睡眠中非周期性神经活动的时域解析：宽频带与膝点模型揭示神经动态新机制

《Communications Psychology》：Temporally resolved analyses of aperiodic features track neural dynamics during sleep

本研究针对睡眠期间非周期性神经活动（1/f-like信号）分析中存在的频率范围选择不一、模型形式单一等问题，研究人员通过系统综述和实证分析，比较了不同频率范围（宽频带与窄频带）和模型形式（固定指数模型与膝点模型）在颅内脑电图（iEEG）和头皮脑电图（EEG）数据中的应用。结果表明，宽频带分析和膝点模型的引入能更有效地捕捉睡眠阶段依赖性差异，膝点频率可区分睡眠阶段并反映神经处理时间尺度的变化，而时间分辨分析则成功追踪了睡眠阶段转换和对外部刺激的反应。该研究为理解睡眠期间大脑动力学提供了新见解，并提出了分析非周期性神经活动的优化方法。

　　

当我们进入梦乡，我们的大脑并未停止工作，而是进入了一种高度有序的节律状态。传统上，睡眠研究主要关注大脑电信号中的周期性振荡活动，例如睡眠纺锤波和慢波活动，并以此为基础将睡眠划分为不同的阶段。然而，神经电信号实际上是由周期性的振荡成分和非周期性的背景信号混合而成。这种非周期性信号呈现出典型的1/f^x特征，即功率随频率增加而衰减，其衰减速率可由非周期性指数（x）来量化，该指数对应于双对数坐标中功率谱的斜率。近年来越来越多的证据表明，这种非周期性活动在不同睡眠阶段之间存在显著差异，为理解睡眠期间的大脑活动提供了新的视角。

尽管非周期性活动的研究潜力巨大，但该领域仍面临方法学上的挑战。先前的研究通常使用较窄的频率范围（如30-45 Hz）来分析非周期性指数，并且大多采用单一的固定指数模型，忽略了功率谱中可能存在的“膝点”（knee）——即频谱斜率发生变化的拐点。此外，大多数研究将整个睡眠阶段内的活动进行平均分析，可能掩盖了非周期性活动在更精细时间尺度上的动态变化。为了解决这些问题，Mohamed S. Ameen及其同事在《Communications Psychology》上发表了一项研究，旨在通过扩展分析的频率范围、引入更复杂的模型形式以及应用时间分辨分析技术，来更全面地揭示睡眠期间非周期性神经活动的动态特征。

为了开展这项研究，研究人员首先进行了一项系统文献综述，以了解当前睡眠非周期性活动研究中使用的方法异质性。在此基础上，他们分析了两个独立的数据集：一个是由106名局灶性癫痫患者提供的颅内脑电图（iEEG）数据，包含了安静闭眼清醒期、NREM睡眠（N2和N3期）和REM睡眠的数据；另一个是17名健康成年人的整夜高密度头皮脑电图（EEG）数据，该实验还在睡眠期间向参与者呈现了听觉刺激。研究人员使用specparam算法（原FOOOF）对神经功率谱进行参数化分解，将其分离为周期性和非周期性成分。他们系统比较了不同频率范围（宽频带如1-45 Hz与窄频带如30-45 Hz）和不同模型形式（固定指数模型与包含膝点的模型）的分析效果。此外，他们还采用了时间分辨的分析方法，以追踪非周期性活动在睡眠阶段转换过程中以及对听觉刺激反应时的瞬时动态变化。

主要技术方法

本研究为方法学导向的探索性研究。关键技术包括：1）对公开数据库（PubMed）进行系统文献综述（遵循PRISMA 2020指南），筛选出16项符合条件的研究进行分析；2）分析两个独立数据集：公开的iEEG数据集（106名癫痫患者，含Wake, N2, N3, REM期）和自行采集的高密度EEG数据集（17名健康人，整夜睡眠，含听觉刺激）；3）使用specparam算法进行频谱参数化，比较固定指数模型和膝点模型在不同频率范围的拟合效果；4）采用时间分辨分析（如滑动窗口Welch法、事件相关谱分析）追踪非周期性参数的动态变化；5）运用线性判别分析（LDA）和随机森林等机器学习方法评估不同参数对睡眠阶段的分类效能，并进行贝叶斯信息准则（BIC）等模型比较。

模型选择对非周期性活动估计的影响

研究人员首先探讨了频率范围选择对非周期性参数估计稳定性的影响。他们发现，尽管在不同频率范围和不同PSD估计时间窗口下，所有模型的拟合优度（R2）均较高（均大于0.86），但宽频带范围（如1-45 Hz）的模型拟合R2值（0.99 ± 0.004）显著高于窄频带范围（0.95 ± 0.04）。

更重要的是，宽频带分析得出的指数估计值方差显著小于窄频带分析，表明使用宽频带能够获得更稳定、可重复性更高的非周期性参数估计。这些结果提示，未来研究应优先考虑使用宽频带进行分析，并进行敏感性分析以评估结果对频率范围的依赖性。

iEEG数据中睡眠阶段特异性的非周期性活动

对iEEG数据的分析显示，功率谱密度（PSD）在不同睡眠阶段呈现出不同的形态，并且视觉上可以观察到膝点的存在。

应用膝点模型进行分析发现，膝点频率在不同睡眠阶段之间存在显著差异，而膝点模型下的指数值仅在清醒期和睡眠期之间有差异，在睡眠各阶段（N2, N3, REM）内部无显著差异。相比之下，固定指数模型下的指数值在所有睡眠阶段间均显示出显著差异。分类分析表明，膝点频率、固定模型指数和膝点模型指数都能以高于随机水平的准确度区分睡眠阶段，但膝点频率和固定模型指数的分类性能优于膝点模型指数。相关性分析揭示，膝点频率与固定模型指数呈显著负相关，而与膝点模型内的指数呈显著正相关，这表明当存在膝点时，固定模型估计的指数变化可能部分反映了膝点频率的潜在改变。贝叶斯信息准则（BIC）比较强烈支持膝点模型在所有睡眠阶段都具有更好的拟合效果。随机森林特征重要性分析进一步表明，在膝点模型中，膝点频率对于预测睡眠阶段比指数本身更具信息性。

EEG数据中睡眠阶段依赖性的模式

在头皮EEG数据中，功率谱同样显示出睡眠阶段依赖性的差异，膝点在REM睡眠期最为明显，而在N3期似乎消失。

膝点模型和固定模型下的指数值均能有效区分睡眠阶段。然而，BIC比较结果显示，膝点模型和固定模型的优劣取决于睡眠阶段：膝点模型在清醒期、N1期和REM睡眠期拟合更好，而固定模型在N2和N3期拟合更优。这与iEEG数据中膝点模型普遍更优的情况有所不同，提示膝点在EEG信号中的显著性与睡眠阶段及记录模态有关。拓扑图显示，膝点模型指数和膝点频率在头皮中部分布一致，表明它们可能共享某些潜在的神经发生器。

时间分辨的EEG指数追踪睡眠结构

研究人员进一步通过时间分辨分析探讨了非周期性活动的动态特性。他们发现，非周期性指数在整夜睡眠中并非静止不变，而是呈现出与睡眠阶段相关的特定时间模式。

例如，在清醒期内，指数值随着夜晚的推进而显著增加；而在N3和REM睡眠期，指数值则随时间显著下降。更重要的是，在睡眠阶段转换（如N1到N2，N2到N1，N2到N3，以及NREM到REM）前后几十秒的时间窗口内，指数值发生了快速且显著的变化，这些变化在阶段转换点附近与无转换的基线期相比具有显著差异。这表明非周期性活动能够以较高的时间精度追踪睡眠阶段的宏观转换过程。

睡眠期间听觉刺激诱发的选择性EEG指数反应

为了探究非周期性活动如何响应外部事件，研究人员分析了听觉刺激呈现期间的时间分辨指数变化。在NREM睡眠期（N2和N3），听觉刺激会诱发一个瞬时的、锁时的指数陡峭化（即指数值增大），表明神经抑制性活动暂时增强。

这种反应在诱发出K-复合波（K-complex, KC）的试次中更为显著。此外，非周期性指数反应表现出一定的刺激特异性：不熟悉声音（UFV）比熟悉声音（FV）引发了更大的指数陡峭化，而对自己名字（SON）和不熟悉名字（UN）的反应则无显著差异。在REM睡眠期，未观察到显著的刺激诱发反应。事件相关电位（ERP）分析也观察到了类似的刺激类别差异，但非周期性反应与ERP、KC反应既存在重叠又有所区别，提示非周期性活动可能提供了关于睡眠中大脑信息处理的独特信息。

研究结论与意义

本研究通过系统性地比较不同分析策略，深化了我们对睡眠期间非周期性神经活动的理解。主要结论包括：首先，使用宽频带分析和膝点模型能够更全面、更稳定地刻画睡眠中的非周期性活动，膝点频率作为一个反映神经群体处理时间尺度的参数，在区分睡眠阶段方面显示出巨大潜力。其次，非周期性活动具有丰富的时空动态特性，其时间分辨测量能够精确追踪睡眠阶段的宏观转换以及大脑对外部刺激的微观反应。此外，研究结果提示，先前基于窄频带固定指数模型观察到的睡眠阶段间指数差异，可能部分源于膝点频率的潜在变化，这表明对非周期性活动结果的解释需要结合所使用的模型和频率范围。

这项研究的方法学进展对于睡眠研究领域具有重要意义。通过优化非周期性活动的测量方法，研究人员能够捕获更多与睡眠宏观和微观结构相关的神经信号方差，从而为理解睡眠的神经机制提供更全面的视角。膝点频率作为神经处理时间尺度的潜在标志物，为研究睡眠期间大脑信息处理动力学提供了新的工具。此外，时间分辨的非周期性活动分析有望用于开发更精细的睡眠分期算法，并探索其在睡眠障碍诊断和监测中的应用潜力。未来研究需要在更大规模、更多样化的数据集上验证这些发现，并进一步阐明非周期性活动与特定睡眠事件（如睡眠纺锤波、慢波）以及其潜在的细胞和网络机制（如兴奋-抑制平衡）之间的关联。