《Brain Research Bulletin》：EEG Microstate Dynamics Across Sleep Stages in Alzheimer’s Disease: A Pilot Study
阿尔茨海默病（Alzheimer’s disease, AD）患者表现出微状态A持续时间延长，且在清醒期及N1期微状态C和D的发生率降低，同时伴随转换概率的紊乱（B→A升高，D→B及C→D降低）。经校正的清醒期B→A转换概率与简易精神状态检查（MMSE）评分呈负相关，支持睡眠分期解析的微状态分析的临床相关性。睡眠分期解析的脑电图微状态动力学可能为评估AD中的网络功能障碍提供一种非侵入性工具。
阿尔茨海默病（Alzheimer’s disease, AD）是最常见的痴呆类型，以进行性认知衰退和突触丢失为主要特征（Bogdanovic et al., 2020; Jia et al., 2024）。睡眠障碍在AD中普遍存在且常先于认知症状出现，多导睡眠图研究显示慢波睡眠减少、睡眠纺锤波降低及睡眠碎片化增加（Liu et al., 2023）。睡眠与AD病理之间存在双向关联：β-淀粉样蛋白积聚破坏睡眠，而睡眠不佳加速淀粉样蛋白沉积（Wang and Holtzman, 2020; Li et al., 2026）。AD日益被视为一种全身性疾病，其病理改变超出大脑皮层，扩展至皮层下结构甚至小脑（Chen et al., 2025）。
脑电图（Electroencephalography, EEG）为脑网络活动提供了非侵入性、高时间分辨率的观察窗口（Kegyes-Brassai et al., 2024; Katayama et al., 2023; Akbar et al., 2025）。既往研究发现某些EEG指标在痴呆识别中发挥重要作用（Engedal et al., 2025; Engedal et al., 2020; D'Atri et al., 2021; Paez et al., 2025; Tong et al., 2026a）。近年来研究进展凸显EEG微状态——持续时间约60–120 ms的准稳定拓扑构型——作为大规模静息态网络的标志物（Michel and Koenig, 2018）。四种经典微状态（A–D）在统计学上与听觉、视觉、默认模式及注意网络分别关联（Tarailis et al., 2024）。在AD和轻度认知障碍（mild cognitive impairment, MCI）中已报道微状态动力学异常，通常表现为认知相关微状态（C和D）的发生率和覆盖率降低，而感觉相关微状态（A和B）增高（Das et al., 2026; Tait et al., 2020）。近期研究还发现神经调控可改变AD患者的微状态（Xu et al., 2026）。
尽管近期研究已开始探索AD和MCI中的微状态语法，但多数集中于静息态清醒期（Lian et al., 2021）以及健康人非快速眼动（NREM）睡眠期（Brodbeck et al., 2012）。然而，尽管AD中睡眠EEG异常已众所周知，但不同睡眠阶段之间这些转换的特定动力学仍 largely 未被探索。由于不同睡眠阶段反映了皮层同步化和网络活动的不同水平，微状态动力学可能揭示清醒期无法观察到的依赖于睡眠阶段的网络功能障碍。
研究人员先前已证明AD患者不同睡眠阶段的小波熵改变，表现为清醒期熵降低而N3期反常性升高（Tong et al., 2026b）。这提示AD以阶段依赖性方式影响神经复杂性。为延伸该工作，研究人员旨在表征不同睡眠阶段的微状态动力学，以更好地理解潜在的网络机制。
**研究对象**：本研究招募了30名受试者，AD组（n=15）和健康对照组（n=15）各半，均来自天津市人民医院住院及门诊。AD诊断符合2011年NIA-AA标准（Sperling et al., 2011）。符合条件的患者至少在两个认知域（记忆、语言、视空间功能、执行能力或人格/行为改变）表现出损害，年龄超过50岁且教育水平高于小学，存在日常生活能力损害（日常生活活动能力量表评分>22）且归因于非躯体结构性病理，临床痴呆评定量表（CDR）评分介于0.5至2之间。
排除标准包括：（1）其他可导致非AD痴呆的神经或精神疾病（如额颞叶痴呆、路易体痴呆、血管性痴呆、帕金森综合征或癫痫）；（2）严重的心脏、肝脏、肺部或肾脏合并症；（3）CT/MRI上记忆相关区域（额叶、内侧颞叶、海马或丘脑）存在重大结构性病变；（4）严重情感障碍（汉密尔顿抑郁量表评分>24或汉密尔顿焦虑量表评分>21）；（5）物质或酒精滥用；（6）重度痴呆（CDR=3）无法配合神经心理学检查；以及（7）Hachinski缺血量表评分超过4。两组的人口学特征（年龄、性别、教育程度）具有可比性（P>0.05）。所有受试者在入组前签署书面知情同意。天津市人民医院机构伦理委员会批准了该方案（批准号：2025-B115），所有程序符合《赫尔辛基宣言》。该研究是对先前已发表研究（Tong et al., 2026b）所收集数据的二次分析。
**EEG记录与睡眠分期**：EEG信号使用EB-neuro Be-light设备采集，采用16个头皮电极（10-20系统：FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6），采样率为512 Hz。所有受试者在记录前至少两天内被要求避免服用可能影响睡眠或EEG的药物。夜间记录在隔音室中进行，持续时间超过8小时。两名受过培训的技术人员根据标准标准（清醒、N1、N2、N3、REM）手动进行睡眠分期。每个睡眠阶段提取无伪迹的120秒时程用于后续分析。初始记录参考为乳突（M1/M2），在离线预处理中通过数学方法去除。
**EEG预处理**：离线预处理在MATLAB R2022b中使用EEGLAB 2022.0和MICROSTATELAB插件进行。数据降采样至200 Hz，带通滤波（0.5–40 Hz），并重新参考至平均参考。噪声通道通过插值处理，应用独立成分分析（ICA）去除眼动、肌电及其他伪迹，基于ICLabel（阈值50%）拒绝成分。
**微状态分析**：微状态分析遵循标准流程（Michel and Koenig, 2018）。提取全局场强（global field power, GFP）峰值，对所有受试者的串联GFP峰值图应用修正的k均值聚类，获得四个模板图（A–D）。这些模板通过空间相关性回拟合至每位受试者的连续EEG，将每个时间点分配给最佳匹配的微状态。来自所有睡眠阶段和所有受试者的GFP峰值图被串联以获得一组四个模板图（总体平均图）。该方法确保微状态类别标签跨睡眠阶段和组间一致，允许直接比较跨条件下的时间参数和转换概率。虽然研究人员承认深睡眠期间的地形图可能与清醒EEG不同，但使用全局模板是一种经过验证的方法，优先考虑跨条件可比性。对每个微状态类别，研究人员计算了平均持续时间（ms）、发生率（Hz）、覆盖率（%）、全局解释方差（global explained variance, GEV）以及转换概率，包括原始转换概率（OrgTM, %）和经随机机会校正的转换概率（DeltaTM, %），均由微状态序列计算得出。对于每对微状态类别，原始转换概率（OrgTM）代表从状态X转换到状态Y的观测比例。然而，由于某些微状态比其他微状态出现更频繁，原始概率受基线发生率影响而产生偏倚。为校正这一点，研究人员计算了机会校正转换概率（DeltaTM），即观测转换概率与随机转换模型下期望概率（即假设转换仅遵循各状态的相对发生率）之差。DeltaTM正值表示某一转换比随机预期更频繁发生，提示两个状态之间存在优先序列关系。相反，DeltaTM负值表示该转换比随机预期更少发生，提示状态之间存在排斥或回避关系。所有参数均按每位受试者每个睡眠阶段分别计算。
**统计分析**：统计分析在R（v4.3）中进行。对每个微状态参数拟合线性混合模型（linear mixed models, LMM），固定效应为组别（AD/HC）、条件（睡眠阶段）及其交互作用，随机截距为受试者。仅选择随机截距（不含条件的随机斜率）基于模型比较：添加随机斜率使AIC增加超过6个点，表明拟合更差。使用Kenward-Roger自由度的III型方差分析。对于显著的交互效应，进行事后两两比较（每个阶段内AD vs HC）。FDR校正（Benjamini-Hochberg程序）分别应用于所有微状态时间参数和转换概率的组别主效应、条件主效应和组别×条件交互作用，以及每个睡眠阶段内的事后两两比较。所有检验均为双侧，显著性水平设为α=0.05。人口学特征的描述性数据以均数±标准差（SD）呈现。对于微状态参数，文中和图中的所有组间比较均以均数±标准误（SEM）呈现。
**人口学与临床数据**：AD组（n=15）与HC组（n=15）在年龄方面无显著差异（69.93±4.86 vs 68.73±5.56，t=0.61，p=0.548），性别构成亦无显著差异（男/女：7/8 vs 8/7，χ2=0.13，p=0.715）。MMSE评分差异显著，AD组显著低于HC组（17.53±3.92 vs 29.27±0.80，t=-11.42，p<0.001）。
**研究结果**：
*受试者特征*：两组在年龄和性别构成上具有可比性（AD：69.93±4.86岁，男性7名；HC：68.73±5.56岁，男性8名）。相反，MMSE评分差异显著，AD组评分显著较低（17.53 vs 29.27，p<0.001）。AD组的临床特征见补充表1。
*微状态时间参数*：在所有受试者和所有睡眠阶段中，研究人员成功地从总体平均GFP峰值图中提取了四种典型微状态类别（A–D）。其地形图布局与已建立的听觉（A）、视觉（B）、默认模式（C）和注意（D）网络高度相似。四个类别的相似性均较高（A类：r=0.91；B类：r=0.89；C类：r=0.87；D类：r=0.93）。四类解的整体GEV在两组间所有睡眠阶段均具有可比性（AD：42.3%±6.1%；HC：43.1%±5.8%；组别主效应：F(1,28)=0.24，p=0.63）。这些GEV值处于静息态EEG四类微状态解所报告的典型范围（40–60%）内。
首先，研究人员计算了平均持续时间（ms）、发生率（Hz）和覆盖率（%）。对于MeanDuration_A，显著的组别主效应表明AD患者总体持续时间更长（F(1,28)=6.78，p_FDR=0.042）。事后比较显示，清醒期差异显著（平均值±SEM）（AD：0.064±0.012 s vs HC：0.041±0.008 s，p=0.018，q=0.046）。MeanDuration_A还观察到显著的组别×睡眠阶段交互作用（F(4,112)=3.02，p_FDR=0.042）。事后两两比较显示，MeanDuration_A的组间差异在清醒期显著（AD vs HC：平均差=0.023 s，SE=0.009，q=0.046），但在其他睡眠阶段不显著（所有q>0.05）。
对于MeanOccurrence_D，AD患者总体发生率显著较低（组别主效应：F(1,28)=5.44，p_FDR=0.049）。事后比较显示清醒期（AD：7.17±4.31 Hz vs HC：10.1±3.76 Hz，p=0.009，q=0.031）和N1期（AD：6.54±3.72 Hz vs HC：8.59±3.86 Hz，p=0.038，q=0.046）显著降低。类似地，MeanOccurrence_C显示显著的组别×睡眠阶段交互作用（F(4,112)=3.31，p_FDR=0.047），AD患者在清醒期（AD：5.76±2.85 Hz vs HC：8.79±4.61 Hz，p=0.015，q=0.039）和N1期（AD：6.25±4.40 Hz vs HC：8.51±4.50 Hz，p=0.041，q=0.048）表现出明显较低的发生率。所有显著效应均通过FDR校正（q<0.05）。
最后，四种微状态类别的GFP均表现出强烈的睡眠阶段主效应（所有p<0.001），从清醒到N3逐渐增加，REM期部分降低，但无显著的组间差异或交互作用（所有p>0.05，补充图1）。
*转换概率*：扩展采样稳健地确认并加强了转换概率的组间差异。FDR校正后组别主效应仍显著：DeltaTM_B→A（F(1,28)=8.92，p_FDR=0.021），AD患者转换概率高于HC；DeltaTM_D→B（F(1,28)=6.54，p_FDR=0.038）和OrgTM_C→D（F(1,28)=5.87，p_FDR=0.045），AD患者转换概率较低。
研究人员接着检验了组间差异是否受睡眠阶段调节。具体而言，研究人员检验了每个转换概率的组别×睡眠阶段交互作用，以确定检测AD相关网络切换缺陷的最敏感窗口。条件（睡眠阶段）主效应对于大多数转换参数高度显著（所有p<0.001），证实了网络动力学在睡眠-觉醒架构中的强烈生理调节。组别主效应显著，DeltaTM_A→D的组别×睡眠阶段交互作用经FDR校正后达到显著（F(4,112)=6.12，p_FDR=0.015）。事后分析显示，HC与AD之间的差异在清醒期最大（HC?AD=42.1，SE=12.3，p=0.004，q=0.029）。
*与MMSE的相关性*：计算了控制年龄和性别后的偏相关以评估清醒期微状态参数的临床相关性。N1–REM各阶段的偏相关均不显著（所有p>0.05；数据未显示）。清醒期DeltaTM_B→A（校正的B→A转换概率）（r=?0.642，p<0.001）与MMSE评分相关性最强。此外，MeanOccurrence_C（r=0.487，p=0.003）和MeanOccurrence_D（r=0.532，p=0.001）也与MMSE显著相关。
**讨论**：
据研究人员所知，这是首个系统研究AD中所有主要睡眠阶段（清醒、N1、N2、N3和REM）EEG微状态动力学的研究。研究发现揭示了三个关键改变：（1）清醒期和浅睡眠期微状态A持续时间延长；（2）清醒期和N1期微状态C和D发生率降低；（3）转换概率紊乱，表现为感觉网络内切换增加（B→A）伴随涉及认知网络的转换减少（D→B、C→D）。至关重要的是，这些改变在清醒期最为明显，且校正的B→A转换概率与认知严重程度相关，支持睡眠分期解析的微状态分析的临床相关性。
近期一项AD微状态研究的荟萃分析将微状态A和B的持续时间延长确定为AD中最可重复的电生理改变（Das et al., 2026）。本研究也观察到A类平均持续时间在AD患者中始终高于健康对照。这种感觉网络微状态的延长被认为反映了皮层过度兴奋和抑制控制减弱，与AD中充分证实的兴奋/抑制（E/I）失衡一致（Palop and Mucke, 2010）。相反，C类和D类微状态的平均发生率在AD患者中降低。重要的是，研究结果扩展了这些发现，证明认知网络微状态的减少具有睡眠阶段依赖性，在高认知需求状态（清醒期）和过渡状态（N1）最为明显，而在更深睡眠阶段得以保留。这种阶段依赖性模式提示AD中的微状态改变并非统一现象，而是在网络切换效率最需要时优先显现。
值得注意的是，研究人员发现校正的B→A转换概率在AD中显著升高并与MMSE评分呈负相关，表明更大的感觉网络切换倾向与更差的认知功能相关，这与既往研究一致（Xu et al., 2026; Barzon et al., 2024），进一步支持了这些动态测量的行为相关性。相反，AD中涉及认知网络的转换减少，包括D→B和C→D，提示从注意和默认模式系统向感觉处理重新分配神经资源的能力下降。这种双重模式——感觉内切换增加伴随感觉-认知转换减少——指向AD中大规模功能网络动态重构的根本性破坏（Shi et al., 2022; Liu et al., 2025）。AD中的感觉网络似乎并非简单地表现出过度活跃，而是陷入复发性内部环路中，无法接入高阶认知网络。这一解释与更广泛的观点一致，即AD相关的网络功能障碍表现为大规模脑活动时间顺序的受损，而非仅仅是状态优势度的改变（Pang et al., 2025; Wang et al., 2026）。
微状态C发生率和A→D转换的显著组别×睡眠阶段交互作用表明，AD相关的微状态改变在睡眠-觉醒状态间并不均匀，而是在清醒期最为明显。这一模式具有临床和方法学双重意义。清醒期对网络切换效率提出最高需求，需要持续整合感觉输入、维持注意定势以及快速重构大规模网络以支持目标导向行为（Michel and Koenig, 2018; Brodbeck et al., 2012）。相比之下，睡眠以更刻板的振荡活动为特征，可能掩盖疾病特异性的网络切换细微改变。因此，清醒状态的认知需求可能放大AD相关网络功能障碍的表达，使其在EEG微状态动力学中更易检测。这些发现为目前AD生物标志物开发中在清醒期采集静息态EEG的普遍做法提供了实证支持，同时也提示浅睡眠（N1）作为过渡状态可能提供额外的诊断敏感性。
研究结果与近期一项MCI微状态研究（Wu et al., 2025）形成有趣互补，该研究报告MCI患者相对于健康对照微状态C的覆盖率和持续时间增加，同时微状态A、B和D减少（Piton et al., 2026）。相反，研究人员观察到AD中C类和D类发生率降低，尤其是在清醒期和N1期。这种差异模式可能反映了AD连续谱中默认模式网络（DMN）功能障碍的非线性演化：MCI中代偿性过度激活（可能由代谢过度驱动或对早期病理的去抑制所致），随后在AD中随着神经元丢失和突触衰竭压垮代偿机制而最终崩溃。这种倒U形轨迹已在fMRI研究中关于AD谱系DMN功能连接中得到充分记录，研究人员的微状态发现为该模型提供了一致的电生理证据。这些差异的阶段性特征——在清醒和N1期存在但在更深睡眠中消失——进一步提示AD中认知网络微状态的崩溃在网络动力学受到最大挑战时最为明显。
数据集中观察到的最稳健效应是GFP对四种微状态类别的强睡眠阶段主效应，这既证实了微状态提取的生理有效性，也证实了睡眠-觉醒状态间EEG同步性的预期调节。然而，缺乏涉及GFP的显著组别效应或交互作用表明该指标主要反映睡眠相关的生理调节而非AD特异性病理。值得注意的是，尽管AD患者在清醒期和浅睡眠期（N1）表现出延长的微状态持续时间和改变的转换概率，但N3期任何微状态参数均未观察到显著组间差异。考虑N3期GFP与EEG复杂性之间的关系时出现了有趣的互补性。在健康个体中，N3以高度同步的慢波活动为特征，表现为GFP升高和小波熵降低。数据证实N3期GFP在所有睡眠阶段中最高，与这一生理模式一致。然而，使用同一队列的先前小波熵研究（Tong et al., 2026b）揭示AD患者在N3期表现出熵增加——与预期降低相反——表明虽然慢波幅度（以GFP为指标）保持完整，但慢波活动的规律性和组织性受损。这种GFP保留与熵破坏之间的分离提示AD病理可能损害慢波同步的质量而非其幅度，可能反映神经元放电时间精度的退化或深睡眠期间突触缩减受损。这一解释与微状态发现一致：AD中N3期熵升高可能对应于网络切换的不适当碎片化——丧失深睡眠通常特征性的高度有序序列结构。总之，这些观察支持以下观点：AD相关的睡眠功能障碍不仅仅是慢波活动的减少，而是其内部组织的根本性破坏。AD中N3期慢波活动（SWA）减少已被广泛记录，并与淀粉样蛋白沉积和认知衰退密切相关（Lee et al., 2020; Wunderlin et al., 2020）。这一解释需要通过同步EEG-fMRI或高密度EEG研究进行验证。
**局限性**：首先，样本量较小限制了检测中等到小效应量的统计功效。研究持续时间发现的荟萃分析方向一致性（Das et al., 2026）提示II型错误可能导致了缺乏显著性。其次，16通道EEG导联虽然如前人研究所示足以提取四种典型微状态类别（A-D），但相较于高密度记录提供有限的空间精度。空间采样在N3睡眠期可能尤其受限，此时具有局灶性额中央最大值的慢波活动可能主导GFP，可能影响地形聚类和回拟合的准确性。第三，药物效应无法完全控制，其对微状态动力学的潜在影响不能被排除。
**未来方向**：未来研究包括全面的神经心理学成套测试以研究特定认知域微状态-认知关系，优先考虑更大规模的多中心队列以验证这些初步发现并实现稳健的亚组分析，以及与AD生物标志物的整合以阐明微状态动力学的神经生物学基础。
**结论**：总之，本研究提供了首个系统性证据，表明AD患者在睡眠-觉醒状态间表现出特征性的EEG微状态参数和转换概率改变。AD患者A类持续时间显著延长，清醒期差异最大。D类平均发生率在AD中显著较低，清醒期和N1期显著降低。C类平均发生率表现出显著的组别×睡眠阶段交互作用，AD患者在清醒期和N1期发生率明显较低。在转换概率方面，AD表现出感觉网络内切换增加（B类→A）伴随涉及认知网络的转换减少（D类→B和C类→D）。校正的A类→D转换表现出显著的组别×睡眠阶段交互作用，最显著的组间差异出现在清醒期。校正的B→A转换概率与MMSE负相关进一步支持其临床相关性。这些发现可能为评估AD中的网络功能障碍提供一种非侵入性电生理工具，但需在更大队列中验证。
