【神麻人智】用基于包络和相位的功能连接区分意识状态

使用神经生理学数据重建大脑连接组的研究使用两种内在耦合模式：包络耦合和相位耦合。这两种不同的耦合模式似乎在其谱和空间特征，动力学，机制以及功能上都有差异。评估脑信号的振幅包络被用来探测健康个体大脑中不同频段的长期时间相关性(LRTC)，也有研究显示LRTC在精神疾病、阿尔茨海默病和癫痫中的病理性改变。使用beta LRTC结合alpha振幅分类枕叶意识状态和无意识状态时，其准确率可达80%。相位耦合模式也被用来表示不同的意识状态，或预测恢复。

尽管整个大脑功能连接（FC）模式可以使我们深入理解意识的神经相关，但对于哪种耦合模式最适合识别意识的神经相关，人们一直缺乏共识。因此,本研究旨在对比两个常用FC指标——基于包络(即振幅包络相关、AEC)和基于相位(即wPLI)——在相同的源定位数据集中，分类麻醉药诱导的不同意识状态中的作用。

材料和方法

本研究是重建意识和认知(识别)研究的一个子集，该研究由密歇根大学医学院进行，并得到了机构审查委员会的批准。 所有参与者在实验开始前都要提供书面的知情同意书。完整的方案可以在之前的出版物中找到。

1. 受试者人群

这项研究包括9名健康志愿者(5名男性;24.4±1.0岁)，招募自密歇根大学。

纳入标准：1.ASA 1级或2级；2.体重指数低于30；3.气道分级为1级或2级；4.没有其他预测困难气道的因素。

排除标准：1.怀孕、反应性气道疾病、胃食管反流、心脏传导阻滞、哮喘、癫痫、阻塞性睡眠呼吸暂停病史、神经或精神疾病、麻醉意外家族史；2.任何目前或过去使用过的精神药物或非法药物。

2. 麻醉方案

至少有两名训练有素的麻醉医生参与麻醉方案。 

使用面罩对受试者进行预充氧，在15分钟的时间内静脉输注异丙酚以进行缓慢麻醉诱导(分别为100μg/kg/min、200μg/kg/min和300μg/kg/min)。 在给予异丙酚15分钟后，通过喉罩吸入年龄调整后1.3MAC的异氟醚并持续3小时。期间苯肾上腺素按需滴定以维持血压。停止异氟醚前30分钟，给予4 mg恩丹司琼以防止恶心。

在整个实验过程中，受试者的运动反应是通过一个听觉循环来评估的，这个听觉循环指示他们握拳自己的左手/右手每30秒两次，左右是随机的。

 3.数据采集和预处理

在整个麻醉过程中，脑电图数据以500Hz频率采集，完成后，在EEGlab对数据进行预处理。之前的研究已显示麻醉诱导无意识中alpha波段变化的证据。因此，基于之前的证据，本研究选取alpha波段，将信号滤过至8-13Hz范围。

图1.实验设计

麻醉方案和脑电图数据时段的时间线。矩形代表五个5分钟EEG采集时段，从中使用基于包络和相位的功能连通性指标构建功能网络。蓝色矩形代表反应的时段，而橙色矩形代表无反应的时段。 

实验过程中，选取5个状态连续记录5分钟的脑电图，其中一些状态反映了麻醉诱导的意识转换(图1)。(1)基线：在麻醉给药前记录; (2)轻度镇静: 以100μg/kg/min稳定输注速度输注异丙酚后的首个5分钟，在此期间受试者有行为反应; (3)无意识:所有麻醉药停止后的前5分钟(即3小时手术水平麻醉结束)，在此期间所有受试者保持无反应，但大脑开始向意识恢复过渡; (4)意识恢复（ROC）前（pre-ROC）: 最后5分钟的无反应时间，即ROC之前5分钟，反映了大脑向意识恢复过渡的结束; (5)恢复期，ROC后180 min进行记录。在所有的实验状态中，参与者被要求闭上眼睛保持平静。

4.脑电图分析

4.1源估计

预处理后的脑电图数据导入Brainstorm分析软件进行源估计。所有分析时段均用于生成数据协方差矩阵，而单位矩阵则用作噪声协方差矩阵。

4.2基于包络的连通性:振幅包络相关（AEC）

在所有参与者各种实验状态下，通过对源定位脑电图进行希尔伯特变换在10秒内生成振幅包络。为了计算每个实验状态下的AEC,以 10秒的窗口在整个信号上以1秒的步长移动。为了可视化每个实验状态的AEC矩阵，将所有个体状态的AEC平均。

4.3基于相位的连接性:加权相位滞后指数（wPLI）

与AEC类似的是，加权相位滞后指数也以10秒的时间窗计算，5分钟的状态移动步长为1秒，因此每个实验状态都有一个FC矩阵的时间序列。加权相位滞后指数的全局连通性被计算为每个感兴趣脑区（ROI）到AAL图谱中定义的其他大脑区域的平均连通性，并对每个实验状态进行计算。

5.机器学习分析：通过特征提取和模型选择再进行分类

为了研究AEC和wPLI FC在区分基线和其他实验状态中的作用，本文使用前面选择的特征参数实现了四种不同的分类器。训练了两个额外的分类模型:一个用于区分无意识(“深度”无意识)和pre-ROC(“轻度”无意识);另一个用于区分反应性(基线、轻度镇静和恢复)和无反应性(无意识和pre-ROC)。所有6个分类器分别在3组数据上进行训练:1)单独的AEC特征;2) 单独wPLI特征;3) wPLI和AEC特征相结合。此外，所有模型都是使用留一法（LOSO）交叉验证实现的。每个模型性能通过9次LOSO重复而得到的平均值进行评估。

6.统计分析

使用置换检验评估分类器性能的统计意义。在置换检验中，分类器性能使用LOSO交叉验证进行评估。对训练和测试数据的标签进行随机排列，并使用排列后的数据集评估分类准确性。这个过程被重复了10,000次，以创建一个随机精度的零分布。如果大于所有10,000个置换精度，真实分类器的准确性被认为在p<0.001显著。

结果

1.基于包络和相位的连通性在意识状态之间产生了不同的整体连通性模式

连接模式以及参与整体连通的脑区，在基于包络和相位的FC测量中有所不同(图2、图3)。AEC在无意识时段产生了最强的网络连接，而wPLI连接则在意识完全时期(即基线和恢复)是最强的。

AEC:在意识完全时段(即基线和恢复阶段)，AEC整体上显示出较弱的连通性，其中最强的是位于中央和颞叶脑区。在轻度镇静状态下，顶叶和枕叶的连通性显著增加，这一现象在无意识状态下进一步增强，表明大脑的连通性增强。Pre-ROC的特征是整体连通性下降，最显著的是顶叶、颞叶和枕叶区域。

wPLI:在意识完全时段(即基线和恢复期)，wPLI在颞、顶叶和枕叶显示出最强的连通性。在轻度镇静期间，整体连通性略有下降，枕叶仍然保持最强连接。无意识时期的标志是左半球额叶和中央连接的增加，以及沿中线和颞下回的增加。在所有的实验状态中，pre-ROC显示出所有ROI中最弱的连通性。在AEC和wPLI两种状态中，ROI连接强度在半球间存在差异。

图2. 不同意识状态下82个皮层兴趣区域（ROI）之间的alpha频段平均连接矩阵

连接矩阵取所有参与者每个实验状态以及每个指标(即振幅包络相关(AEC)和加权相位滞后指数(wPLI))的平均值。红色代表连接强度较高，而蓝色代表连接强度较低。右(R)和左(L)半球都在每个矩阵中有标注。 

图3.不同意识状态下82个感兴趣的皮层脑区间，Alpha频段中源定位整体连通性地形图

为了比较和对比不同意识状态下振幅包络相关（AEC）和加权相位滞后指数（wPLI）的连接性模式，在根据AAL图谱划分的大脑82个脑区显示了每个5分钟时段的AEC和wPLI的组水平平均值。对于每个时间点和每个指标，相同的地形图在两个不同的视图中描述：轴向俯视图（左）和左半球矢状视图（右）。每个ROI与AAL图谱中定义的大脑其他区域的平均连通性用颜色表示：红色代表较高的连通性强度，而蓝色代表较低的连通性强度。 

2. 在麻醉诱导的无意识状态中，AEC比wPLI具有更高的分类准确度

2.1不同意识状态分类准确度的差异

当将不同状态与基线进行比较时，在对不同意识状态分类方面，AEC比wPLI表现得更好(图3A)。无意识状态中AEC准确度最高(83.7±0.8% [95% CI: 82.0-85.5%])，其次是pre-ROC (68.5±1.0% [95% CI: 66.6-70.4%])，轻度镇静时段(54.0±1.4% [95% CI: 50.9-56.5%])和恢复时段(52.8±1.4% [95% CI: 49.9-55.3%])。

在wPLI中，无意识状态的分类准确率比AEC低，而其他的分类准确率与AEC无统计学差异。具体来说，wPLI分类准确率在无意识状态下最高(69.4±1.1%[95% CI: 67.3-71.7%])，其次是pre-ROC(68.1±1.1%[95% CI: 65.9-70.1%])，轻度镇静(50.6±1.6% [95% CI: 47.3-54.0%])，恢复时段(49.8±1.4% [95% CI: 47.1-52.4%])。置换分析显示，wPLI准确性在轻度镇静和恢复时段并不比概率高，而这两种状态受试者都是存在反应的。

尽管AEC对无意识的分类准确度显著高于pre-ROC(p <0.05)，但wPLI在这些状态的分类准确度上没有明显的差异。当结合AEC和wPLI时，与AEC分类准确率相比，在任何时间段上，分类准确率没有显著提高:无意识(84.1±0.9% [95% CI: 82.5-85.8%])， pre-ROC(69.8±1.0% [95% CI: 67.8-71.7%])，轻度镇静(52.6±1.3%)(95%置信区间CI: 50.0-55.0%)),和恢复(54.6±1.4%(95%置信区间CI: 51.8 - 57.4%))。这表明AEC与wPLI结合后的表现同样良好。 

图4. 意识状态的AEC和wPLI分类

比较分类准确度的机器学习结果，连接度量方法(A)和每个受试者(B, C): A) 轻度镇静、无意识、pre-ROC和恢复期的振幅包络相关(AEC)和加权相位滞后指数(wPLI) 的分类准确度;B)每个受试者无意识时期的分类准确度，AEC(浅蓝色)和wPLI(深蓝色);C)pre-ROC的个体分类准确度，AEC(浅蓝色)和wPLI(深蓝色);D)AEC(红色)和wPLI(蓝色)在分类无意识和pre-ROC中不同皮层感兴趣区的作用;根据特征均值(上)和标准差(下)。图示轴向俯视图和左半球中矢状面视图。 

2.2.意识状态分类准确度的个体间差异

如图4B和4C所示，AEC和wPLI的分类准确度在个体间和个体内存在较高的差异。在无意识状态下，AEC的个体间分类准确率在71.6%到96.4%之间，而wPLI的个体间分类准确率在45.1%到89.7%之间。而在pre-ROC，AEC分类的准确率在36.8% - 88.7%之间，wPLI在47.7% - 87.6%之间。个体内分类准确度的差异也是高度可变的。在单个个体（单个受试者）中，无意识状态下，wPLI和AEC的分类准确率差异高达26.2%，在pre-ROC状态下差异也高达10.9%。

图5.AEC与wPLI分类“深”与“浅”无意识

区分无意识（“深度”无意识）和pre-ROC（“浅”无意识）的模型中，振幅包络相关（AEC）和加权相位滞后指数（wPLI）的分类准确度。B：根据特征平均值（上）、标准偏差（下），AEC（红色）和wPLI（蓝色）分类无意识和pre-ROC时，在各种感兴趣皮层区的作用程度。图示为轴向俯视图和左半球中矢状面视图。

∗ p<0.05。（关于本图例中颜色的说明，读者可参考本文的网络版。）

参与无意识和pre-ROC分类的脑区在AEC和wPLI之间存在差异(图5B)。标准化均值和标准差都有助于意识状态的分类。在无意识状态下，与AEC分类最相关的脑区在整个大脑中分布相当分散，而与wPLI连通性分类相关的那些脑区主要位于后部如果是基于其平均值，或是前部如果是基于其标准差。在pre-ROC，参与AEC分类的ROIs也分散在整个大脑；相反，在wPLI分类中，当基于平均值时那些参与分类的主要位于后部脑区，当基于标准差时则在额叶，颞叶和顶叶。在这两种情况下，每个ROI对分类的作用在半球之间存在重要差异。这在AEC中尤为明显，其分类准确性在很大程度上依赖于右半球，尤其是额叶和中央ROIs。虽然这两个指标使用相同的信号预测了相同的状态，但这些结果表明，对意识状态分类中这两个指标来自不同的脑区。

3.AEC比wPLI更能区分无意识的不同深度

在区分无意识(“深”无意识)和pre-ROC(“浅”无意识)的分类模型中，AEC被认为比wPLI更能区分不同深度的无意识(图5A)。更具体地说，在区分无意识和pre-ROC的模型中，AEC的分类准确率为66.3±1.2% [95% CI: 64.1-68.8%]，高于wPLI 56.2±1.3% [95% CI: 53.8-58.8%]的准确率(p <0.05)。而结合AEC和wPLI模型的准确率为66.4±1.2% [95% CI: 64.2-68.8%]，因此结合AEC和wPLI并没有比单独使用AEC进一步提高分类器的准确性。

AEC和wPLI中参与分类无意识时段和pre-ROC时段的脑区是不同的(图5B)。在这个模型中，参与AEC分类的脑区分布在整个大脑中，并且在大脑半球之间存在显著差异。尽管参与wPLI分类的ROI也显示出半球差异，但参与wPLI分类的基于均值ROI主要位于中央和后部，而那些参与wPLI分类的基于标准差ROI主要位于前部。 

图6. AEC和wPLI分类反应和无反应

A:振幅包络相关(AEC)和加权相位滞后指数(wPLI)在区分反应性模型(即基线，轻度镇静，恢复)和无反应(即无意识，pre-ROC)。B:不同皮质区在分类反应和无反应中的作用程度

用AEC(红色)和wPLI(蓝色)表示反应性和无反应性，并根据特征均值(上)和标准差(下)表示。图示左半球轴向俯视图和中矢状面视图。

*p < 0.05。(读者可参考本文的网络版，以解释本图例中有关颜色的参考资料。)

4.AEC比wPLI更能区分反应性和无反应性

在区分反应性(即Baseline, Light Sedation, Recovery)和无反应性(Unconscious, Pre-ROC)的分类模型中，AEC比wPLI更能区分反应性和无反应性(图6A)。更具体地说，该模型中AEC(76.0±1.3% [95% CI: 73.5-78.2%])的分类准确率高于wPLI(63.6±1.8% [95% CI: 59.7-66.7%]) (p <0.05)。结合AEC和wPLI相较于单独使用AEC并没有进一步提高分类的准确性，AEC和wPLI结合模型的准确性为73.6±1.4% [95% CI: 70.9-76.1%]。

参与反应与无反应分类的脑区在AEC和wPLI之间也存在差异(图6B)。参与AEC分类的脑区分布相当分散，而参与wPLI分类的脑区主要位于后部基于其平均值，而基于标准差则位于前部，尽管并非完全如此。

讨论

在这项研究中，直接比较了基于包络和基于相位的FC指标、即AEC和wPLI构建的源定位脑网络，使用了多个麻醉诱导无意识状态的EEG数据集。结果表明，AEC和wPLI构建了不同意识状态下不同的整体alpha波段连接模式，并在意识状态的变化中构建了不同的功能网络且对大脑的功能重组进行差异化定义。然而，在意识状态和反应状态的对比变化中，基于包络的AEC成为这两个指标中的优势指标。

虽然AEC的总体分类结果准确率较高，但此两种FC指标的预测能力仍存在显著的个体差异。目前研究中尚未具有针对每个个体意识状态分类而设计的分类器，因此未来在单个个体中研究意识连通性需要考虑多种耦合模式来确定最适合定义个体自身意识状态变化的指标。

本研究还存在几个局限性。

1.参与研究的人数相对较少（n=9）。本文通过应用single-epoch机器学习方法来解决这一局限性，采取在所有参与者中分离所有数据段（n=5076），并通过应用LOSO方法来控制由于受试者特质而产生的偏差，从而确保分类器不会对其随后分类的数据进行训练。

2.使用基于相位（即wPLI）和基于包络（即AEC）连接性的单一指标来评估这些功能耦合在意识状态分类中的性能。在这两种指标中，还有大量其他指标可供选择；本文结果可能会因为选择了一个不适合评估意识的连接性指标而产生偏差。

3.无意识是由麻醉药物诱导的，因此观察到的连通性变化可能是麻醉药物的作用，而不是意识本身的状态。

4.不同的药物用于麻醉诱导和维持可能对脑电图产生不同的影响。所得结果需要未来在不同意识状态的研究中得到证实，如睡眠、意识障碍或使用其他全麻药物。

5.此次研究中使用的机器学习算法具有一定局限性，具有足够大数据集的更复杂算法将会更好，缺点是其决策边界将难以解释。   

6.分类准确率是根据五种实验状态下正确标记的时间步长百分比来估计的。因此，这种方法没有考虑到每个状态内的时间变异性，这些变异包含了关于意识状态改变中FC动力学的丰富信息，包括睡眠和药物诱导的无意识。此外轻度镇静、无意识和pre-ROC状态可能是麻醉剂效应室浓度逐渐变化的时期。因此，在5分钟内平均FC指标会妨碍识别这些时期内FC的细微变化。

7.机器学习的特征由AEC和wPLI连通性矩阵中所有列的平均值和标准差所定义。因此，对结果的解释仅限于假设一个ROI与整个大脑的连通性，而不是两个不同ROI之间的连通性。还需要进一步研究，以便在一个更精细的特征空间（包含所有可能的单独连接）上研究FC。

8.本文结果适用于在不同意识状态使用alpha波段源定位数据，可能不适用于其他频带、范式、任务或状态。未来的方向应该是，评估基于包络和相位连通性对其他类型大脑分析的作用。

结论

在构建功能性大脑网络时使用的连接类型对意识研究具有重要意义。本文是第一项直接比较不同意识状态下基于包络和相位的FC研究。使用多种麻醉药物诱导健康成年人无意识状态而收集到相同源定位EEG数据集，该研究表明，alpha波段的AEC和wPLI在整体连通性、预测能力以及具有最高预测能力的脑区都是不同的。特别是发现AEC在区分不同深度的麻醉诱导无意识时，以及区分反应性和无反应性状态时，在不同意识状态的分类上均优于wPLI。AEC和wPLI会表现出不同的连接模式，并由不同的脑区进行分类。总的来说，研究表明为构建功能性大脑网络而选择的连接性度量类别可能会极大地影响所评估意识状态的连接性变化以及这些变化最明显的时间。未来FC研究的目的是弥补基于包络和相位的耦合模式在方法上的差距，并需要考虑扩展其解析工具集、进行波形包络和相位的多方面分析，以优化脑功能动力学的特征和解释。

编译：黄芜亚

审校：汪乐天

打赏