应用磁脑电图（MEG）分析全脑振荡微状态模式在寿命跨度中的变化
应用磁脑电图（MEG）分析全脑振荡微状态模式在寿命跨度中的变化：剑桥衰老与神经科学中心队列研究
研究背景
随着人口老龄化问题的日益严重，了解老化过程中的神经生理变化变得愈加关键。衰老的大脑是许多神经退行性疾病的主要风险因素，然而，整个大脑的振荡活动如何影响健康衰老尚不完全清楚。在细胞水平上，神经元的生物电化学特性使得它们能够产生电磁场，检测这些场的变化可以作为潜在的组织病理学生物标志物。五种典型的振荡脑信号（delta、theta、alpha、beta和gamma波）已被广泛研究，但它们在衰老中的具体作用仍有待深入探讨。研究者们提出，监测这些振荡信号的规律性和可预测性可以帮助识别认知衰退的潜在进程。特别地，alpha波的变化在衰老过程中表现出显著特征，如alpha波的减慢、alpha功率减少、alpha反应性减退等。
研究来源
本文由Yujing Huang、Chenglong Cao、Shenyi Dai、Hu Deng等学者联合撰写，研究团队来自浙江大学、剑桥大学及中国科技大学等机构。该研究于2024年4月29日发表于《Brain Communications》杂志上。
研究流程
人口统计学数据
研究基于剑桥衰老与神经科学中心（Cam-CAN）队列进行，共包含624名年龄介于18至88岁的参与者。参与者被划分为五个年龄组：青年组（18-29岁）、早期中年组（30-44岁）、晚期中年组（45-59岁）、早期老年组（60-74岁）和老年组（75-88岁）。所有参与者均经过静息状态下的MEG扫描。
MEG数据记录与预处理
MEG数据通过306通道的Vectorview系统记录，包括204个平面梯度仪和102个磁力仪。参与者在磁屏蔽室中进行静息状态的MEG记录，数据记录时长为8至40秒，采样率为1kHz，采用高通滤波器（0.03Hz）对数据进行预处理。随后通过软件进行噪音去除、运动伪影校正和进一步的滤波及分段处理。
微状态模式分析
研究使用改进的k-means聚类算法提取各振荡频率带的微状态模式。具体步骤包括导入MEG预处理数据、提取峰值时间点的活动图、运行k-means聚类、进行两级“全局聚类”以获取每个年龄组和频率带的全局模式、回拟每个年龄组的微状态参数及统计分析等。除此之外，还进行了一系列统计分析以比较不同年龄组之间的微状态参数差异。
主要研究结果
微状态模式的确定
通过机器学习算法识别出四类典型的微状态模式：左到右（MS1）、右到左（MS2）、前到后（MS3）和前中（MS4）。在不同年龄组和不同频率带中，这四种模式均显示出一致的主导地位。
多频振荡衰减与alpha波变化
研究发现，随着年龄增加，MS1和MS2的alpha波持续时间下降，而alpha波发生次数上升。此外，theta波和beta波在MS1中的变化可能与随着年龄增长而出现的运动功能衰退相关。MS3和MS4的alpha波发生次数增加，beta波活动也呈现出对应的变化，这可能反映出自上而下的显著性/注意力网络的变化。
研究结论
这项研究即总结了衰老过程中典型的全脑微状态振荡模式，也提供了新的见解用于预测健康衰老和潜在的神经精神认知衰退。通过机器学习算法识别出的微状态模式展示了大脑在不同岁数群体中如何表现出功能缺失，特别是alpha波的主导作用。研究结果显示老化过程中alpha波在大脑全局中的增加，这表明神经效率的降低，以及其他频带的响应变化，如theta和beta波的伴随反应。
研究亮点
识别出典型微状态模式：通过机器学习算法，研究成功识别出四种典型的全脑微状态模式，并且这些模式在不同年龄组和频率带中均表现出一致的特点。
揭示alpha波的关键作用：研究重点展示了alpha波在衰老过程中显著的变化，特别是alpha波持续时间的减少和发生次数的增加。
多频带响应的衰减：除了alpha波之外，theta波和beta波的变化也被发现，这些反应与感觉和运动功能衰退密切相关。
研究意义
该研究不仅在科学上对于理解老化大脑的神经动态有重要意义，还在应用上为健康衰老的预测和神经精神认知衰退的早期诊断提供了新的生物标志物。通过这些研究，可以更好地制定相关的预防和治疗措施，从而改善老年人群的生活质量。
未来研究方向
未来的研究可以进一步整合静息状态MEG、功能和结构磁共振成像技术，以获得多模态的衰老生物标志物。同时，还需要长时间的追踪观察来更好地了解这些微状态模式与大脑萎缩之间的关系。