帕金森病患者脑电时空微状态分析
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》
1.研究背景
由于缺少可以参考的生理指标，帕金森病(Parkinson’s disease, PD)的临床诊断非常困难，特别是在疾病的早期。早期PD无药物患者以运动功能受损、认知能力下降等临床症状为特征，这些症状是由大脑动态活动功能障碍引起的。PD患者早期非药物状态下的脑功能障碍指标可能为PD早期诊断及后期治疗提供有价值的依据，为了寻找PD脑功能障碍的时空特征标志，研究人员采用静息状态脑电图微状态分析，在亚秒时间尺度上对23例无药物治疗的PD患者与23例健康对照者的全脑短暂稳定状态进行了比较。脑电图微状态反映了短暂稳定的具有时空特征的脑拓扑结构，而空间特征的微状态分类和时间参数为了解PD患者的脑功能活动提供了依据。为了进一步探讨时间微状态参数与显著临床症状之间的关系，以确定这些参数能否作为临床辅助诊断的依据，研究人员采用一般线性模型(general linear model, GLM)来探讨微状态参数与临床量表及多个患者属性的相关性，并采用Wilcoxon秩和检验来量化影响因素与微状态参数之间的线性关系。
2、方法
2.1被试
纳入天津医科大学总医院精神科23例患者(15例女性，年龄60-74岁，平均67岁;8男:年龄65-75岁，平均68岁)。
9例患者以运动迟缓为首发症状，14例为静息性震颤。所有患者均被诊断为原发性PD，病程3.2±2.5年，所有患者均在无药效学效应(即无药物作用)情况下，为收集脑电图数据而停药超过12 h，没有患者出现头部震颤。此外，23名年龄和性别匹配的健康参与者(12名女性:年龄范围60-70岁，平均年龄65岁;11名男性:年龄60-74岁，平均66岁)无神经或精神病史为对照组。表1描述了纳入患者的详细信息。
表1
2.2脑电采集
受试者舒适地躺在安静的半暗房间中，闭眼保持清醒状态，记录脑电图。采集脑电图信号时间为上午9点至11点，脑电图活动记录大脑的19个位置。此外，用四个EOG通道记录眼球运动(分别位于眼睛的眶下和眶上，左侧的眼角)，所有电极的阻抗保持低于5kΩ。
所有患者都接受了详细的行为和神经精神评估，本研究使用的评估量表是运动障碍协会赞助的统一帕金森病评分量表(MDS-UPDRS)和蒙特利尔认知评估(MoCA)的第三部分。当地伦理委员会批准了这项研究，向所有参与者说明此数据的目的和研究意义，并获得书面知情同意。
2.3 分析软件
将19个Ag/AgCl头皮电极按照10-20系统放置19个位置，记录静息脑电图数据，如图1，这里的A1和A2连接两个耳垂作为参考，这19个Ag/AgCl头皮电极连接19个数据通道。一个UEA-BZ放大器(SYMTOP，中国北京)连接到19个数据通道来放大和数字化脑电图数据。利用Study Rome软件对采集的脑电图进行初步处理，脑电图信号预处理使用MATLAB软件中的EEGLab工具箱进行，EEG微状态分析由Cartool(瑞士苏黎世脑-脑研究重点研究所)提供，统计分析使用MATLAB和SPSS25.0。
图1
2.4 脑电预处理
脑电图数据的采样频率为500Hz，监测每个参与者脑电图数据10-20 min，静息脑电图数据采用MATLAB软件预处理，所有的脑电图数据都经过仔细检查，以确定伪影(身体运动、眼睛运动、技术伪影、肌肉活动)，由于伪影的存在而被污染的脑电图数据段被拒绝。每个受试者保留大概3分钟的连续脑电图记录进行微观状态分析，采用快速独立分量分析算法对各通道的连续脑电信号进行眼校正独立分量分析，然后对每个脑电信号进行2-20 Hz带通有限脉冲响应滤波器处理，以消除高频噪声的干扰。
2.5脑电微状态分析
将预处理后的数据导入CARTOOL进行下一步的微状态分析，检测EEG微状态并计算表征，全局电场功率(GFP)是对头皮电位强度的测量：
其中i表示每个电极，n为19个电极的数量，u表示每个通道的测量电压。高GFP与峰值附近稳定的脑电图形貌有关，由于GFP峰值处脑电图信号信噪比最高，因此选取GFP峰值时刻各电极的瞬时电压幅值进行聚类分析，微状态分割采用文献中的聚类算法modified K-means算法。
图2为EEG微观状态分析过程，研究人员使用Cartool软件分三步进行微观状态分析。在第一步中，计算全局场功率时间序列(GFP，蓝线)作为每个给定时间脑电图地形的空间标准差，在局部GFP最大值(红点)处，脑电的空间构型被认为是稳定的，并解释了在GFP最大值时刻用绿色竖线标记的时间序列的大部分方差。在该工作中，GFP最大值处的瞬时脑电势场称为map。第二步，对每个参与者的头皮地图进行改进的k-means聚类。使用k-means聚类分析并通过交叉验证(cross-validation, CV)标准确定最佳聚类数。多项研究表明，受试者的最佳聚类数为4个，因此，我们将聚类数量设置为2-6个，根据最大全局解释方差(GEV)选择最优类集，然后分别将两组(PD组和health组)的原始瞬时图聚类为4个微状态类。最后，以生成的类标记组图为模板，将每个受试者原始个体连续EEG序列划分为4个微状态类(A、B、C、D类)。
研究人员分析了受试者头皮瞬时地形图各组间模板图的空间相关性，为了比较PD和正常人脑电图微状态的差异，计算每个微状态分割类的微状态参数如下：
(a)平均微状态持续时间(MMD):微状态段的平均长度(in time frame);
(b)每秒发生次数（OPS）:在所有分析时期同一微观状态发生的平均频率;
©时间覆盖率比率(RTC):每个微观状态类在所有分析时期的时间覆盖率百分比。
图2
2.6 统计分析
比较PD和正常受试者的各微观状态特征参数，分别采用Wilcoxon秩和检验检验PD组与对照组上述微状态参数的组间差异。当微状态类与组间存在显著差异时，采用两两比较进一步探讨组间差异，通常认为秩和检验的p值小于0.01为接受统计学显著性。为了检验群体间微观状态类地形的差异，采用地形方差分析进行统计分析，p < 0.01为有统计学意义。
为了探究临床量表与PD患者各微状态类别微状态参数的相关性，需要同时考虑性别、年龄、病程、初始症状的影响，因此，采用一般线性模型(general linear model, GLM)进行多因素作用下的相关分析。
进一步，为了量化线性关系，我们分别测试了临床量表与PD患者各微状态类的微状态参数之间的Spearman相关性，校正后的FDR作用于P值进行多重比较。
3.研究结果
3.1微观状态类空间拓扑
为了探究PD组与对照组在微观状态地形图上的差异，我们采用微观状态分析法对各组受试者的原始头皮EEG地形图进行分析。根据两组的微观状态分割模板，我们可以发现PD组与对照组的聚类状态是否有显著差异。
图3显示了PD组和对照组的微观状态地形类别，为了探究四种静息状态脑电图微状态图在两种因素下是否存在差异，我们对两组的每个微状态类别进行了地形分析(TANOVA)，比较PD患者和健康对照组的微状态图，微状态D有显著性差异，而其三种微状态无显著性差异。
图3
3.2微观状态时域特征
PD组的微观状态D类呈现由后向中心递增至最大值的趋势，此外，在聚类分析中，选择与对照组相匹配的模板微状态类D作为映射模板来拟合PD患者的头皮EEG，得到的GEV值非常小，小于1%。同样，PD组的模板微状态D类在对照组中也很少发现。因此，微状态D类的异常可以作为无药PD患者明显运动障碍的状态标志物。
采用Wilcoxon秩和检验分析PD组与对照组在个体水平上的微观状态参数的统计学差异。四个微状态类的覆盖率(RTC)、发生率(OPS)和持续时间(MMD)组间的差异如表2和图4所示。
如图4所示,Wilcoxon检验结果表明,PD组A类、微状态B的平均MMD、OPS、RTC均高于健康对照组，而C类、微状态D的这些特征参数较健康对照组降低。
通过比较PD组和HC组的差异，我们可以发现RTC、OPS和MMD有显著差异。两组4个微状态类的RTC范围在12.73%到32.73%之间。Wilcoxon秩和检验结果表明，与健康对照组相比，PD患者在微状态B的时间覆盖率明显高于在微状态C的时间覆盖率，两组中4个微状态类的OPS从2.85/s到3.60/s变化，通过秩和检验，PD患者中微状态A明显多于健康对照组，微状态C明显少于健康对照组。两组4个微状态的MMD持续时间从59.88 ms到69.93 ms，Wilcoxon秩和检验表明，PD组微状态A持续时间显著增加，这些微小状态参数的显著变化可以作为PD的特征标签，进一步实现辅助诊断和个性化治疗。
表2
图4
3.3临床相关性
3.3.1微观状态参数与综合因素的相关性
采用一般线性模型(GLM)探讨各微状态类的微状态参数与临床综合特征之间的临床相关性，如图5和表3所示,结果表明,PD患者临床客观属性(包括疾病持续时间、年龄、性别和初始症状(震颤或动作迟缓))不显著相关微观状态参数(如持续时间或频率的条件),和健康对照组对比也没有显著性差异,但临床量表得分与微状态参数有显著相关性。
显然,PD患者的临床客观属性不影响微状态A的OPS和MDS-UPDRS的第三部分之间的负相关,或微状态C类的OPS和MoCA的正相关,同样的，微状态B的MMD和MoCA呈负相关。
在校正病程、年龄、性别、初始症状的混杂效应后，通过GLM计算临床量表与微状态参数之间的线性回归，探究微状态参数与临床量表评分之间的关系。如表4所示，PD患者微状态A的OPS与MDS-UPDRS的第三部分呈显著负相关，而PD患者微状态C的OPS与MoCA呈显著正相关。同时发现PD患者MoCA与微状态的MMD呈显著负相关。因此，接下来我们通过分析其Spearman相关性，探究微观状态参数与临床量表评分之间直观且可量化的线性相关关系。
图5
表3
表4
3.3.2微观状态参数与临床量表的相关性
图6为帕金森病评分量表(MDS-UPDRS)修订版第三部分与经FDR校正后的PD患者各微状态的特征参数的Spearman相关性分析结果。在PD患者中，微状态A的OPS与MDS-UPDRS的第三部分呈负相关，PD组其他特征参数与第三部分MDS-UPDRS评分无显著相关性。
研究人员进一步探索了PD患者微状态A的所有微状态参数与运动函数的关系，如图7，随着运动功能的逐渐恶化，微观状态A类的时间覆盖率基本保持不变。这种现象与每秒钟发生频次趋势相反,容易看出, PD组运动功能的恶化与微观状态的参数有关。
图8为经FDR校正后的PD患者MoCA与不同微状态特征参数的相关性分析结果，微状态C的OPS和微状态B的MMD与MoCA均有显著相关性，其他参数无显著差异。当PD患者认知能力恶化时，每秒钟微状态C类的发生次数减少，微状态B的平均微状态持续时间增加，这种变化规律与图4所示结果相对应，可以看出，PD组这两个特征参数的值越接近对照组，PD患者的认知能力就越接近正常水平。
图6
图7
图8
4.讨论和结论
该研究通过脑电图微状态分析，研究震颤和运动迟缓的PD患者与年龄匹配和性别匹配的健康对照组的脑功能状态动态变化，以确定亚秒级脑活动的脑拓扑结构和时间特征，并探讨了各EEG微状态参数与临床量表和认知疲劳之间的关系。
值得注意的是PD组脑电微状态D类的空间拓扑存在差异，而其他3种脑电微状态类的空间拓扑无差异，PD组几乎没有与对照组相匹配的微状态D地形图。有研究表明，精神分裂症患者具有与对照组相匹配的微状态D，但这种微状态持续时间明显短于正常水平，且发生率较低，说明精神分裂症患者具有与PD患者相似的异常。精神分裂症患者典型微状态D的缺乏是由于多巴胺能神经元在一定程度上的缺乏，与此相关的是，黑质多巴胺能神经元的进行性退行性变与帕金森病患者常见的运动症状震颤和运动迟缓有关，而文献(Serrano et al.， 2018)表明，接受多巴胺治疗的帕金森病患者出现与对照组相匹配的典型微状态D。因此，研究人员认为典型的微状态D缺失可以作为PD早期辅助诊断标准之一。
最近的研究发现，PD患者由于多巴胺能缺陷而出现更高频率的听觉改变。如上所述，微状态A是听觉处理网络中涉及的区域，这些临床特征恰恰证实了本文中微状态A的发生显著增加。此外，精神分裂症患者由多巴胺能缺陷引起的微状态A的RTC较高。这些现象与本文PD组中微状态A的时间特征一致，因此我们可以假设微状态A的时间异常可以作为PD的一个预测因子。此外，PD组的微状态A类OPS与MDS-UPDRS评分的第三部分呈负相关，说明当微状态A类OPS相对升高时，PD患者的运动功能趋于正常。
在最近的一项研究中,微状态B已被确认与多发性硬化患者的认知疲劳有关,这可能与我们目前的结果相关,即随着认知水平的增加,微观状态的平均时间B类逐渐降低到正常水平。可见，微状态B持续时间显著增加与PD患者表现出的认知疲劳有关。另一方面，在PD患者中，B类的覆盖率也明显增加。我们在精神分裂症患者中也发现了同样的现象，可以认为，PD患者中微状态B覆盖率的增加是受到多巴胺缺失和认知疲劳的共同作用的影响。
与对照组相比，本研究还显示PD患者的微状态C的RTC和OPS更低，MoCA评分与OPS呈正相关，微状态C的OPS可以反映PD患者的认知水平。更重要的是，在微状态C的平均持续时间比正常控制组降低，可以假设发生的持续时间和频率相对较低，所以整体覆盖率也明显低于正常水平。
本研究存在一定的局限性，PD患者震颤和运动迟缓的机制不同，纹状体多巴胺能系统损伤后，许多基底神经节产生同步的波震动，这与帕金森病中的运动迟缓有关，而震颤的症状并不是严格相关的，震颤的症状可能是由神经元在运动迟缓发作后的代偿机制引起的。此外，不同机制的损伤在运动和意识皮质与小脑之间广泛联系，这与脑功能障碍有关。因此，希望通过EEG微状态分析，能够区分二者的脑活动动态变化，有助于揭示不同症状对应的生理标记。我们分析了有震颤的PD患者和运动迟缓的PD患者的微状态的拓扑图和时间参数，但组间无显著差异，这可能是由于分析中包含其中一种症状的PD患者数量相对较少所致。如果受试者中有一个临床症状，并且使用更多的通道来获取脑电图信号，就会产生更详细的结果，进一步的工作将需要澄清PD患者震颤和PD患者运动迟缓之间的区别。
注：原始文献请添加赵老师微信索要（微信号：kervin_zhao）