摘要

目的：微状态是半稳定的电压拓扑图，它能够解释静息态EEG地形图的大部分差异。然而，白天时间和睡眠对微状态的影响尚未得到检验。为了填补这一空白，本研究评估了在健康参与者中，晚上和早晨之间的微状态是否不同，以及睡眠慢波是否与微状态变化相关。

方法：共招募了45名健康参与者。每个参与者在早晚各接受6分钟的静息态EEG记录，期间包含睡眠EEG。本研究评估了从晚上到早上微状态持续时间、覆盖率和发生率的变化情况。此外，还分析了微状态变化与睡眠慢波活动(SWA)和慢波密度(SWD)之间的相关性。

结果：双因素方差分析(ANOVA)显示，微状态类别(A、B、C和D)×时间(晚上和早上)在持续时间(p=0.002)、覆盖率(p=0.001)和发生率(p=0.002)上存在显著的交互作用。事后比较显示，对微状态C的持续时间(padj=0.048)、覆盖率(padj=0.002)和发生率(padj=0.002)有显著影响。拓扑分析显示，SWD(而非SWA)与微状态C持续时间(r=-0.51，padj=0.002)、覆盖率(r=-0.45，padj=0.006)和发生率(r=-0.38，padj=0.033)的变化存在负相关。

结论：微状态特征的昼夜变化显著，这些变化与睡眠慢波有关，并可能受其调节。这些发现表明，未来的微状态研究应该控制时间以及睡眠带来的影响。

图形摘要

前言

微状态是一种半稳定的脑电图(EEG)电压拓扑图，具有明显的特征，可以解释大部分的EEG信号方差。四种典型的地形图分别为A、B、C和D。微状态A与听觉和视觉领域的加工以及个体唤醒水平有关，而微状态B与与自我相关的视觉加工有关，包括自我想象和自传式记忆。微状态C与显著信息加工有关，例如自我反思和自我参照的内部心理状态，而微状态D则与执行功能技能相关。

微状态通常通过计算三个特征来进行分析：(1)持续时间，表示每个微状态保持稳定的时间段(以毫秒为单位)；(2)覆盖率，表示每个微状态占总记录时间的百分比；(3)发生率，反映了微状态每秒出现的次数，与出现的持续时间无关。微状态特征可因外部或内部刺激、自发思维的内容、不同的警觉状态和药物干预而发生变化。同时，假定当大脑处于相同状态时(即闭眼静息态EEG)，微状态特征随时间保持稳定。先前的研究表明，在同一组健康参与者中，脑电地形图和微状态特征在不同的日子里是稳定的。然而，据所知，微状态特征尚未在同一组健康个体的不同时间(例如，入睡前[晚上]与醒来后[早上])进行过检查。由于脑电活动(包括alpha波)在晚上和早上之间存在差异，因此EEG微状态特征也可能在这些不同时间有所不同。

睡眠慢波是发生在深度非快速眼动睡眠期间的主要振荡活动，也称慢波睡眠。慢波广泛参与了日间活动的稳态调节，通常由两个主要参数表征：慢波活动(SWA)和慢波密度(SWD)。SWA代表了0.5-4.5Hz之间的脑电功率，是一种公认的睡眠需求标志，因为它与之前觉醒的持续时间成比例地增加，并且在整个睡眠期间逐渐下降。SWD是指每分钟在非快速眼动睡眠(NREM)期间出现的慢波数量，通常在睡眠压力增加后(例如，睡眠剥夺后)观察到SWD的增加。越来越多的证据表明，SWA和SWD在调节健康个体的日间活动和认知功能中发挥着重要作用，并且慢波参数反映了与觉醒相关的潜在大脑活动和连接变化。然而，脑电微状态在一天中不同时间点与慢波参数之间的关系，以及它们在调节微状态特征在晚上和早上之间的潜在作用，仍然未被探索。

本研究进行了闭眼静息态EEG记录，以评估健康个体在入睡前(晚上)和醒来后(早上)微状态特征的差异。本研究预期，从晚上到早上，微状态特征会出现显著变化(即用醒来后减去入睡前进行计算)，尤其是与微状态C相关的变化，因为该微状态最依赖脑电α功率(通常在一整天中都会波动)。本研究还通过对呈现夜间到早晨显著变化的微状态特征与SWA和SWD进行相关性分析，考察了微状态变化与慢波参数之间的关联。

材料与方法

参与者

共45名健康参与者(平均年龄21.44±4.63岁，18名女性)参与了本次研究。每位参与者均签署了书面知情同意，并且该研究获得了匹兹堡大学机构审查委员会的批准。清醒和睡眠EEG均在匹兹堡大学睡眠和行为神经科学中心进行。

静息态脑电数据处理与微状态分析

每位参与者在晚上和早上各进行了6分钟的静息态EEG记录，使用64通道或128通道系统(Electrical Geodesics INC., EGI, Eugene, Oregon)，采样率为250Hz。128通道系统包括64通道系统的所有通道。因此，对于具有128通道脑电数据的参与者，本研究选择了与64通道EEG系统重叠的64个通道进行分析。提醒参与者在整个EEG记录过程中保持闭眼状态。本研究收集的是两个3分钟的block，而不是一个6分钟的block，以最大限度地减少警觉性波动。使用自动阈值法识别噪声通道(三个标准偏差)；首先去除这些通道，然后用球面样条插值方法进行插补，同时使用小波独立成分分析去除高振幅伪迹(例如眨眼)、眼动伪迹、肌肉伪迹以及信号不连续等伪迹。然后，对数据进行2-20Hz的带通滤波，并执行平均重参考。使用MATLAB中的“bandpower”函数计算晚上和早上的α(8-13Hz)和θ(4-8Hz)功率。

使用CARTOOL软件进行如下微状态分析：对于EEG记录的每个时间点，计算全局场功率(GFP)(图1，S1)。微状态地形图通常在GFP峰值周围是稳定的；因此，使用GFP峰进行分割(图1，S2)。然后，使用极性不敏感的k均值聚类对峰值拓扑进行聚类分析。该分析产生了四个具有代表性的微状态地形图，解释了大部分的地形方差，这些地形图是基于元标准提取的，并被标记为微状态A、B、C或D(图1，S3)。然后，将聚类地图反向拟合到原始数据，并根据与基于全局不相似性测量计算的聚类地图的相关性，为每个时间点分配一个聚类标签(例如A、B、C或D)(图1，S4)。在标记过程完成后，将每个原始脑电信号表示为图A、B、C和D的顺序模式。从这些微状态时间序列中，可以得到三个微状态特征：持续时间、发生率和覆盖率。

图1.微状态分析的流程图。

睡眠脑电数据采集与睡眠慢波分析

使用与上述静息态记录相同的EEG系统和蒙太奇，收集了每位参与者的夜间睡眠EEG。采样率为250Hz，以Cz电极点作为共参考点。在每个电极上涂抹导电凝胶，以使所有通道的阻抗低于100kΩ。由经验丰富的睡眠研究技术人员使用美国睡眠医学学会的标准进行睡眠评分。本研究计算了两个主要参数：SWA和SWD。为了计算SWA，将脑电信号重新参考到两个乳突电极的平均值，并进行0.5-40Hz的带通滤波。通过算法删除坏段，该算法使用36s的移动窗口来识别坏段。NREM绝对脑电功率在δ频段(0.5-4Hz)进行了平均。在计算SWD时，采用自定义算法自动检测睡眠慢波。SWD是每分钟NREM睡眠中检测到的慢波数。

统计分析

采用两因素重复测量方差分析(ANOVA)评估了早晚之间微状态特征可能发生的变化，其中包括两个被试内因素：微状态类别(A、B、C和D)和时间(晚上和早上)，以及这些因素之间的交互作用。采用错误发现率进行多重比较校正。校正后的p值用padj表示。使用SPSS软件进行统计分析。此外，使用MATLAB中的“corrcoef”函数计算睡眠慢波参数与脑电α功率和微状态特征(公式如下)之间的Pearson相关系数，并使用“mafdr”函数对p值进行多重比较校正。最后，采用多元回归分析来评估脑电θ和α功率(作为睡眠压力的测量指标)的影响，并探讨了睡眠慢波参数(SWA和SWD)对微状态C的影响。

结果

提取的四个全局微状态分别标记为A、B、C和D(图1，S3)。两因素重复测量方差分析显示，在以下参数中存在显著的微状态类别×时间交互作用：平均持续时间(p=0.002)、覆盖率(p=0.001)和发生率(p=0.002)。事后配对比较显示，微状态C的每个特征都发生了显著变化：平均持续时间(padj=0.048)、覆盖率(padj=0.002)和发生率(padj=0.002)，见图2。描述性统计和事后分析结果见表1。

表1.所有三个微状态参数和每个微状态类的事后分析结果。

图2.微状态C的三个特征在早晚之间均有差异。

地形分析显示，SWA与微状态C特征之间没有显著相关性(所有padj＞0.05)。相反，SWD与入睡前(晚上)和醒来后(早上)微状态C的特征(持续时间、覆盖率和发生率)差异呈负相关。此外，夜间α功率变化与所有三个微状态C的特征均呈显著正相关(表2和图3)。在大多数脑电通道中，夜间α范围变化与SWD之间存在显著负相关(padj=0.007)，这与SWD和α功率在调节夜间微状态C变化中的相互作用是一致的。在进行跨通道多重比较校正后，这些效应仍然显著。为了评估这些相关性是否受到微状态C特征的天花板效应影响(即晚上数值较高导致早上变化较小)，本研究对SWD与微状态C参数进行了相关性分析，结果显示两者之间无显著相关性。本研究发现睡眠结构参数与微状态C特征之间没有显著关联。

表2.慢波参数与微状态参数以及α功率早晚变化的相关性。

图3.睡眠慢波参数和脑电α功率的变化与微状态C特征的变化相关联。

多元回归分析显示，SWA/SWD对微状态C有显著预测作用[显著性通道平均：持续时间C(padj=0.002)，覆盖率C(padj=0.01)，发生率C(padj=0.03)]。然而，当分别检查这两个参数时，本研究发现SWD对模型的影响显著[平均持续时间C(padj=0.004)，覆盖率C(padj=0.01)，发生率C(padj=0.045)]，而SWA的影响则不显著[持续时间C(padj=0.29)，覆盖率C(padj=0.70)，发生率C(padj=0.98)]。此外，在θ/α功率回归分析中也观察到了显著结果[显著性通道平均：持续时间C(padj＜0.001)，覆盖率C(padj＜0.001)，发生率C(padj=0.001)]；然而，虽然α功率对预测产生了显著影响[持续时间C(padj＜0.001)，覆盖率C(padj＜0.001)，发生率C(padj＜0.001)]，但θ功率却没有[持续时间C(padj=0.25)，覆盖率C(padj=0.12)，发生率C(padj=0.20)]。

讨论

本研究测试了健康个体在一天不同时间(即晚上和早上)的静息态脑电微状态的稳定性。在识别出的四种微状态中(即A、B、C和D)，只有微状态C显示出显著的微状态×时间交互作用。事后分析显示，从晚上到早上，微状态C的持续时间、覆盖率和发生率均显著增加。此外，SWD(而非SWA)与微状态C特征的这些变化呈负相关。

微状态C从晚上到早上显著增加。结合EEG和fMRI的多模态成像研究报告了微状态C与突显网络和默认模式网络部分重叠的区域，包括自我体验子网络。最近的研究表明，微状态C与个人重要信息加工、自我反思和自我参照的内部心理活动有关，而与自主信息加工无关。此外，基于对意识改变状态(包括睡眠、催眠和冥想)的研究，微状态C被认为在平衡内部和外部刺激之间发挥着作用。微状态C还与抑制控制、工作记忆、任务切换和精神运动警觉等认知功能有关。总的来说，这些发现强调了微状态C在大脑活动中的关键作用，这些活动不仅受到昼夜节律波动的影响，也受到睡眠的调节。因此，在评估微状态C在健康个体的这些脑功能中的作用时，控制一天中的时间和潜在睡眠影响是非常重要的。

微状态C参数与特定的大脑过程相关联；然而，研究结果往往不一致。例如，一项研究发现微状态C的发生率与舒适感和规划力呈正相关，而另一项研究则报告了微状态C的发生率与舒适感评分呈负相关。此外，微状态C的持续时间和发生率与厌恶量表得分以及情绪工作记忆训练后的蒙特利尔认知评估得分呈正相关。相反，另一项研究表明，微状态C的持续时间和覆盖率与反刍思维量表呈负相关，以及在情绪任务后的覆盖率、发生率和持续时间也呈负相关。总体而言，来自这些研究的证据表明，与静息态相比，当个体参与任务/活动时，微状态C的特征倾向于增加。

本研究的另一个重要发现是SWD与微状态C特征在晚上和早上之间的变化呈负相关。这种关联表明，睡眠慢波参与调节微状态C的特征。一个有趣的解释是，较高的SWD调节这些特征，因此它们更加稳定(晚上到早上的变化更少)，这与在其他微状态中观察到的情况一致。另一种解释是，SWD与微状态C特征之间的反比关系是由夜间微状态C的值较高所致，由于存在这种类似天花板的效应，所以早上的变化不太明显。然而，在这种情况下，SWD可能与夜间微状态值显著相关。

有越来越多的文献表明脑电微状态受警觉水平的调节；Krylova等人(2019，2021)发现微状态C的持续时间和覆盖率与警觉水平呈正相关；微状态A和B的发生率与警觉水平呈负相关。An等人(2023)报告了警觉水平对微状态B发生率的影响，而Ke等人(2021)则发现主观嗜睡程度与微状态A特征呈负相关，与微状态D特征呈正相关。本研究在晚上(入睡前)和早上(醒来后)分别收集两个3分钟的block，而不是一个6分钟的block，从而将警觉性的影响最小化。本研究还发现，只有微状态C的特征发生了显著变化，而不同的微状态及其特征并没有像以前关于警觉水平的研究那样发生了改变。

本研究证实了微状态C的变化可通过夜间至早晨脑电α活动以及SWD的变化来预测，从而表明睡眠慢波有助于维持α振荡，这反映在微状态C的变化上。事实上，之前一项考察微状态和脑电α活动之间关系的研究表明，与所有其他类别(即A、B和D)相比，脑电微状态C在大脑皮层的大部分区域具有更强的α活动。此外，另一项调查不同时间点脑电功率变化的研究发现，虽然夜间的θ功率比早上高，但α活动则相反。有趣的是，α振荡在入睡前清醒期的下降很明显，其特征是α振荡的次数减少，而不是振幅降低。在这里，本研究发现微状态C从晚上到早上的变化与SWD相关，而与SWA无关。SWD与夜间脑电α活动变化之间的显著负相关证实了睡眠慢波在维持α振荡中发挥重要作用的观点。另一项脑电研究也证实了这一作用，该研究显示睡眠剥夺后α频段的功率会降低。此外，最近的研究表明，与健康对照组参与者相比，首发精神病患者的SWD减少，以及与晚上相比，早晨脑电α活动的降幅更大。总之，这些发现进一步表明了SWD与α振荡的调节有关，并且在临床人群中存在慢波和α活动相互作用的功能障碍。SWA反映了整个δ频段(0.5-4Hz)的功率，而SWD是基于睡眠慢波检测计算得出的。关于微状态C特征与SWD(而非SWA)的关联，一种可能的解释是，与SWA相比，SWD更能准确地描述睡眠慢振荡(约1Hz)的发生，这些慢振荡主要负责睡眠的内稳态功能。另一种可能性是，在清醒状态下发生的短暂、准稳态事件，如微状态，在睡眠期间可以通过同样短暂、周期性的慢振荡(由SWD量化)更好地进行表征。

参考文献：Ahmadreza Keihani, Ahmad Mayeli, Francesco Donati, Sabine A Janssen, Chloe A Huston, Rebekah M Colacot, Obada Al Zoubi, Michael Murphy, Fabio Ferrarelli, Changes in electroencephalographic microstates between evening and morning are associated with overnight sleep slow waves in healthy individuals, Sleep, 2024;, zsae053, https://doi.org/10.1093/sleep/zsae053

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～