第33期：人类睡眠中的电生理、血流动力学和脑脊液耦合振荡

摘要 

    睡眠对于认知处理和维持健康的大脑功能都是必不可少的。神经活动中的慢波有助于巩固记忆，而脑脊液(CSF)可以清除大脑中的代谢废物。这两个过程是否相关尚不得而知。我们使用加速神经成像来测量人脑的生理和神经动力学。我们发现了在非快速眼动睡眠中出现的振荡电生理、血流动力学和脑脊液动力学的一致模式。神经慢波之后是血流动力学振荡，而血流动力学振荡又与脑脊液流动相耦合。这些结果表明，睡眠中的大脑在宏观尺度上表现出脑脊液流动的波动，这些脑脊液动力学与神经和血液动力学节律是相互联系的。

    睡眠对高级认知过程和生理功能的基本维持和恢复都是至关重要的。在人类非快速眼动(NREM)睡眠中，脑电(EEG)表现出支持记忆和神经计算的低频(<4 Hz)振荡动力学。此外，测量血氧水平依赖(BOLD)信号的功能磁共振成像(FMRI)研究显示，在NREM睡眠期间，广泛的血流动力学改变。睡眠还与间质液体容量增加和代谢废物进入脑脊液的清除有关，睡眠中清除能力更强，低频脑电振荡更多，为什么这些不同的生理过程在这种低觉醒状态下同时发生尚不清楚。特别是，目前还不清楚睡眠期间脑脊液动力学是如何变化的，以及它们与神经活动和血流动力学的主要变化有何关系。

    我们同时测量了人睡眠期间的BOLDfMRI动态、脑电图和脑脊液流量。为了获得高时间分辨率的成像，我们以高速率(重复时间(TR)<400ms)获取fMRI数据。虽然fMRI经常用于检测局部氧合变化，但是快速采集范例也使得能够检测液体流入：到达成像体积边缘的新鲜液体具有高信号强度，因为它还没有经历射频脉冲(图S1)。

   图S1.快速采集范式中的流入效应示意图。成像体积内的静止组织处于稳定状态，已经经历了大量的RF脉冲。当新的流体开始流入体积时，流体将是明亮的，因为它还没有经历射频脉冲。在拍摄第一张图像后，流体现在将经历1个RF脉冲，并且在向上移动到第二个切片时信号将减少，而新鲜流体的持续流动将导致底部切片中持续的明亮信号。当流体继续流入上层切片时，它将进一步降低其信号(在拍摄每幅图像时接收额外的RF激励)，直到它也达到稳定状态。该信号符合MR血流相关增强的公认原理，该原理出现在快速fMRI采集(54，56)中。

    通过将成像体积的边界边缘放置在第四脑室(图1A)，可以检测到流入大脑的CSF流动在下层(图1B)中信号增加，从而使我们能够同时用BOLD fMRI测量CSF流动的动态。我们将这一成像与同步脑电图(n=13名参与者)相结合，并识别出清晰稳定的清醒或低运动的NREM睡眠的连续节段(图.S2以及材料和方法)，以实现对连续低频动力学的分析。

    图1.睡眠期间第四脑室出现脑脊液信号的大幅振荡。(A)示例扫描定位。粗黄线：功能图像相对于解剖学的位置。底部边缘与第四脑室相交(红色箭头)，允许测量CSF流入。将显示所获取的40个切片的子集。(B)来自底部切片的示例功能图像。通过脑室的流入被检测为一个明亮的信号(红色箭头)。

    图S2：睡眠段睡眠评分。我们的分析使用脑电图的频谱动态以及行为和运动的指标来识别持续至少90秒的低噪音、稳定的睡眠片段，以便检查连续的低频信号。当在30s窗口中应用常规睡眠评分时，N2在这些部分中占主导地位，部分原因是这是人们花费大部分NREM睡眠的阶段，但也是因为当受试者在扫描仪中睡觉时，它最有可能维持在较长的稳定部分。a)在唤醒、仅N1和仅N2段期间的CSF信号功率(唤醒段n=45；仅N1段n=23；仅N2段n=73)。错误条是标准错误。b)条件之间差异的效果大小。误差条是由Wilcoxon秩和计算的95%置信区间；黑色虚线表示零；n如图A所示。N2睡眠比N1睡眠表现出明显更多的脑脊液信号功率(p=0.039，Wilcoxon秩和)。我们没有检测到N1中的CSF信号相对于尾迹有统计学意义的增加(p=0.19，Wilcoxon秩和)，但我们注意到该分析的统计能力降低(与N2相比)，因为只有少数片段完全是N1。因此，N1仍然有可能包含较小的CSF效应，但没有达到统计学意义。虽然在我们的数据中有一些N3分数，但对于这个只包含一个睡眠阶段的片段的分析，没有足够的连续N3分数。

我们首先调查了睡眠是否与不同的脑脊液流动动力学有关(图1，C至E)。

在清醒状态下，脑脊液信号表现出与呼吸信号同步的小幅度节律，频率为~0.25 Hz(图1，E和G)，这与以前的研究一致(18，19)。

    相比之下，在NREM睡眠期间，我们观察到CSF信号在0.05 Hz处有很大的振荡(图1，E和G)。我们分析了所有睡眠段的脑脊液信号，确认识别出的睡眠段显示出NREM睡眠的低频脑电信号(图1F)。我们发现，在睡眠期间，峰值为0.05 Hz的CSF信号增加了5.52-dB(图1，G和H，以及图S2)。提示脑脊液流入的大波大约每隔20s出现一次。我们还分析了附近的非脑脊液感兴趣区(ROI)，并进行了匹配切片定位，但没有看到这种影响。这表明这种与睡眠相关的模式是由脑室中的生理信号特定驱动的(图1I)。

    因为流入信号是由流体流入采集体积引起的，所以CSF流量信号在边缘切片中应该是最亮的，并且随着流体进入中心切片而衰减(图2、A和B，以及图2)。S1)。我们确实观察到了切片上信号幅度的梯度(图2，C和D)。一些大的流入事件在下层层面上显示出同样明亮的振幅(图2D)，表明脑脊液流速已经超过成像临界速度(层面2为11.4 mm/s)。总而言之，这些结果确认了在NREM睡眠期间出现了0.05 Hz的脑脊液大幅度脉动流。

    图2.脑室信号对应于~0.05 Hz的脑脊液搏动性流入。(A)获取示意图。流入成像体积的新CSF将产生明亮的信号。(B）流入信号将在底部切片中最大，并且向内幅度减小。如果流量超过临界速度，则底部切片中的CSF被完全替换，内部切片中的信号幅度也很大。(C)跨切片的平均振幅在上升切片中衰减。误差条是所有睡眠区段的标准误差，ROI存在于四个连续切片中(n=129个区段，11名参与者)。(D)来自第四脑室中成像体积的底部切片的示例时间序列显示较低切片中的最大信号(例如，第二)和较高切片中的较小信号(例如，第四)。橙色箭头示意性地说明了流速(较大的箭头表示较高的流速)，黑色箭头指出个别事件。

    接下来，我们检查了这些缓慢的宏观脑脊液振荡是否与血流动力学信号有关。以前的研究已经提出，对应于~1-Hz心动周期的微观动脉搏动是驱动间质液体流动的一种机制(20-23)。为了测试什么可能产生我们观察到的慢得多的宏观脑脊液节律，我们分析了睡眠期间BOLD信号的变化。我们观察到睡眠期间皮层灰质功能磁共振信号的BOLD信号振幅比清醒时增加(图3A与B和C)[平均值=3.28dB；CI=(0.09，6.54)；P=0.032，符号秩检验]，这与先前关于睡眠期间低频BOLD波动的报道(9，10，24)一致(图3A对B和C图3A与B和C)[平均值=3.28dB；CI=(0.09，6.54)；P=0.032，符号秩检验]，这与先前关于睡眠期间低频BOLD波动的报道一致。此外，在睡眠期间，脑脊液信号与皮质灰质BOLD振荡在时间上紧密耦合(图3，A和B)，表现出很强的反相关性。

    图3.脑脊液流量振荡与睡眠时出现的皮质灰质血流动力学振荡呈反相关，当血容量减少时，脑脊液流量增加。(A)来自一个参与者的皮质灰质粗体信号和平均CSF信号的示例时间序列。在唤醒过程中，信号是低幅度的，并且与呼吸同步(0.25 Hz)。(2)睡眠时出现大幅度的BOLD振荡，其时程与脑室脑脊液信号(~0.05 Hz)相耦合。(C)睡眠期间平均皮层灰质粗信号强度增加(n=11名参与者进行配对测试)。(D)BOLD信号和CSF信号的零阈值负导数之间的平均互相关具有很强的相关性(n=176个节段，13个参与者)。蓝色阴影区域表示各段之间的标准误差；黑色虚线表示混洗分布的95%间隔。(E)显示相关性的示例时间序列，表明当脑血容量减少时，脑脊液向上流动到第四脑室。

    这种反相关关系提示睡眠期间可能存在血流量和脑脊液流量的变化。我们假设大胆的振荡对应于脑血容量的振荡，由于颅内容量恒定，当血液占用的体积较少时，更多的脑脊液流入头部(25，26)。这一假设预测，在将负值设置为零(材料和方法)之后，CSF信号应该与粗放振荡的负导数大致匹配。与这一假设一致，CSF时间序列和阈值导数BOLD信号是强相关的(图3，D， E)

    接下来，我们检查了神经活动是否与睡眠期间的血流动力学和脑脊液耦合振荡有关。在传统的功能磁共振成像中，大胆的反应是由驱动富氧血液流动的神经活动引起的(27，28)，而脑电振荡与血流动力学信号(29-32)有关。因此，我们假设NREM睡眠的大而慢的δ(0.2至4 Hz)电生理振荡特征可能与血容量的振荡，进而对脑脊液流量的位移效应相耦合。我们分析了慢增量脑电图相对于脑脊液波峰值的瞬时振幅，发现神经波、粗波和脑脊液波是耦合的(图4，A到C和图4)。S4)。慢增量脑电图中的神经波出现在脑脊液峰值前6.4s(峰值幅度=21%，P<0.0 0 1)，而慢δ脑电图中的神经波则出现在脑脊液峰值之前6 4s(峰值幅度=2 1%，P<0.0 0 1)。0 0 1，s h u f fling)。我们计算了脑电图和脑脊液之间的最佳脉冲响应(图4D)并且发现，将脑电图与该脉冲响应进行卷积可以产生对脑脊液动力学的显著预测(图7)。S5A)(零滞后r=0.23，交叉验证r=0。2 2±0。0 7)。为了确定这种脑电-脑脊液耦合是否与睡眠期间脑脊液波的出现有特殊联系，我们测试了在脑脊液波最大的节段，脑电图对脑脊液动力学的预测能力。脑脊液波较大的节段表现更好(图3。S5、B和C)(零时滞r=0.54P<0.001，洗牌)，提示在脑脊液波最丰富的睡眠节段，脑电图与脑脊液的联系更强。

    图4.脑电图慢增量波耦合到BOLD和CSF振荡并在其之前。(A)慢增量脑电的平均振幅包络，(B)BOLD信号的平均导数，(C)平均CSF信号，均锁定在睡眠期间的CSF波峰。阴影区域表示峰值锁定试验(n=123个峰值)的标准误差。(D)计算的脑脊液信号对脑电包络的脉冲响应显示出与先前建立的血流动力学模型相似的时间过程。底纹表示模型折叠之间的标准偏差。(E)将神经活动的时间进程与脑脊液流量联系起来的模型图。变量包括脑血流量(CBF)和脑血容量(CBV)。

      S4：脑电与BOLD导数的互相关。脑电慢增量幅度包络与粗体信号的导数显著相关，在−4.2s延迟时的最大R为-0.18.虽然由于它们的非线性关系，互相关不能捕获这两个信号之间链接的所有方面，但它识别出它们是显著耦合的，脑电先于粗体导数。阴影区域是跨段的标准误差，黑色虚线是混洗数据的95%间隔。

    因此，EEG、BOLD和CSF信号的相干动力学表现出特定的时序，神经节律先于随后的BOLD和CSF波。为了测试这些观察到的相关性和延迟模式是否可能来自生物物理机制，我们使用已建立的血流动力学耦合模型构建了一个计算模型(图4E和图4E)。(中六)。我们提取了慢增量脑电图的包络，由于其对神经活动的抑制，预计与脑血流量(CBF)信号的减少相关(2)。然后用神经振荡来预测血流量、血容量和脑脊液的时间进程(33，34)。该模型首先使用先前报道的生理参数(35)，没有额外的参数拟合，来测试我们的观察结果是否与这些信号之间已建立的生物物理耦合一致。该模型的性能与最佳拟合脉冲响应(图3)。S6和S7)。模型预测显著大于原始脑电包络和脑脊液之间的最大相关性(最大r=0。15，P<0。0.5)，表明我们的数据与神经活动、血流动力学和脑脊液之间的生物物理耦合是一致的。

    我们得出结论，人类睡眠与神经元活动、血液氧合和脑脊液流量的大而耦合的低频振荡有关。虽然已知电生理慢波在认知中发挥重要作用(1)，但我们的结果表明，它们也可能与睡眠的生理恢复作用有关，因为缓慢的神经活动之后是全脑血容量和脑脊液流量的脉动。

    这些结果解决了睡眠神经生理学中缺失的一个关键环节。我们确认的脑脊液流量的宏观变化有望改变废物清除，因为脉动流体动力学可以增加混合和扩散(20，21，36)。神经血管耦合被认为有助于清除(37)，但是为什么它会导致睡眠中较高的清除率尚不清楚。我们的研究表明缓慢的神经和血液动力学振荡作为这一过程的可能贡献者，与其他生理因素协同作用。在动物身上的研究下一步可以测试这些神经和生理节律之间的因果关系。

    我们对睡眠相关脑脊液动力学的鉴定也表明，在与睡眠障碍相关的临床条件下，一个潜在的生物标记物值得探索。衰老中的记忆损害与抑制的慢波有关(38)；我们的模型表明，这种慢波丢失反过来又与脑脊液流量减少有关。此外，我们的结果暗示了最近的发现之间的潜在桥梁，即tau CSF水平和淀粉样β蛋白依赖于睡眠和神经活动(39-41)，以及振荡的神经活动导致tau(42)减少-相干的神经活动可能发出更高的蛋白质聚集清除的信号。

     综上所述，我们的结果识别了睡眠期间出现的脑脊液流动的波，并表明神经活动的慢节奏与这些脑脊液波相互关联，血流动力学振荡是这些过程耦合的中间机制。

人类睡眠中电生理、血流动力学和脑脊液耦合振荡的辅助材料

材料和方法

招募和成像课程：

    所有受试者都提供了书面知情同意，所有程序都得到了马萨诸塞州综合医院机构审查委员会的批准。本研究共对15名受试者进行研究，并对13名受试者进行分析。

    我们从大约午夜开始对15名受试者进行成像。一名受试者因脑电图质量差而被排除在外，另一名受试者在停止扫描报告他/她睡不舒服后被排除在外。其余13名受试者年龄在23-33岁(11名女性)，报告没有神经、精神或睡眠障碍。受试者接受MR禁忌症筛查，要求习惯性睡眠时间不少于6小时，每日咖啡因摄入量不少于300毫克，不吸烟，体重低于250磅，不怀孕，仰卧舒适，不服用影响睡眠的药物。由于射频接收线圈外壳的空间限制，受试者在预筛查表中自我报告的头部大小(从小到超大)和那些报告大的头部大小被排除在外。由于头部大小的限制，大多数受试者是女性。虽然我们没有性别影响的先验预测，也没有能力对这些进行测试，但我们检查了这些数据，以评估是否存在明显的巨大差异，并发现在男性和女性受试者中都检测到了脑脊液振荡(图4)。(第8条)。所有受试者之前都曾参加过白天的磁共振成像会议，以确保在扫描仪环境中的舒适性。受试者被要求在成像研究的前一晚只睡4个小时，以在扫描期间增加睡眠压力。一名受试者未能完成睡眠限制方案，但仍被纳入，并仍在扫描仪中睡着。在睡眠获取过程中，受试者被要求闭上眼睛休息。在会话的子集(n=6)中，受试者被要求在每次吸气和每次呼气时按下与MR兼容的USB按钮盒上的按钮，以提供额外的睡眠行为指标(44)。指示要求受试者允许自己入睡，但如果他们在扫描过程中醒来，则返回执行任务。

脑电采集

    使用与MR兼容的256通道测地线网络和NA410放大器(ElectricalGeodesics，Inc.，Eugene，OR USA)以1000 Hz的采样率采集EEG。脑电采集与扫描仪10 MHz时钟同步，以减少高频梯度伪影的混叠。在EEG采集期间暂时关闭扫描仪低温泵，以减少振动伪影。为了获得用于去除EEG噪声的参考信号，受试者在头部佩戴由隔离乙烯基层和导电缎子层组成的参考层帽，并插入扣环以允许电极穿过头皮并与头皮(45)接触，而其他电极保持与头皮隔离并记录噪声，导致每个受试者总共30-36个EEG电极。

    使用Physio16设备(Electrical Geodesics，Inc.，Eugene或USA)同时采集生理信号。ECG是通过两个一次性电极测量的，这些电极放置在胸部对角穿过心脏，使用与MR兼容的导联(InVivo公司，飞利浦)。通过胸部周围的压电带(UFI系统，美国加利福尼亚州莫罗湾)测量呼吸。

功能磁共振成像采集

    受试者在3T西门子Prisma扫描仪上进行扫描，扫描仪采用供应商提供的64通道头颈线圈。每个疗程以1 mm各向同性多回声MPRAGE开始，以提供解剖学参考(46)。功能运行采集了40个交错的粗体加权EPI切片，各向同性体素为2.5mm3。这个采集体积覆盖了大脑的大部分，省略了颞极的尖端，那里也显示出更高的信号丢失率。fMRI方案包括单次激发梯度回波SMS-EPI(47)，多波段因子=8，矩阵=92×92，点状CAIPI偏移=FOV/4，TR=367ms，标称回波间隔=0.53ms，翻转角=32~37°，无面内加速。由于研究中途的扫描仪软件升级，使用了两个略有不同的fMRI扫描采集参数：前七个受试者的TE被设置为32ms，其余受试者的TE被设置为30ms。在一个受试者中，由于技术错误，TR被设置为387ms。根据单个受试者的SAR限制，将逆向因子设置在1到1.5之间。单次跑步最长可持续2小时。如果跑步提前结束，只要受试者仍然舒适和睡眠，随后的跑步就会开始，最长总扫描持续时间为2.5小时。

脑电预处理

    使用前20个TR的移动平均值，通过平均伪影减法(48)去除梯度伪影。这种梯度伪影去除起到了高通滤波器的作用，因此EEG分析集中在>0.2Hz的信号上。然后将电极重新参考到共同平均值，分别计算接触磁头的电极和放置在参考层上的电极的平均值。参考帽面颊和边缘的通道被排除在共同平均值之外。使用来自分离的EEG电极(45，49)的参考信号的回归去除心音图伪影。由于存在比信号电极更多的噪声电极，所以在对噪声电极进行二次采样之后，仅使用每四个隔离电极来执行回归。由于电极的位置和对电极的生理噪声影响可以随这里使用的长记录时间而变化，因此我们实现了参考信号的动态时变回归。使用最小二乘拟合30s滑动时间窗口内最佳拟合回归的Beta系数；然后在非重叠窗口上线性插值这些Beta值。然后，将在每个时间点得到的插值β值用于从模型化的EEG记录中局部减去参考信号。该回归是针对每个EEG通道单独执行的。

BOLD fMRI数据预处理

    处理流如图S9所示。CSF流入分析使用具有切片定时校正但没有任何运动校正的原始采集的fMRI数据，因为运动校正破坏了流入分析所需的体素切片位置信息，并且不能在组织移入和移出成像体积的边缘切片上准确地执行运动校正。因此，所有的分析都是在选择低运动时期之后进行的。对于粗体分析，使用FSL(https://fsl.fmrib./fsl))对fMRI数据进行切片定时校正，并使用AFNI(https://afni.nimh.).)对运动进行校正。基于RETROICOR(50)的概念，使用动态4回归进行生理性噪声去除，并适用于如下快速功能磁共振成像。采用有限冲激响应滤波器对呼吸轨迹进行0.16~0.4 Hz的带通滤波，计算瞬时相位作为希尔伯特变换的角度。使用FASST工具箱(http://www.montefiore./~phillips/FASST.html)自动检测心脏峰值，并将相位建模为在每个识别的峰值之间线性变化。利用信号的相位及其二次谐波产生正弦和余弦基函数作为生理噪声的回归变量。当心率和呼吸频率在整个扫描过程中变化时，该回归在每400s滑动的1000s窗口上执行，以实现高质量的生理性噪声去除。没有应用空间平滑。

睡眠/唤醒段提取

    因为我们对CSF信号的分析需要非运动校正的数据(以测量边缘切片上的信号)和长连续的周期(以分析连续的低频动态)，所以我们将分析限制在稳定清醒或低运动的睡眠期间。我们的分析集中在稳定而明确的持续NREM睡眠或觉醒的长时间段(我们的数据中没有看到REM时期，可能是因为达到REM睡眠需要很长的时间)。因此，我们通过检查脑电频谱图中正在进行的动态变化，而不是在离散窗口中执行传统的睡眠评分，来建立我们的睡眠和觉醒段识别的基础。为了选择连续的睡眠和清醒片段，我们绘制了枕部EEG频谱图(从最接近OZ的通道，记录质量良好)，行为(在执行任务的受试者子集中)，以及使用Afni从fMRI时间序列自动估计的平移和旋转运动。睡眠的脑电图特征包括枕叶阿尔法(8-12 Hz)节律丧失，δ(0.5-4 Hz)和θ(4-8 Hz)功率增加。选择枕部EEG通道既是为了提供在睡眠开始时识别枕部α节律消失的能力，允许清晰地分割觉醒和睡眠，也是因为枕部EEG在MR环境中具有最高的信号质量。手动识别和提取至少90s的低运动和稳定尾迹或NREM周期以供进一步分析。由于我们需要稳定的低运动睡眠时间>90s，而休眠子阶段通常定义在30s窗口(51)中，而且由于N2是人类NREM睡眠的主要部分，这些更长的>90s的NREM段主要是N2睡眠，但也可能包括一些N1或N3(图S2)。

ROI定义

    所有的fMRI信号分析都是在fMRI采集空间的原始空间框架内的单个受试者内进行的，没有转换到共同的平均值，以避免在配准过程中这些信号跨空间的空间模糊。

在功能图像上解剖地确定第四脑室和导水管的ROI。使用基于边界的配准计算功能图像和解剖图像之间的初始配准矩阵(52)。将配准的MPRAGE叠加到功能图像上，识别脑室/导水管的大致位置，然后选择功能图像上最亮的体素来识别脑脊液区域。使用Freesurfer(https://surfer.nmr.mgh.)(53))在MPRAGE上生成的自动分割来定义皮质灰质中粗体信号的ROI，然后将其注册到5个功能体积，以包括成像体积中存在的所有皮质灰质(即，大部分皮质)。

流入分析：

    为了分析脑脊液的血流动力学，脑脊液ROI被分割成单个切片内的单独的子ROI，由其在功能采集体积的底部4个切片上的投影组成。然后提取每层脑脊液亚ROI的平均信号。这项分析只包括那些在所有四个底部切片上都能识别出脑脊液区域的受试者(n=11名受试者)。切片2中流入信号的临界速度被计算(54)为切片宽度(2.5 mm)除以切片1和切片2之间的时间间隔(由于交错采集而为220.2 ms)。为了捕捉低流量和高流量条件之间的信号波动范围，信号幅度被计算为每个ROI中信号的第95个百分位数和第5个百分位数随时间的相对比率。

频谱功率分析：

    使用多锥谱估计(Chronux，(55))计算fMRI和EEG信号的功率。粗体信号中的功率在如上所述识别的90年代节段中被估计，并且每个患者的平均功率在每个节段中被计算。使用Wilcoxon符号秩检验在同时显示睡眠和清醒数据的患者(n=11；其余两个受试者只有睡眠部分)中计算睡眠和觉醒段之间的成对比较，并通过倒置测试来估计置信区间。当跨段执行比较时(图。S2)，因为片段没有配对，所以使用Wilcoxon秩和检验来计算差异和置信区间。BOLD和CSF分析使用5个锥度，EEG分析使用59个锥度。在最接近OZ的枕部EEG通道上执行EEG分析，该通道也被识别为具有良好的数据质量，以便最小化由磁场中的运动引起的心音图伪影(因为枕部通道由头部锚定，而额部通道表现出较大的伪影)，并允许分析枕部α来跟踪睡眠开始。功率谱的95%置信区间是通过对1000次替换的受试者进行自举来估计的。

交叉相关分析：

    脑脊液和BOLD时间序列分别从脑室和皮质灰质感兴趣区提取(图2)。S9)。为了比较相对流量，BOLD和CSF信号在0.1 Hz以下进行低通滤波。这种过滤是为了减少噪声而执行的，但当重复分析时没有这个过滤步骤时，结果也是一致的(图7)。S10)。接下来，计算粗体信号的时间导数。对于图3中的分析，将该导数乘以−1，并将所有负值设置为零。因为我们的成像技术只测量脑脊液的流入而不是流出，所以这种零阈值被应用于将分析限制在流入而不是流出的信号上。利用有限冲激响应滤波器将脑电信号滤波到0.2-4 Hz频段，将瞬时幅值估计为希尔伯特变换的幅值，然后用6.4s的移动平均平滑瞬时幅值。为了建立统计检验和估计p值的阈值，对睡眠数据的分段指数进行混洗，使得被关联的两个变量从不同的数据分段中提取出来，并使最大的交叉相关超过最大的互相关值。为了建立统计检验和估计p值的阈值，对睡眠数据的分段指数进行置乱，使得被关联的两个变量从不同的数据分段中提取出来，并使最大的交叉相关超过。这个过程重复1000次，p值从这个混洗分布的百分位数计算出来。

脑脊液锁峰分析：

    通过在0-0.1 Hz之间对CSF信号进行滤波并识别超过20%振幅阈值的局部极大值来识别睡眠期间CSF信号中的峰值。0-0.1Hz滤波仅用于识别脑脊液波的峰值，然后对未滤波的脑脊液信号进行分析，以最大限度地减少数据处理。这些峰值然后被用来提取EEG 0.2-4 Hz振幅包络中的锁峰信号、BOLD信号的时间导数和CSF信号(图2)。4a、b、c)。为了检验EEG信号中峰值的统计显著性，随机对每个锁峰信号的相对定时进行混洗，并在混洗后的数据上重新计算平均EEG幅度信号。这一过程重复了1000次，以创建峰值脑电振幅的零分布。

模型仿真：

    我们首先通过计算脑脊液流量作为CBF的负值来模拟脑电功率、BOLD和CSF信号之间的关系。生理参数首先从先前的研究(33，35)中提取，以测试是否可以在不需要任何额外参数拟合的情况下解释这些动力学。然后，我们对模型参数进行了数值优化，以估计脑电、血流动力学和脑脊液之间的最佳耦合函数。在补充正文中报告了模型中使用的公式。

    因为神经活动、EEG和FLOW之间的关系的大小是未知的，并且BOLD不提供定量信息，所以该模型没有使用物理单元，而是旨在捕捉由相关系数量化的这些信号的时变动态。我们计算了预测的脑脊液流量和所有节段的实测脑脊液时间序列之间的平均相关系数。我们将这一指标与混洗分布进行比较，在混洗分布中，对来自一个时间段的预测与来自不同时间段的数据进行测试。该洗牌重复1000次，阈值设置为洗牌分布的第2.5和97.5个百分位数。当使用参数拟合时(图2)。4D)，通过10次交叉验证进一步评估R值，并统计报告交叉验证测试数据中测量的R值的平均值和标准差。在基于CSF波振幅(计算为0-0.1 Hz滤波的CSF信号的范围)对片段进行分类之后，还评估了跨片段的模型性能。

引文格式：Fultz, NE; Bonmassar, G; Setsompop, K; etal.Coupled electrophysiological, hemodynamic, and cerebrospinal fluidoscillations in human sleep.[J].Science.2019,366(6465):628-631.

加入脑科学群，加小编微信（137704924）邀请（广告勿入）。

点击左下角阅读全文