类型a

这项研究由纪兰馨（Lanxin Ji）等人完成，主要作者来自清华大学生物医学影像研究中心、耶鲁大学医学院精神病学系和神经科学系、哈特福德医院Olin神经精神研究所以及康涅狄格大学健康中心精神病学系。该研究于2018年3月19日发表在《Frontiers in Aging Neuroscience》期刊上。

本研究属于神经科学领域，专注于探讨老年人群中大脑功能补偿机制及其与认知储备（Cognitive Reserve, CR）的关系。随着全球老龄化人口的增加，了解与年龄相关的认知衰退和大脑弹性的神经机制变得尤为重要。先前的研究表明，老年人可能通过重新组织神经资源来补偿大脑功能的下降。然而，这些研究多依赖于年轻组与老年组之间的神经激活比较，无法定量评估补偿能力。此外，关于补偿能力与认知功能之间关系的研究也较少，其他因素如体育锻炼如何调节补偿能力尚不明确。因此，本研究旨在提出一种数据驱动的方法，以半定量的方式测量在高认知任务下的神经补偿能力，并探索其与认知参与和认知储备的关系。

本研究包括以下详细流程：首先，研究对象为26名健康的老年人（平均年龄73.23岁，男女各半），他们均为清华大学退休教授或其配偶。排除标准包括MRI禁忌症、严重或不稳定医疗状况、已知的精神疾病等。所有参与者均接受了详细的认知功能、情绪状态和身体活动水平评估。认知功能测试包括中国版Rey听觉词语学习测验（RAVLT）、逻辑记忆子测验（LMT）、韦氏成人智力量表第三版数字符号替代模态测试（DSST）、连线测验（Trails A和B）以及Benton视觉保留测试（BVRT）。情绪状态评估使用了正负性情绪量表（PANAS）、老年抑郁量表（GDS）和情绪状态量表（POMS）。身体活动水平通过国际体力活动问卷（IPAQ）和六分钟步行测试（6MWT）进行评估。

接下来，研究者对所有参与者进行了MRI扫描，使用Philips 3 Tesla TX Achieva扫描仪获取结构和功能磁共振成像数据。功能磁共振成像（fMRI）采用事件相关设计的记忆任务，包括记忆编码、记忆检索和干扰块。每个记忆编码块包含六个面孔-名字对，参与者需记住这些配对并在随后的记忆检索块中选择正确的名字。干扰块则要求参与者在看到红色圆圈时尽快按键，而在蓝色圆圈出现时抑制按键反应。fMRI数据预处理使用CONN软件和SPM8工具箱，包括重对齐、时间层校正、功能图像到结构图像的配准、标准化到标准空间以及平滑处理。独立成分分析（ICA）用于分解fMRI信号，识别出15个信号成分，其中最常激活的三个核心网络是视觉网络、注意网络和左侧执行网络。

研究结果表明，核心网络灰质体积越小，完成任务所需的网络数量越多（r = −0.408, p = 0.035）。控制核心网络灰质体积后，激活网络的数量被定义为神经补偿能力的度量。补偿能力与工作记忆表现呈正相关（r = 0.528, p = 0.035），并与6分钟步行测试（6MWT）成绩显著相关（n = 13, r = 0.66, p = 0.015）。根据记忆任务表现和激活网络数量的中位数，将参与者分为四组：（1）表现差、网络少；（2）表现差、网络多；（3）表现好、网络少；（4）表现好、网络多。结果显示，”表现好、网络少”组的认知储备高于”表现好、网络多”组，而”表现差、网络多”组的认知储备高于”表现差、网络少”组。

本研究得出结论，使用高认知需求任务测量激活神经网络的数量可以作为评估老年人神经补偿能力的有效且敏感的指标。这一方法不仅有助于理解神经补偿和认知储备的机制，还具有重要的应用价值，特别是在促进健康脑老化和预防认知退化方面。研究的亮点在于提出了一种新的半定量方法来测量神经补偿能力，结合了认知储备和补偿能力以预测行为表现，并首次在功能性网络层面使用数据驱动方法测量神经补偿。此外，研究还探讨了身体健康对神经补偿能力的影响，发现步行速度与认知功能之间存在新的机制联系。

本研究通过应用高认知挑战任务、使用独立成分分析（ICA）识别激活网络，并结合储备和补偿能力预测行为表现，为未来研究提供了重要参考。深入理解神经补偿和储备机制对于预防老年人认知和大脑退化具有巨大潜力。