Αλλαγές συνδεσιμότητας εγκεφάλου κατά τη διάρκεια του ύπνου με διακρανιακή νευροδιέγερση κλειστού βρόχου Πρόβλεψη ευαισθησίας μεταμνήμης Μέρος 2

Ηλεκτροφυσιολογικές καταγραφές και διακρανιακή διέγερση

Τα δεδομένα EEG συλλέχθηκαν και η διέγερση εφαρμόστηκε ταυτόχρονα με ένα πρωτότυπο StarStim64 από τη Neuroelectrics, Inc., με 64-καπάκι κεφαλής από νεοπρένιο που περιλαμβάνει 32 κανάλια EEG και 32 κανάλια διέγερσης.

Η συνεχής ανάπτυξη της σύγχρονης επιστήμης και τεχνολογίας έχει κάνει την έρευνα των ανθρώπων για τον εγκέφαλο όλο και πιο βαθιά. Τα τελευταία χρόνια, ένας αυξανόμενος αριθμός μελετών έχει αποδείξει τη στενή σχέση μεταξύ ηλεκτροεγκεφαλογραφίας (ΗΕΓ) και μνήμης. Το ΗΕΓ είναι μια μέθοδος καταγραφής της ηλεκτρικής δραστηριότητας του εγκεφάλου. Εκφράζει τα ηλεκτρικά σήματα του ανθρώπινου εγκεφάλου με τη μορφή γραμμικών σχεδίων ανιχνεύοντας τα βιοηλεκτρικά σήματα του εγκεφάλου. Η μνήμη είναι η ικανότητα του νευρωνικού συστήματος του εγκεφάλου να αποκτά, να επεξεργάζεται, να αποθηκεύει, να αναγνωρίζει και να ανακαλεί πληροφορίες. Η σχέση μεταξύ των δύο μπορούμε να πούμε ότι είναι στενά συνδεδεμένη.

Το ΗΕΓ καταγράφει την κίνηση του σώματος, τη γλώσσα, τη σκέψη και τις αισθητηριακές πληροφορίες και έχει χρησιμοποιηθεί ευρέως σε τομείς όπως η ιατρική, η νευροεπιστήμη και η ψυχολογία. Μεταξύ αυτών, οι ερευνητές διαπίστωσαν ότι το ΗΕΓ έχει σημαντική σχέση με τη μνήμη. Οι εγγραφές ΗΕΓ μπορούν να μας βοηθήσουν να κατανοήσουμε καλύτερα τη διαδικασία δημιουργίας και ανάκτησης μνήμης και να παρέχουν πολύτιμη αναφορά για τη θεραπεία διαταραχών μνήμης. Σύμφωνα με έρευνα, ο σχηματισμός μακροπρόθεσμης μνήμης συνοδεύεται από ηλεκτρική δραστηριότητα ποικίλου βαθμού και κατανομής και όταν οι άνθρωποι ανακαλούν μνήμες, τα σήματα EEG θα αλλάξουν επίσης, επιβεβαιώνοντας περαιτέρω τη στενή σύνδεση μεταξύ ΗΕΓ και μνήμης.

Επιπλέον, το ΗΕΓ μπορεί επίσης να βοηθήσει τους ερευνητές να κατανοήσουν διαφορετικούς τύπους μνήμης, όπως η βραχυπρόθεσμη μνήμη, η μακροπρόθεσμη μνήμη, η χωρική μνήμη και η συναισθηματική μνήμη. Στην έρευνα, η ανάλυση EEG μπορεί να υποδείξει την ηλεκτρική δραστηριότητα από διαφορετικές περιοχές του εγκεφάλου. Αυτές οι ειδικές ηλεκτρικές δραστηριότητες μπορούν να αποκαλύψουν πώς τα υλικά μνήμης μεταδίδονται και επεξεργάζονται μέσα στον εγκέφαλο και επίσης αποκαλύπτουν τις αιτίες της εξασθένησης της μνήμης.

Μπορούμε να πούμε ότι το ΗΕΓ έχει θετική σημασία για τη βελτίωση της ποιότητας ζωής. Οι σύγχρονοι άνθρωποι χρησιμοποιούν ηλεκτρονικά προϊόντα όπως υπολογιστές και κινητά τηλέφωνα για μεγάλο χρονικό διάστημα και βασίζονται ακόμη και πολύ στα μέσα κοινωνικής δικτύωσης, γεγονός που καθιστά δύσκολο για τους ανθρώπους να συγκεντρωθούν και να ξεχάσουν τα πράγματα εύκολα. Η έρευνα δείχνει ότι η σύντομη εκπαίδευση ανατροφοδότησης ΗΕΓ μπορεί να βελτιώσει τη μαθησιακή ικανότητα και τη μνήμη των ανθρώπων. Μέσω της ατομικής θεραπείας EEG, οι ανωμαλίες στη λειτουργία του εγκεφάλου μπορούν να επιδιορθωθούν, η εγκεφαλική δραστηριότητα να βελτιωθεί και να ενισχυθούν οι ικανότητες μνήμης και μάθησης.

Συνοψίζοντας, η τεχνολογία EEG χρειάζεται επειγόντως να χρησιμοποιηθεί ευρέως στην καθημερινή μας ζωή και απαιτείται επίσης περαιτέρω έρευνα για να διερευνηθούν περισσότερες από τις εφαρμογές και τις δυνατότητές της. Στο μέλλον, η συνεχής βελτίωση της τεχνολογίας EEG θα μας φέρει περισσότερες ευκαιρίες και προκλήσεις, επιτρέποντάς μας να έχουμε πιο αποτελεσματικούς και υγιέστερους εγκεφάλους. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη και το Cistanche deserticola μπορεί να βελτιώσει σημαντικά τη μνήμη, επειδή το Cistanche deserticola έχει αντιοξειδωτικά, αντιφλεγμονώδη και αντιγηραντικά αποτελέσματα, τα οποία μπορούν να βοηθήσουν στη μείωση της οξείδωσης και των φλεγμονωδών αντιδράσεων στον εγκέφαλο, προστατεύοντας έτσι τον υγεία του νευρικού συστήματος. Επιπλέον, το Cistanche deserticola μπορεί επίσης να προωθήσει την ανάπτυξη και την επισκευή των νευρικών κυττάρων, ενισχύοντας έτσι τη συνδεσιμότητα και τη λειτουργία των νευρωνικών δικτύων. Αυτά τα αποτελέσματα μπορούν να βοηθήσουν στη βελτίωση της μνήμης, της μάθησης και της ταχύτητας σκέψης και μπορεί επίσης να αποτρέψουν την ανάπτυξη γνωστικής δυσλειτουργίας και νευροεκφυλιστικών ασθενειών.

Το ClickKnoww βελτιώνει τη βραχυπρόθεσμη μνήμη

Τα κανάλια EEG τοποθετήθηκαν σε μοντάζ σύμφωνα με το 10-10σύστημα. Τα δεδομένα EEG συλλέχθηκαν από 23 από τις 32 θέσεις που δειγματολήφθηκαν στα 500 Hz και αναφέρθηκαν στο κανάλι Fz. Τα επιπλέον 9 ηλεκτρόδια κατέγραψαν ηλεκτροοφθαλμογραφία, ηλεκτρομυογράφημα και ηλεκτροκαρδιογράφημα για να επιτρέψουν την ανίχνευση των σταδίων ύπνου. Κατά τη συλλογή δεν εφαρμόστηκε διαδικτυακό φιλτράρισμα υλικού, εκτός από το φιλτράρισμα θορύβου γραμμής (60 Hz).

Η ενεργή διακρανιακή διέγερση παραδόθηκε με τη μορφή μοναδικών συστοιχιών χωροχρονικών ρευμάτων στα 32 ηλεκτρόδια διέγερσης. Το συνολικό θετικό ηλεκτρικό ρεύμα ρυθμίστηκε κάτω από 2,5 mA, με το ρεύμα κάθε καναλιού κάτω από 1,5 mA και πάνω από 150 uA.

Τα μοτίβα διέγερσης δημιουργήθηκαν μέσω βελτιστοποίησης κατάβασης κλίσης για να μεγιστοποιηθεί η ορθογωνικότητα στα επαγόμενα ηλεκτρικά πεδία στον όγκο 3-D ενός προτύπου κεφαλής ενήλικου ανθρώπου τιμωρώντας τους συσχετισμούς και τις αντισυσχετίσεις.

Κατά τη διάρκεια του πειράματος, για τη συνθήκη Active, καθεμία από τις 14 βινιέτες συσχετίστηκε τυχαία ή "επισημάνθηκε" με διαφορετικό μοτίβο διέγερσης και προσαρμοσμένα πρότυπα για κάθε μοτίβο προγραμματίστηκαν στο λογισμικό ελέγχου Neuroelectricsstimulation, CoreGUI. Μόνο τα μισά από αυτά τα μοτίβα tES εφαρμόστηκαν εκ νέου κατά τη διάρκεια της νύχτας για την επανενεργοποίηση της μνήμης (Tag & Cue) και οι αναλύσεις συμπεριφοράς επικεντρώθηκαν στις αποκρίσεις δοκιμής ανάκλησης μνήμης για τις στοχευμένες βινιέτες.

Τα μοναδικά μοτίβα σχεδιάστηκαν κυρίως για να δημιουργούν συγκεκριμένες αναμνήσεις, όχι για να αλλάζουν τη νευρική δραστηριότητα με συγκεκριμένους τρόπους. Συνεπώς, οι αποκρίσεις του εγκεφάλου και οι αλλαγές συνδεσιμότητας σε μεμονωμένα STAMP δεν αναλύθηκαν και αντ' αυτού συνδυάστηκαν για να αυξήσουν τον αριθμό των δοκιμών.

Ανίχνευση ταλαντώσεων αργού κύματος

Η διέγερση παραδόθηκε αυτόματα χρονικά κλειδωμένη σε up-states των SWO με έναν αλγόριθμο ανίχνευσης κλειστού βρόχου, προσαρμοσμένο από έναν αλγόριθμο που είχε αναπτυχθεί προηγουμένως (Cox et al., 2014). Κατά τη διάρκεια του ύπνου, τα εισερχόμενα δεδομένα EEG από 13 μπροστινά βρεγματικά-κεντρικά κανάλια (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 και P4) αποθηκεύτηκαν σε λειτουργία {{17} }s buffer που ενημερωνόταν συνεχώς.

Για τον καθαρισμό των δεδομένων, εφαρμόστηκε η αφαίρεση του κινούμενου μέσου όρου με ένα παράθυρο 1-s και όλα τα κανάλια που υπερβαίνουν τα 500 μV από το ελάχιστο έως το μέγιστο πλάτος κατά τη διάρκεια της περιόδου προσωρινής αποθήκευσης απορρίφθηκαν.

Τα υπόλοιπα κανάλια υπολογίστηκαν κατά μέσο όρο για να δημιουργηθεί ένα εικονικό κανάλι για ισχυρή ανίχνευση SWO. Η ισχύς εντός της ζώνης αργών κυμάτων (0.5–1.2 Hz) συγκρίθηκε με τη συνολική ευρυζωνική ισχύ (0.1–250 Hz) και αν αυτή η αναλογία ήταν μεγαλύτερη από 0,3, και στη συνέχεια υπολογίστηκε η ακριβής κορυφή ισχύος στη ζώνη αργών κυμάτων (η κεντρική συχνότητα).

Στη συνέχεια, το εικονικό κανάλι φιλτραρίστηκε με ένα φίλτρο ζώνης Butterworth δεύτερης τάξης με εύρος ζώνης 1-Hz γύρω από την κεντρική συχνότητα (με ελάχιστη χαμηλότερη αποκοπή 0,1 Hz) και εφαρμόστηκε μετασχηματισμός Hilbert. Η φάση μετατοπίστηκε προς τα πίσω κατά 90 μοίρες και το φανταστικό συστατικό εξήχθη, δίνοντας τη στιγμιαία φάση.

Στη συνέχεια δημιουργήθηκε ένα ημιτονοειδές κύμα στην κεντρική συχνότητα με βελτιστοποιημένη φάση, μετατόπιση και πλάτος του φιλτραρισμένου σήματος. Το ημιτονοειδές κύμα προβλήθηκε προς τα εμπρός στο χρόνο για να προσδιοριστεί το επόμενο σημείο της μηδενικής φάσης (δηλαδή, η έναρξη της ανοδικής κατάστασης) και η διέγερση ξεκίνησε σε αυτό το χρονικό σημείο και διήρκεσε για την προβλεπόμενη ανοδική κατάσταση με ράμπα προς τα πάνω και προς τα κάτω φορές των 100 ms.

Κατά τις νύχτες Sham, καταγράφηκαν χρονικά σημεία διέγερσης, αλλά δεν παραδόθηκε διέγερση. Έτσι, η σύγκριση των νυχτών Active και Sham ήταν ταυτόχρονα σημεία του SWO, με τη μόνη διαφορά να είναι η παροχή διέγερσης STAMP. Η επικύρωση της ανίχνευσης up-state πραγματοποιήθηκε σε δεδομένα από τις νύχτες Sham για να αποφευχθούν τα τεχνουργήματα που παράγονται από τις νύχτες STAMPsonn Active.

Οι δείκτες εξήχθησαν από τα χρονικά σημεία των up-states που προβλέπονται από την προσαρμογή του ημιτονοειδούς κύματος. Σε ορισμένες περιπτώσεις, λόγω καθυστέρησης υλικού, η χρονομετρημένη διέγερση μεταφέρθηκε στην ανοδική κατάσταση μετά την αμέσως ανιχνευθείσα ανοδική κατάσταση, η οποία μπορεί να έχει αυξήσει τη μεταβλητότητα των φάσεων σε κάποιο βαθμό. Εποχές που κλειδώθηκαν με χρονικά δείκτες έναρξης διέγερσης (−5 έως+5 s) εξήχθησαν από τα ακατέργαστα δεδομένα EEG και το bandpass φιλτραρίστηκαν στην περιοχή 0.5–1,2 Hz.

Οι τιμές φάσης σε κάθε χρονικό σημείο ένδειξης έναρξης υπολογίστηκαν χρησιμοποιώντας τον μετασχηματισμό Hilbert. Οι μέσες τιμές φάσης στις δοκιμές υπολογίστηκαν για κάθε συμμετέχοντα και αυτές οι μέσες φάσεις υποβλήθηκαν σε δοκιμή v-test για διαφορά από 0 βαθμούς (Berens, 2009). Τα στοιχεία και τα στατιστικά στοιχεία για την επικύρωση του αλγόριθμου κλειστού βρόχου παρουσιάζονται στις Υποστηρικτικές Πληροφορίες.

Επεξεργασία Δεδομένων ΗΕΓ και Θεωρητική Ανάλυση Γραφημάτων

Τα σήματα EEG αναλύθηκαν εκτός σύνδεσης με EEGLAB και προσαρμοσμένα σενάρια MATLAB. Για να καθαριστούν τα δεδομένα και να διαχωριστούν οι πηγές θορύβου από το σήμα του εγκεφάλου, οι εγγραφές ΗΕΓ υποβλήθηκαν σε δειγματοληψία στα 25 0 Hz, αναφέρθηκαν εκ νέου στον μέσο όρο όλων των ηλεκτροδίων και φιλτράρονταν η διέλευση ζώνης με χρήση φίλτρου Butterworth (0,1–70 Hz, 24 dB/ οκτώβριος).

Τα οφθαλμικά και μη νευρικά τεχνουργήματα ταυτοποιήθηκαν και αφαιρέθηκαν χειροκίνητα χρησιμοποιώντας τη μέθοδο ανάλυσης ανεξάρτητων συστατικών (ICA) στο EEGLAB και τον ενσωματωμένο αλγόριθμο infomax (Delorme & Makeig, 2004).

Τα δεδομένα χωρίς τεχνουργήματα τμηματοποιήθηκαν σε εποχές που περιείχαν −6,4 έως −2,4 πριν από την έναρξη της διέγερσης ως βασικό παράθυρο και 3 έως 7 δευτερόλεπτα μετά τη μετατόπιση της διέγερσης ως παράθυρο ανάλυσης. Για κάθε εποχή, το φάσμα ισχύος σε κάθε κανάλι υπολογίστηκε με την εφαρμογή της μεθόδου φασματοεκτίμησης Welch σε τμήματα 2048-ms με επικάλυψη 1,024-ms (50%), με κάθε τμήμα να είναι κωνικό από ένα παράθυρο Hamming.

Η λειτουργική συνδεσιμότητα και οι θεωρητικές αναλύσεις γραφημάτων πραγματοποιήθηκαν με το BioNeCtToolbox, μια προσαρμοσμένη εργαλειοθήκη MATLAB για ανάλυση συνδεσιμότητας εγκεφάλου (Casanova, El-Baz, &Suri, 2017). Η λειτουργική συνδεσιμότητα του εγκεφάλου μεταξύ των περιοχών του εγκεφάλου υπολογίζεται με τον υπολογισμό της διασταυρούμενης συσχέτισης στον τομέα συχνότητας μεταξύ των σημάτων EEG (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Μεταξύ των διαφόρων μετρήσεων της λειτουργικής συνδεσιμότητας, η φανταστική συνοχή (iCoh) ανιχνεύει αποκλειστικά «αληθινές» αλληλεπιδράσεις μεταξύ σημάτων EEG που συμβαίνουν μέσα σε μια ορισμένη χρονική καθυστέρηση, αγνοώντας έτσι την στιγμιαία αλληλεπίδραση μεταξύ γειτονικών ηλεκτροδίων που πιθανόν παράγεται από την αγωγιμότητα όγκου της ηλεκτρικής δραστηριότητας από μια κοινή πηγή εγκεφάλου (Bullmore & Sporns, 2009, Fallani et al., 2014; Mohammad-Rezazadeh et al., 2016).

Οι τιμές iCoh υπολογίστηκαν για όλες τις πιθανές ζεύξεις ηλεκτροδίων στις ακόλουθες ζώνες συχνοτήτων: δέλτα (1–4 Hz), θήτα (4–8 Hz), άλφα (8–12 Hz), άξονας (12–15 Hz), βήτα (16– 30 Hz) και χαμηλό γάμμα (40–50 Hz).

Αυτές οι αναλύσεις πραγματοποιήθηκαν και στα δεδομένα Active και Sham. Επιπλέον, οι τιμές iCoh υπολογίστηκαν τόσο για τα παράθυρα χρόνου μετά τη διέγερση όσο και για τα παράθυρα προδιέγερσης και οι τιμές του παραθύρου προδιέγερσης αφαιρέθηκαν από τις τιμές του παραθύρου μετά τη διέγερση για τη διόρθωση της γραμμής βάσης. Η υψηλή πολυδιάσταση των μετρήσεων iCoh ξεμπερδεύτηκε με μια θεωρητική προσέγγιση γραφημάτων.

Οι θεωρητικές μετρήσεις γραφημάτων παρέχουν πληροφορίες σχετικά με τον βαθμό διαχωρισμού του δικτύου (δηλαδή, την τάση των περιοχών του εγκεφάλου να σχηματίζουν τοπικά συμπλέγματα με πυκνές λειτουργικές διασυνδέσεις) και την ολοκλήρωση και την αποτελεσματικότητα του δικτύου (δηλαδή, την ικανότητα του δικτύου να διασυνδέεται και να ανταλλάσσει αποτελεσματικά πληροφορίες μεταξύ του εγκεφάλου Περιοχές Bullmore & Sporns, 2009, Fallani et al., 2014;

Τα ακόλουθα κοινώς χρησιμοποιούμενα μέτρα γραφήματος υπολογίστηκαν για όλες τις προαναφερθείσες ζώνες συχνοτήτων κατά την περίοδο πριν και μετά τη διέγερση: μέσος συντελεστής ομαδοποίησης (η πιθανότητα να συνδεθούν γειτονικοί κόμβοι, που αντικατοπτρίζει την τοπική σύνδεση). παγκόσμια αποτελεσματικότητα (πόσο αποτελεσματικό είναι το δίκτυο στη μεταφορά πληροφοριών). χαρακτηριστικό μήκος διαδρομής, ακτίνα και διάμετρος (ο μέσος αριθμός άκρων κατά μήκος των συντομότερων μονοπατιών, η ελάχιστη δυνατή απόσταση και η μεγαλύτερη δυνατή απόσταση, μεταξύ όλων των πιθανών ζευγών κόμβων, αντίστοιχα), αρθρωτότητα (ο βαθμός στον οποίο διαχωρίζεται το δίκτυο του εγκεφάλου σε υποδίκτυα ή δομοστοιχεία· συνειρμικότητα (το ποσοστό των κόμβων που συνδέονται με άλλους κόμβους με παρόμοιους βαθμούς έναντι ανόμοιων βαθμών). πυκνότητα (ο αριθμός των ακμών διαιρεμένος με τον αριθμό των κόμβων στο γράφημα) και η μέση συνοχή (η μέση συνοχή μεταξύ όλων των ζευγών κόμβων).

Ταξινόμηση και Αναλύσεις Παλινδρόμησης

Τα δεδομένα που προέκυψαν αποτελούνταν από 48 λειτουργικά χαρακτηριστικά συνδεσιμότητας (8 γραφικές-θεωρητικές μετρήσεις x 6 ζώνες συχνοτήτων) τόσο για τις συνθήκες ενεργού όσο και της ψευδούς διέγερσης για κάθε συμμετέχοντα. Πιο συγκεκριμένα, τα χαρακτηριστικά συνδεσιμότητας εξήχθησαν μετά από διέγερση στο Active nightsin που έλαβε χώρα και διέγερση STAMP όπως κατά τη διάρκεια των ψευδών νυχτών στις οποίες δεν σημειώθηκε διέγερση.

Για να διερευνήσουμε ποιες αλλαγές συνδεσιμότητας είναι προγνωστικές της συνθήκης διέγερσης, καθώς και σχετικές με τη συμπεριφορά, εφαρμόσαμε μια ανάλυση σε επίπεδο συμμετέχοντα ταξινόμησης και παλινδρόμησης διασταυρούμενης επικύρωσης, στην οποία τα δεδομένα από ένα υποσύνολο συμμετεχόντων παραλείπονταν ως δεδομένα δοκιμής για πρόβλεψη. Για να μειώσουμε τη διακύμανση, εκτελέσαμε 35 πτυχές στις οποίες ένας έως τρεις συμμετέχοντες έμειναν εκτός κάθε φορά.

Αυτή η επαναλαμβανόμενη μέθοδος δειγματοληψίας τυχαίου διαχωρισμού προτιμάται έναντι της μεθόδου "leave one out", η οποία μπορεί να οδηγήσει σε ασταθείς και μεροληπτικές εκτιμήσεις διακύμανσης (Scheinost et al., 2019; Varoquaux et al., 2017). Επιλέξαμε να ακολουθήσουμε αυτήν την προσέγγιση βάσει δεδομένων όχι μόνο λόγω του μεγάλου χώρου χαρακτηριστικών των δεδομένων αλλά και λόγω της καινοτομίας της έρευνας.

Λίγες μελέτες μέχρι σήμερα έχουν εξετάσει τις σχέσεις μεταξύ των θεωρητικών γραφικών μετρήσεων της συνδεσιμότητας του εγκεφάλου και της ευαισθησίας στη μεταμνήμη και καμία δεν έχει εξετάσει πώς αυτό αλλάζει με την εγκεφαλική διέγερση. Έτσι, θα χάναμε δυνητικά σημαντικές σχέσεις μεταξύ λειτουργικής συνδεσιμότητας και μεταμνήμης εξετάζοντας μόνο ορισμένες ζώνες συχνοτήτων (π.χ. θήτα) ή μέτρα (π.χ. μέση συνοχή) με βάση προηγούμενα ευρήματα στη βιβλιογραφία. Ένα διάγραμμα που περιγράφει τη γραμμή ανάλυσης παρουσιάζεται στο σχήμα 2.

Για κάθε πτυχή, μια μέθοδος επιλογής χαρακτηριστικών εκτελέστηκε στα δεδομένα εκπαίδευσης για να βρεθούν χαρακτηριστικά γραφικής παράστασης (μεταδιέγερση βασική γραμμή διορθωμένη με προδιέγερση) που έκαναν διάκριση μεταξύ ενεργών και ψευδών συνθηκών διέγερσης. Πολλά χαρακτηριστικά συσχετίστηκαν σε μεγάλο βαθμό μεταξύ τους, κάτι που φαίνεται στο Σχήμα S2 των Υποστηρικτικών Πληροφοριών.

Έτσι, πρώτα αφαιρέθηκαν οι εξαιρετικά συγγραμμικές μεταβλητές με την εύρεση ζευγών χαρακτηριστικών με υψηλές συσχετίσεις (κατώφλι r τιμή 0.8) και αφαιρώντας τη μεταβλητή με την υψηλότερη μέση απόλυτη συσχέτιση με τις άλλες μεταβλητές. Πρόσθετες πληροφορίες σχετικά με τις αφαιρεθείσες μεταβλητές λόγω υψηλής συγγραμμικότητας μπορείτε να βρείτε στις Υποστηρικτικές Πληροφορίες.

Στη συνέχεια, εκτελέστηκε μια εξαρτημένη δοκιμή (καθώς η μελέτη ήταν σχεδιασμός εντός των υποκειμένων) σε κάθε χαρακτηριστικό, δοκιμάζοντας τη διαφορά μεταξύ των συνθηκών Active και Sham. Οι μεταβλητές με χαμηλές απόλυτες τιμές t (όριο 1) αφαιρέθηκαν, με το σκεπτικό ότι η διαφορά μεταξύ αυτών των μεταβλητών ήταν ελάχιστη. Τα υπόλοιπα χαρακτηριστικά εισήχθησαν στον αλγόριθμο επιλογής χαρακτηριστικών Boruta (Kursa & Rudnicki, 2010).

Το Boruta είναι μια μέθοδος επιλογής που βασίζεται σε μετάθεση, στην οποία κάθε χαρακτηριστικό, καθώς και ένα αντίγραφο του χαρακτηριστικού με τις τιμές του, ανακατεμένα μεταξύ των συμμετεχόντων (που ονομάζεται "shadowfeature"), εισάγεται σε έναν τυχαίο ταξινομητή δασών και τη σημασία κάθε χαρακτηριστικού προσδιορίζεται ως βαθμολογία Z. Η σημασία των πραγματικών χαρακτηριστικών πρέπει να είναι υψηλότερη από τη μέγιστη βαθμολογία Z των χαρακτηριστικών σκιάς για να θεωρούνται σημαντικά σημαντικά.

Αυτή η διαδικασία επαναλαμβάνεται πολλές φορές με διαφορετικές μεταθέσεις των χαρακτηριστικών σκιάς για να ληφθεί μια κατανομή τιμών στην οποία μπορούν να συγκριθούν οι τιμές σημασίας των πραγματικών χαρακτηριστικών. Έτσι, η Boruta είναι μια μέθοδος επιλογής χαρακτηριστικών που σχετίζεται με όλα τα χαρακτηριστικά - ουσιαστικά, όλες ή καμία από τις μεταβλητές θα μπορούσε να επιλεγεί από τη διαδικασία. Επιλέχθηκαν μόνο χαρακτηριστικά που είχαν υψηλότερη βαθμολογία Z από τα σκιώδη χαρακτηριστικά.

Αυτός ο αλγόριθμος έχει αποδειχθεί ότι βελτιώνει την απόδοση στην εύρεση σημαντικών χαρακτηριστικών σε σύγκριση με άλλους αλγόριθμους επιλογής χαρακτηριστικών (Degenhardt et al., 2017; Kursa, 2017). Τα χαρακτηριστικά που επιλέχθηκαν από τον Boruta στη συνέχεια εισήχθησαν σε ένα μοντέλο λογιστικής παλινδρόμησης που προβλέπει την ενεργή έναντι των συνθηκών. Πραγματοποιήσαμε επίσης μια τακτοποιημένη λογιστική παλινδρόμηση με κανονικοποίηση L2 (αναδρομή κορυφογραμμής), στην οποία η βέλτιστη παράμετρος λ προσδιορίστηκε μέσω διασταυρούμενης επικύρωσης εντός των δεδομένων εκπαίδευσης.

Τέλος, εκτελέσαμε επίσης μια ταξινόμηση λογιστικής παλινδρόμησης χρησιμοποιώντας μόνο την πιο σημαντική μεταβλητή που επιλέχθηκε από τον αλγόριθμο Boruta. Μετά την προσαρμογή των παραμέτρων του μοντέλου στα δεδομένα εκπαίδευσης, τα μοντέλα χρησιμοποιήθηκαν για την πρόβλεψη των δεδομένων δοκιμής που άφησαν έξω, δίνοντας εκτιμήσεις της πιθανότητας για κάθε παράδειγμα δοκιμής είτε ανήκει στην κατάσταση Active είτε στην Sham συνθήκη. Αυτές οι πιθανότητες συνενώθηκαν σε πτυχές και χρησιμοποιήθηκαν για τον υπολογισμό των σχετικών χαρακτηριστικών καμπυλών λειτουργίας, από τις οποίες εξάγαμε τις τιμές της περιοχής κάτω από την καμπύλη (AUC) (Fawcett, 2006).

Η AUC είναι ένα πιο ευαίσθητο μέτρο της απόδοσης του ταξινομητή από την απλή ακατέργαστη ακρίβεια και επομένως αναφέρεται εδώ. Στο ίδιο πλαίσιο διασταυρούμενης επικύρωσης, τα δεδομένα εκπαίδευσης χρησιμοποιήθηκαν για την πρόβλεψη αλλαγών στην ευαισθησία μνήμης για τις στοχευμένες βινιέτες (δηλαδή, Tag & Cue) από τη νύχτα 2 προϋπνία στη δοκιμή μετά τον ύπνο στην κατάσταση Ενεργό.

Το μέτρο της συμπεριφορικής απόδοσης ήταν η AUC της σχετικής χαρακτηριστικής καμπύλης λειτουργίας τύπου-2, ένα μη παραμετρικό μέτρο της μεταγνωστικής ευαισθησίας χωρίς προκατάληψη, με μεγαλύτερη AUC να αντικατοπτρίζει μεγαλύτερη ευαισθησία μνήμης (Fleming & Lau, 2014; Galvin et al., 2003) . Εδώ, τα μοντέλα προέβλεψαν την ολονύκτια αλλαγή στην AUC για να συνδέσουν τις αλλαγές στη συνδεσιμότητα με τις αλλαγές στην ευαισθησία της μνήμης. Όλες οι δυνατότητες συνδεσιμότητας εισήχθησαν σε μια παρόμοια διαδικασία επιλογής χαρακτηριστικών με την ανάλυση ταξινόμησης. Τα εξαιρετικά συγγραμμικά χαρακτηριστικά καταργήθηκαν όπως πριν.

Αντί για δοκιμή at-test, υπολογίστηκε η συσχέτιση μεταξύ κάθε χαρακτηριστικού και της ολονύκτιας αλλαγής AUC και αφαιρέθηκαν χαρακτηριστικά με χαμηλές απόλυτες τιμές r (όριο 0.1). Τα υπόλοιπα χαρακτηριστικά εκτελέστηκαν μέσω του αλγόριθμου Boruta, αυτή τη φορά προβλέποντας αλλαγές AUC κατά τη διάρκεια της νύχτας.

Αυτά τα χαρακτηριστικά, καθώς και μόνο το κορυφαίο χαρακτηριστικό, εισήχθησαν σε μοντέλα γραμμικής παλινδρόμησης και κανονικοποιημένης παλινδρόμησης L2, προβλέποντας δεδομένα δοκιμής αριστερού εξόδου. Οι τιμές ρίζας μέσου τετραγώνου σφάλματος (RMSE) υπολογίστηκαν και οι μέσες τιμές RMSE στις πτυχές συγκρίθηκαν με τις τιμές RMSE από προβλέψεις από μια γραμμική παλινδρόμηση μόνο με την τομή.

Ως τελική ανάλυση, πήραμε χαρακτηριστικά επιλεγμένα από την Boruta από την ανάλυση ταξινόμησης, καθώς και τα χαρακτηριστικά που επιλέχθηκαν από την Boruta από την ανάλυση παλινδρόμησης, και επαναλάβαμε την ταξινόμηση και την παλινδρόμηση με το συνδυασμένο σύνολο χαρακτηριστικών, καθώς και το κορυφαίο χαρακτηριστικό από κάθε σύνολο. Οι τιμές AUC από αναλύσεις ταξινόμησης και τιμές RMSE από αναλύσεις παλινδρόμησης αναφέρονται για κάθε σύνολο χαρακτηριστικών.

For more information:1950477648nn@gmail.com