老年人ThetaGamma跨频率耦合与
摘要
Theta-gamma耦合（TGC）是支持工作记忆（WM）的一种神经生理机制。TGC与N-back表现（一种WM任务）相关。与TGC相似，theta和alpha事件相关同步化（ERS）和去同步化（ERD）也和WM相关。很少有研究探讨WM表现和TGC、ERS或ERD之间的纵向关系。本研究旨在确定WM表现的变化是否与6到12周内TGC（主要目的），以及theta和alpha的ERS或ERD的变化有关。包括62名60岁及以上的被试，无精神疾病或缓解型重度抑郁障碍（MDD）且无认知障碍。在N-back任务（-back）期间使用脑电（EEG）评估TGC、ERS和ERD。在控制组中，-back表现的变化和TGC、alphaERD和ERS、以及thetaERS的变化之间存在相关。相比之下，在缓解型MDD亚组中，-back表现的变化只和TGC的变化之间存在显著相关性。我们的结果表明，WM表现和TGC之间的关系随着时间的推移是稳定的，而theta和alphaERD和ERS的变化则不是这样。
引言
研究表明大脑中特定频段的振荡活动与各种认知加工相关。这些振荡同时发生并相互作用。不同频段的两个振荡之间相互作用称为跨频耦合（cross-frequencycoupling,CFC）。在相位振幅耦合（phase-amplitudecoupling,PAC；CFC的一种形式）中，高频振荡的振幅受到低频振荡的相位调制。PAC的一个例子是theta-gamma耦合（TGC），其中theta振荡的相位（4-8Hz）调节了gamma振荡的振幅（0-80Hz）。有研究假设认为TGC支持工作记忆（WM）功能，特别是通过编码信息呈现的顺序。动物模型表明，gamma振荡代表需要记住的单个信息项目；theta振荡代表记忆项目的时间间隔；通过theta相位对gamma波幅进行调制，编码信息呈现的顺序。具体来说，特定的神经元亚群通过其不同的激活模式来表示单个信息项目。每个信息项目都由一个独特的gamma振荡编码，序列中后续项目由随后的gamma振荡编码。
已经在人类大脑的几个区域观察到TGC。早期研究检查了海马中TGC在记忆编码中的作用。其他研究详细说明了TGC在其他脑区的作用，例如前额叶皮层、额叶和顶叶皮层，以及基底神经节。
研究者课题组专注于WM任务期间的信息排序，特别是N-back任务。他们之前在健康成人、健康老年人、以及阿兹海默症（AD）或轻度认知障碍（MCI）患者中证明了TGC与N-back任务中信息排序之间的相关。在这些研究中，TGC也与N-back任务表现相关，正确的表现需要准确回忆所呈现字母的顺序。最近，我们证明了使用EEG测量的N-back期间的TGC和其他需要信息排序的认知任务表现之间的关联，健康老年人、MCI患者和缓解型重度抑郁症（MDD）老年人中，在TGC测量的同时没有完成上述认知任务。这些结果表明TGC和跨认知任务的信息排序之间存在特质关系，这与任务或临床症状无关。然而，迄今为止，研究TGC和WM任务之间关系的研究大多是横断研究。
ERS和ERD是与WM相关的额外的EEG特征。ERS是指，相比于刺激呈现之前的基线参考，刺激呈现后特定频段的功率增加，ERD则是指功率的减少。这些功率的变化被认为是与刺激呈现相关的神经元细胞集合的同步放电引起的。以往在N-back任务中检查ERS和ERD的研究显示了相对一致的结果：额区的thetaERS和枕区的alphaERD。刺激呈现后theta功率的增加（即，thetaERS）与记忆编码和提取有关。因此，thetaERS可能反映了注意力需求和/或WM加工。相比之下，alpha是静息态或精神不活动期间主导的振荡活动，并且在认知激活（例如，WM任务）期间消失。因此，在像N-back这样的WM任务中，刺激后alpha功率的降低（即，alphaERD）被认为是反映了枕区的参与，因为alpha功率的去同步化与该区域大脑活动的增加有关。
ERS和ERD的变化与年龄有关，老年人额叶thetaERS水平较低。ERS和ERD的变化也与临床症状有关，如MCI和AD。以前的研究表明，thetaERS和alphaERD可能是WM神经生理学相关性的良好候选者，因为在WM任务中，thetaERS和alphaERD的发现相对一致；此外，这些指标还受到年龄和临床症状的影响。然而，大多数研究探讨ERS和ERD与WM的相关都是横断研究；需要额外的纵向研究来确定thetaERS和alphaERD是否与WM有良好的神经生理学相关性。据我们所知，迄今为止，还没有研究探讨ERS或ERD与WM表现之间的关系。因此，ERS和ERD对行为表现的影响尚不清楚。
为了更好地描述和理解EEG特征（即，TGC和thetaERS以及alphaERD）与WM之间的关系，需要进行纵向研究，尤其是那些包括不同人群或临床试验组成部分（例如，药物治疗或其他干预措施）的研究。这些类型的纵向研究也需要一种被临床采用的生物标记物，并被视为干预的潜在目标。因此，我们进行了一项研究，以检查TGC和WM表现之间的纵向关系。我们假设，在N-back任务的-back条件下测量的随时间变化的TGC与-back随时间变化的表现之间存在相关。此外，我们还进行了探索性分析，以检查WM，额区thetaERS或ERD，以及枕区alphaERS或ERD之间的纵向关系。为了实现我们的目标，我们首先对一组健康的老年人进行了分析，然后在一组缓解型MDD的老年人中进行了复制分析。
材料和方法
被试
被试都不符合重大或轻度神经认知障碍（如，MCI或AD）的诊断标准。
控制组被试
60岁以上，除了单纯的恐惧症外，不符合任何DSM-5诊断标准。排除患有严重的神经系统疾病（如，中风、癫痫等）或不稳定医疗疾病（如，未受控制的糖尿病或高血压）的被试。未服用任何精神药物，除了在一定剂量下的疼痛相关的药物。
MDD被试
60岁以上，符合DSM-IV单次或复发性MDD的终身标准，且目前处于缓解状态。采用DSM-IV结构化和临床访谈（SCID-IV）进行评估，且Montgomery-Asberg抑郁量表（MADRS）得分＜10。排除过去六个月内符合DSM-IV痴呆、终身双向情感障碍、精神分裂症、分裂性情感障碍或其他精神病性障碍、药物滥用或依赖标准的被试，以及在过去6个月内患有任何不稳定的疾病或接受过电休克治疗的被试被排除在外。
研究设计
控制组被试
被试进行N-back任务两次并记录EEG：基线和12周后（T1）（见图1）。在参加PACt-MD（PreventionofAlzheimer’sDementiawithCognitiveRemediationplusTranscranialDirectCurrentStimulationinMildCognitiveImpairmentandDepression）研究的名被试中，78名被试接受EEG测试；52名被试完成基线EEG记录；47人有可用的基线EEG数据。基线EEG数据无法使用是由于过多的噪音或者由于技术问题没有记录到。在47名基线EEG数据可用的被试中，8名记录的随后的EEG（T1），其中4名是本次分析时可用的数据（图2）。
MDD被试
所有被试都完成基线评估，包括N-backEEG。随后，被试随机1：1分配接受activetDCS或者shamtDCS治疗，为期两周，每周5天（即，10个session）。干预后14天（T1）和90天（T2）完成随访评估，包括N-backEEG（见图1）。
随机对照实验（RTC）的结果为阴性，即与shamtDCS组别相比，activetDCS组的WM或整体认知没有变化，两者的神经生理变量也没有变化。因此，本研究中将两个随机组合并为一组。共名被试被纳入RTC。名被试因各种原因中途退出（图）， 剩余25名MDD患者具有可用的基线数据和至少一个随访EEG数据。
图1.MDD研究和PACt-MD研究中tDCS的研究时间线。tDCS：经颅直流电刺激；MDD：重度抑郁障碍；NP：神经心理测试；PACt-MD：使用认知校正和经颅直流电刺激预防轻度认知障碍和抑郁症的阿尔茨海默氏痴呆症。
图2.PACt-MD被试的Consort流程图。
图.MDD被试tDCS的Consort流程图。P14：干预后14天；P90：干预后90天。
评估
临床评估
控制组被试
所有被试测试了SCID，并根据DSM5诊断标准进行排除。测试MADRS确保其得分小于10。评估了认知测试：简明精神状态量表（MMSE）和蒙特利尔认知评估（MoCA）。
MDD被试
基线检查使用SCID。在所有时间点使用MADRS评估当前抑郁症状。使用临床痴呆评定量表（CDR）和老年人认知能力下降调查问卷（IQCODE）确认没有重大认知问题。在所有时间点施测Beck 意念量表以确保当前没有 意念。
N-back
N-back是一项连续的WM任务，被试需判断屏幕上显示的刺激与N个试次前的刺激是否相同。N在0到之间，在不同的认知负荷下评估WM。该研究中使用-back作为分析的主要条件，因为与其他条件相比，该条件更具有挑战性，需要更高程度的有序性和WM表现，并且因为这是MDD研究的主要结果衡量指标。在N-back过程中，黑色大写字母在屏幕中呈现ms，随后是ms的间隔，要求被试在此期间做出反应，接着会呈现一个加号，表示该试次结束。屏幕上显示的刺激与三个试次前呈现的刺激匹配被标记为目标试次，不匹配则被标记为非目标试次（图4）。-back包含个试次，其中59个为目标试次，41个为非目标试次。要求被试他们认为屏幕上的字母与N个试次前的字母是“匹配”的按一个键，“不匹配”按另一个键。
使用d-prime(d’)计算N-back的正确率，这是一种基于击中率和虚报率的z分数敏感指数，使用下列公式计算：
d’=z(H)–z(FA)
其中，H指击中率，FA指虚报率。由于当击中率和虚报率等于0或时，z变换达到无穷大，所以我们使用了一种常见的调整，即0%被赋值为1，%被赋值为99。
图4.N-back任务。显示了ERS/ERD计算的时间窗。基线参考为-~-ms（蓝线），刺激后的期间为字符出现（0ms）到被试反应（红线）。
EEG数据采集和处理
被试再完成N-back任务时，使用64导Synamps2EEG系统，按照10-20电极分布系统记录EEG。参考电极是Cz后的一个电极。使用DC记录EEG，低通滤波为Hz，采样率为20-kHz。使用MATLAB和EEGLABtoolbox进行EEG离线处理。数据处理流程和以往研究一致：首先降采样至1kHz，从刺激呈现的-1到+ms进行分段。得到一个电极×试次的矩阵，在以下情况中epoch被赋值为0：（1）波幅大于±μV，（2）功率谱违反1/f幂律，（）标准差超过所有试次平均值的三倍，（4）每个试次下超过20%的电极为0。如果一个电极下超过60%的试次为0s，则删除该电极。 再由研究人员检查epoch并消除进一步的异常。使用ICA去除噪声，包括眨眼和肌电。分析数据的研究人员对分组情况不知情。平均每个N-back条件下去除5-7个成分。 ，使用乳突进行重参考。
Theta-Gamma耦合
首先使用二阶零相移对原始EEG信号在theta（4-7Hz）和gamma（0-50Hz）上滤波。接着，使用Hilbert变换计算gamma波幅和theta相位的时间序列。对每个电极×试次类型创建一个5±ms的串联信号，每个epoch以刺激呈现为起点，以被试反应为结束。选择5ms的串联信号是因为调制指数（modulationindex,MI）（TGC的指标）取决于信号的长度，使用5ms的串联信号可用确保MI的稳定性。
然后计算MI。首先，theta相位被分为18个20°的间隔。接着，通过平均每个theta相位bin中的gamma波幅，创建相位振幅分布函数。然后，通过测量从均值分布中观察到的振幅分布计算MI，如下所示：
其中，N是相位bin的数量，log(N)表示均匀分布的熵，P是根据相位bin排序的相对振幅分布，H(P)是是P分布的熵，计算公式如下：
因此，耦合越高熵值越低，这反过来导致较高的MI值。
计算每个电极的MI，然后计算右侧右侧和左侧额叶电极MI的平均值（F7/8、F5/F6、F/4、F1/2和Fz）。根据正确和错误回答的数量，MI为所有目标试次的加权平均（例如，目标正确，TC；目标不正确，TnC）。和我们之前的工作一致，该分析中使用目标试次中测量的TGC，因为目标试次需要更高的顺序才能获得正确的表现，因此TGC水平更高。
事件相关同步化（ERS）和去同步化（ERD）
首先，从信号中去除诱发（evoked）活动，以分离诱导（induced）活动。诱发活动（例如，事件相关电位，ERP）对于一个事件既有锁时也有锁相，是由刺激呈现直接驱动的活动。而诱导活动对于一个事件既不是锁时的也不是锁相的，被认为反映了与刺激的高阶加工有关的大脑活动。在计算低频段（即，theta）的ERS和ERD时，诱发活动可以掩盖诱导活动。因此，为了从分析中减少诱发活动的影响，只
