区域水平的时间变异性显著降低。

同时，我们还发现，在使用两种脑模板进行SD后，若干丘脑亚区域显示区域水平的时间变异性降低(表S2和图5)。

对于网络间时间变异性，我们在Shen-268功能图谱中发现，经过FDR校正后，有19例网络间时间变异性显著增加，4例网络间时间变异性显著降低(在LN、VN、VAN、DMN和SUB之间)(表S3和图S3)。然而，使用两种图谱(图6)进行SD后，有15种网络间时间变异显示显著变化:VN-SMN、VN-DMN、SMN-DAN、SMN-DMN、DAN-LN、DAN-FPN、DAN-DMN、DAN-CN、VAN-FPN、VAN-DMN、VAN-CN、LN-FPN、FPN-DMN、FPN-CN和DMN-CN。SD后，所有这些子网络对的网络间时间变异性均增加。

图5 使用AAL3模板和Shen-268功能图谱，重叠的脑区显示SD后区域水平的时间变异性的显著变化。

图6 使用aal3图谱和Shen-268功能图谱进行SD后，共有子网对显示网络间时间变异性的显著变化。

3.5 时间变异性和临床变量之间的相关性

对于SD状态，我们发现逐步回归分析后(图7)。只有10%的慢1/RT可以成为vn和DMN之间网络间时间变异的重要预测因子。以上结果表明，10%的慢1/RT对VN-DMN网络间时间变异性有显著的负面影响。然而，时间变异性的差异与PVT测量值的差异之间没有显著的关系。

图7 时间变异性与SD状态下PVT的表现相关

4.讨论

在本研究中，我们采用了一种新的指标(时间变异性)来探索SD后静息状态下FC的动态变化。我们的主要发现如下。(1)在区域水平上，与RW相比，睡眠不足的受试者表现出广泛的显著变化，包括几个大脑区域的时间变异性增加，如视觉皮质、初级感觉运动皮质、FPN、DMN等，以及SD后几个丘脑亚区域的时间变异性降低(图5和表S2)。(2)对于网络内时间变异性，SD后DMN的网络内时间变异性增加。(3)受试者SD后，VN-DMN、FPN-DMN等15个子网的网络间时间变异性增加(图4和图6)。(4)VN和DMN之间的网络间时间变异性与AAL3图谱显示SD状态下PVT的10%慢1/RT呈显著负相关(图7)。这些结果表明，睡眠被剥夺者在时间变异性方面表现出广泛的功能网络异常，而时间变异性异常也与行为表现相关，从而为理解SD提供了新的见解。

对于RW状态，我们发现VN、DMN和VAN区域，如楔叶、距皮层、梭状回、内侧额回和岛叶等显示了非常低的区域水平时间变异性，这与Zhang等人在健康对照组中的发现一致。然而，SUB和CN地区表现出高区域水平的时间变异性，这是Zhang等人没有发现的。这些不同的发现可能源于不同的大脑模板。Zhang等人计算了AAL模板的90个区域的区域水平的时间变异性，其中排除了CN，并将丘脑作为整个ROI。我们测量了152个aal3模板区域和268个包含CN的Shen图谱区域的区域水平时间变异性，并将丘脑划分为几个亚区域。

SD后，在功能网络的大范围区域(VN、SMN、VAN、LN、FPN和DMN)中发现区域水平的时间变异性增加，这表明这些区域与所有其他区域之间的动态FC序列保持独立。先前的神经成像研究表明，使用低频波动幅度(ALFFs)、波动幅度百分比(PerAF)和区域同质性(ReHo)进行SD后，视觉皮层和感觉运动皮层的区域自发波动增加。Qi等人(2021)研究了SD对岛叶FC的影响，岛叶是VAN的核心枢纽。他们发现SD后岛叶和前额叶皮质以及ACC之间的FC增加，岛叶和颞、顶叶、枕叶区域之间的FC减少。对于LN, Li等人使用ROI-体素分析发现SD减少了海马与SMA、SFG和颞区之间的FC，并增加了丘脑之间的FC。此外，我们之前的研究利用被掩盖的ICA研究了SD对海马亚区域FC的影响，并发现了SD对FC特异性海马区域的不同影响。此前已有研究报告称，SD后认知能力下降与DMN、FPN和dan等功能性脑网络失衡有关。多项rsfMRI研究显示，SD后FPN和DMN内FC异常。结合本研究结果，提示SD后脑区功能整合异常。

5. 总结

综上所述，本研究从时间变异性的角度探讨了SD对动态FC的影响。我们发现，SD后大尺度功能型网络区域(VN、SMN、VAN、LN、FPN和DMN)的区域水平时间变异性增加，而若干丘脑亚区域的区域水平时间变异性降低。SD后观察到DMN网络内时间变异性增加。一些子网对也显示SD后网络间时间变异性增加。此外，DMN和VN之间的网络间时间变异性与PVT表现呈负相关。这些发现表明，参与者表现出广泛的动态FC配置异常，这为SD的神经基础提供了新的见解，并促进了我们对临床疾病病理生理的理解。

参考文献：Abnormal dynamic functional connectivity after sleep
deprivation from temporal variability perspective