研究意义：这项工作介绍了一种理解睡眠中信息加工的无创方法。我们的结果表明，慢波振荡（slow oscillation, SOs）提供了时间地形的事件框架：与睡眠其他相对local的活动模式相比，长程信息流（flow）显著增加。这些发现表明，在理解SOs如何通过促进长程、有效的沟通来解除故障网络中记忆巩固方面，有了概念性的飞跃。这项研究将促进进一步探讨，了解大脑振荡如何单独地以及在嵌套节律中促进网络沟通，以及研究这些特性如何变化，并预测临床人群和老年人的缺陷模式。
摘要：认知神经科学中一个突出且有力的发现是，在非快速眼动（nonrapid eye movement, NREM）睡眠期间记忆增强，其中慢波振荡（SOs; <1Hz）在系统层级的巩固中起着关键作用。然而，NREM通常表现为随着睡眠深度的增加，大脑连通性的中断和突触可塑性降低：这种大脑状态似乎不利于记忆巩固。本研究提出了一种解决这一明显矛盾的方法，该方法利用事件相关因果关系指标来评估在NREM期间有无SOs的时间段内的定向信息流。我们的结果证实，NREM通常是一种神经沟通受阻的状态，但SOs在SO波谷前后提供了两个增强大尺度沟通的窗口。与未耦合的SOs相比，当SOs与睡眠纺锤波耦合时，这些沟通峰值明显更高。为了探讨这些信息流的SO选择性峰值的功能相关性，我们测试了预测夜间情景记忆改善的时间和地形条件。我们的研究结果表明，SOs期间全局（global）、长程沟通促进了睡眠依赖系统情景记忆的巩固。信息流峰值和记忆改善之间的显著相关性为我们测量有效连通性提供了预测有效性。换句话说，我们能够基于睡眠期间独立的电生理观测来预测记忆改善。这项工作介绍了一种睡眠中信息加工的非侵入性方法，并提供了在低连通性睡眠状态下，系统层级大脑沟通是如何发生的一种机制。简言之，SOs是大尺度神经沟通的门控机制，是系统巩固和长时记忆形成的必要基础。
脑电测量的人脑振荡反映了成千上百万个神经元的同步活动，峰值时间由持续振荡的相位调制。目前的模型认为，振荡单独或相互协同地以状态依赖的方式在神经皮层网络中组织信息加工和沟通，并且被认为是与特定行为相关的神经加工标记物。越来越多的研究使用神经元记录、皮层电位和局部场电位、EEG信号以及认知和行为方法证明了NREM的SOs在大脑功能中重要性和因果作用。
SOs通常被认为是一种大的行波（traveling wave），它协调整个皮层区域和皮层-皮层下相互作用的活动，并已被证明支持记忆的形成。根据系统巩固框架，长时记忆（long-term memories, LTMs）最初由海马体中快速学习系统结合（即，编码），然后在NREM期间这些记忆痕迹在皮层中存储中稳定下来（即，巩固）。NREM完成这一过程的一种潜在方式是通过协调嵌套纺锤波（sigma功率；12-15Hz）和尖锐波涟漪的全局SOs 来同步皮层-丘脑-海马回路中的神经元活动。确实，这些节律三相位的耦合与记忆改善有关，阻止或增强SOs活动和因果干预会改变记忆表现，表明SOs在这一过程中起着关键作用。
睡眠依赖性记忆这一重要假设认为全局沟通网络的激活增加，这与NREM睡眠的已知特性相反，NREM的特点是可塑性降低和网络沟通缺失。研究表明，与快速眼动（repid eye movement, REM）睡眠或麻醉状态相比，NREM睡眠期间，长时程增强（突触可塑性的一种形式，是初始编码和随后记忆稳定的主要生理模型）被主动抑制。在系统层面，通过结合使用经颅磁刺激和高密度脑电，Massimini和同事证明，当大脑从清醒状态过渡到NREM睡眠的深度阶段时，跨胼胝体和长程神经沟通中断，表明NREM睡眠期间的网络沟通高度局部化。因此，NREM睡眠的基本特性（突触可塑性降低；局部，断开的网络）和SO驱动系统整合（协调，全局网络激活）的假设机制似乎相互矛盾，无法解释NREM如何支持记忆整合。从理论角度来看，我们这里考虑的记忆巩固取决于长程增强或抑制，即依赖活动的可塑性。必要的突触活动取决于定向（有效）连通性（即，神经元网络中的持续沟通）。目前这种可塑性的公式说明了长时程的压抑和突触退化。这一观点来自于实证研究和基于优化生成模型的理论考虑。在这些说法中，重点是在睡眠期间消除多余或旺盛的突触连接，以确保泛化（即，保留重要的联系）。
目前的研究通过调查有无SOs的NREM睡眠时期的定向信息流，解决了NREM睡眠支持可塑的活动依赖性变化的明显悖论。此前对人类的研究通常评估了睡眠在远距离记忆中的功能性作用，即首先进行记忆编码，然后是睡眠阶段，然后记忆被恢复了。这种策略无法理解睡眠的持续过程如何直接影响记忆的巩固。为了弥补这一差距，我们采用了一种事件相关方法来测量NREM睡眠期间大脑中的因果信息流，特别是比较SO和非SO窗口的不同相位。此外，研究通常使用功能连接来分析SOs来测量不同EEG通道之间的时间相似性或相关性，这仅限于相关性测量，无法识别定向因果沟通。相反，我们利用了有效连通性，这检查了一个神经系统直接或间接对另一个系统的影响，使用格兰杰因果进行评估。根据这种方法，如果一个主信号（源，source）的过去值有助于预测第二个信号（汇，sink）而不仅仅是其过去所包含的信息，则可以检测到因果关系。因此，本研究通过测量SO期间EEG通道中事件相关因果信息流，以非侵入性的方式探讨大脑如何在睡眠期间组织网络活动以支持记忆。
SOs期间来自源的因果信息外流（Outflow）。我们使用广义部分定向相干性（generalized partial directed coherence, GPDC）作为不同EEG通道之间因果信息流的估计方法。GPDC是部分定向相干性（PDC）的扩展，以使其对时间序列的波幅尺度更为稳健（详见材料和方法，有效连通性评估部分）。4个EEG通道（Fz, Cz, Pz和POz）被视为信息流的源，12个通道（额叶，中央，顶叶和枕区各有3个通道）被视为信息流的汇。一个自动系统在源通道上检测SOs，在SO波谷前1s和后1s的两个时间窗上计算量词（quantifier）（图1A）。我们将第一个量词定义为来自源的外流（CHoutflow; “channel outflow”），第二个量词定义为从一个源通道到一个汇脑区的流动（flow）（CHàR）。两个量词都是根据SO相位进行评估的，并对每个被试都以平均数进行计算的（相关定义和细节，参见材料和方法）。图1B显示了SO通道中每个源基于SO相位的CHoutflow的平均数和标准差。随着SO相位的改变，outflow在-π/2处达到峰值（“前峰”），在0处（对应于SO波谷）达到局部最小值，在π/2处再次达到峰值（“后峰”）。作为对比，我们还估计了非SO窗口期间来自源的outflow。对所有SOs，以随机方式选择500ms长的时间窗；在四个源通道和任一睡眠阶段（第二阶段（Stage 2）和慢波睡眠[slow wave sleep, SWS]），唯一的条件是时间周期必须与任何SO波谷相距10s以上。图1C显示了前峰和后峰，SO波谷，以及非SO窗口中每个源的outflow值。我们使用ANOVA和事后分析测试了SO窗口和非SO窗口的outflow差异。结果表明前峰和后峰处的outflow（CHoutflow）显著大于非SO窗口的outflow（p< 0.001），但SO波谷处和非SO窗口的outflow没有显著差异（p> 0.05）（图1C）。此外，与非SO窗口相比，SO波谷后半个周期（相位=π）的outflow没有显著差异，在-π相位处的outflow存在显著或边缘显著（0.05<P<0.1）的差异，这可能是由于在一个SOs序列中前面的SO对后面的SO的影响而导致的。
为了研究是否SOs期间的高波幅驱动了信息流中的峰值，我们测试了信息outflow峰值和SOs在相应时间点的波幅之间是否存在相关。结果表明，对于每个被试，每个通道中的SO波谷波幅和相关通道的outflow峰值之间没有显著相关（SI附录，图S1）。此外，每个通道中SO波幅平均值和相关电极outflow峰值平均值之间没有显著的线性关系（SI附录，图S2）。
然后，我们追问是否存在一种结构，根据评估的各种要素（源和汇的位置，等）信息流的峰值将有多高。为了在一个无偏和综合的模型中评估所有这些要素对峰值高度的相对贡献，我们拟合了一个线性混合效应（linear mixed-effects, LME）模型来检查源、SO通道、源和通道之间的距离（DCHsource,CHSO）以及峰值相位（即，是否峰是在SO波谷之前还是之后）对信息outflow峰值高度的影响。在线性模型中，我们将源（Fz, Cz, Pz和POz）和SO通道之间距离DCHsource,CHSO分配0-3的离散值，额-枕轴上每一步增加1。我们使用一个简单的模型来计算距离，因为我们认为每个相邻脑区之间的距离等于1。（这意味着，如果CHsource是Fz，CHSO是Cz，那么这两者之间的距离就是2）。SI附录，表S1呈现了LME模型的系数和相应的p值。此外，我们将SO波幅加入到模型中，以测试该预测因子对outflow峰值高度的影响。加入SO波幅并没有改善模型，意味着SO波幅与信息outflow峰值之间没有关系（p> 0.05）。
根据LME建模结果，SO通道（p< 0.05），SO通道和源之间的距离（DCHsource,CHSO）以及相位（前峰/后峰）对信息outflow峰值高度（p< 0.05）有着显著的线性影响，其中DCHsource,CHSO的线性效应最大（更高的系数）。DCHsource,CHSO的负的系数表明，信息outflow随着源与SO通道的接近而增加。例如，对于在Fz通道检测到的SO，在POz通道上因果信息outflow峰值最小，当越来越靠近Fz通道，outflow的峰值逐渐增加，最大的outflow在Fz本身。SO通道的正的系数表明，SO的位置（前部 vs. 后部）调节了outflow的高度，相比于后部脑区的SOs，前部通道中的SOs可能在所有的源上产生较低的outflow。此外，峰值相位（即，前峰或后峰）负的系数表明，前峰预期比后峰有更大的outflow。
图1.SOs和非SOs窗口阶段的因果信息流估计过程。（A）估计EEG通道之间因果信息流过程示意图。总的来说，在检测到SOs后，将一个MVAR模型拟合到12个EEG通道上每个SOs波谷前1s到后1s的每个500ms时间窗上，步幅为7.8ms。使用GPDC方法和对所有频段（freqs）进行平均，计算有效连接矩阵（π）和两个定义的量词。基于SO相位对量词时间序列进行重新取样后，对每个被试的所有SOs上的相位序列进行平均来获得每个被试的两种相位序列1）来自源的流出量（例如，FzOutflow）和2）从源到槽的流量（例如，FzàCz）。（B）SO通道上所有源的流出量变化。每行显示了当在所代表的通道中检测到SO时，被试在SOs相位上流出量变化。在每一行中，各列以弧度（rad）表示SOs相位上各源的流出量的变化（平均数±标准偏差）。相位序列及其源和SO通道的变化在SO波谷前后出现峰值，并且源和SO通道之间可能存在关系。图中结果表明，靠近SO通道的源在流出量峰值中具有更大的高度。（C）比较了SO五个不同相位（SO相位={-π, π/2, 0, -π/2, π}）的流出量和非SO窗口的流出量。误差条表示流出波幅的平均值±标准误。ANOVA和事后检验发现，在-π/2（前峰）和π/2（后峰）相位的峰值处流出量显著较大，而非SO窗口流出量和SO波谷流出量之间没有显著差异。粗黑线表示SO窗口和非SO窗口之间存在很强的显著差异（P<0.005），细线表示差异显著（P<0.05），虚线表示差异边缘显著（0.05<P<0.1）。
SOs期间从源到汇的因果信息流。在前一节中，我们表明，来自源的SO相关的信息outflow受到SO通道和源之间距离的显著影响，离SO最近的源峰值最大。为了分析信息流是如何依赖于发送方和接收方的，我们接下来关注源-汇对。对所有SOs计算了从每个源到每个汇的因果信息流（CHàR量词，FzàP中Fz作为源，顶叶作为汇）。对于每个SO通道，在每个被试内我们将每个源-汇对上的所有CHàR相位序列进行平均。图2A呈现了从两个源（Fz和POz）分别到三个汇（中央，顶叶和枕叶和Fz源，以及中央，顶叶和枕叶和POz源）CHàR相位序列变化的示例，所有情况都是在Fz处的SO通道（SI附录，图S3-S6提供了综合结果）。
观察图2A（和SI附录，图S3-S6）中的CHàR量词值，我们注意到汇到SO通道（DRsink,CHSO）的距离和flow峰值高度之间存在关系。这表明因果信息流（CHàR）可能受到下面情况的调节：考虑哪一个源-汇对，源-汇对到SO通道的距离，以及每个配对中源和汇之间的距离。为了调查这些潜在的影响，将LME模型拟合到在flow峰（SO波谷前和SO波谷后）的CHàR值上，线性预测因子为：SO通道，源-汇对，源-汇对到SO通道的距离（DCHsource,CHSO，DRsink,CHSO）以及源-汇对之间的距离（DCHsource,CHsink）。
LME模型的结果（SI附录，表S2）表明，DRsink,CHSO和DCHsource,CHSO对flow峰值的高度具有显著的线性效应。此外，峰值相位（波谷前或波谷后）也有显著影响，波谷前相位的峰值高度大于波谷后相位（系数<0）。相比之下，没有发现SO通道，源或源-汇对距离对因果信息流高度有统计显著的线性影响。系数值在每个预测因子上显示了不同的影响程度和方向。汇与SO通道之间距离的正系数和源与SO通道之间距离的负系数表明，相比于其他成分信息，源离SO通道越近（距离较短）以及汇离SO通道越远（距离更长）流的峰值越高。例如，对于Fz通道的SO，距离SO通道最近的源和距离SO最远的汇（例如，FzàO）具有最高的信息流，表明在SO期间大脑沟通在远离SO的位置最高，并且SO通道到源-汇对之间的距离影响因果流。
我们的结果支持以下几点结论：
靠近SO通道的源发送了最大量的信息（DCHsource,CHSO的flow峰值系数<0）。
远离SO通道的汇接受了最大量的信息（DRsink,CHSO的flow峰值系数>0）。
相比于所有其他预测因子，汇和SO通道之间的距离对信息流的影响最大（DRsink,CHSO的flow峰值系数的绝对值>>其他预测因子系数的绝对值）。
图2.outflow和flow量词的示例以及在Global和Local聚类中检测SOs的概率。（A）从源到汇信息流（CHàR量词）的示例。左图显示了指定源的总的outflow，以及指定通道中的SO（样本来自图1B）。右图表示从源到不同的汇的flow的部分。例如，左上图显示当SOs在Fz通道时，从Fz源的outflow，右上的三个图则表示汇处flow的部分。通过考虑SO通道，源和汇的地形图，结果表明汇到SO通道的距离与信息流峰值之间存在关系。（B）通过聚类方法得出的Global和Local SOs（聚类1：Global SOs，聚类2：Local SOs）。颜色表示每个通道中SOs的密度。
SO聚类对因果信息流的影响。到目前为止，我们已经表明，当考虑outflow时，SOs对因果信息流的影响取决于源到SO通道之间的距离，当考虑源-汇对之间特定的flow时，SOs对因果信息流的影响则取决于汇到SO通道的距离。此外，距离SO通道较近的通道能够发送更多的因果信息流，而距离SO通道较远的通道则可以接受更多的因果信息流。根据这些特性，我们假设SO对大脑信息加工的影响的主要好处是允许远距离脑区之间的因果沟通。如果是这样的话，那么从逻辑上来说，与其他（更加局部化的）类型的SO相比，全局SOs（在头皮的大部分进行传播的SOs）应该能够传递更多的信息流。考察SOs时空共存的研究报告称，大多数的SOs是行波，其起源和传播的模式提供了皮层连接的轮廓。我们课题组之前的工作通过对EEG通道流形（manifold）上的SO协同发生进行基于聚类的分析，确定了三个时空类别：前额（Frontal），局部（Local）和全局（Global），其中Global SOs发生在大多数电极上，Local SOs发生在少数没有位置特异性的电极上，而Frontal SOs则局限于额叶区域。除了有更大的面积（footprint）和更大的波幅外，Global SOs还提供了更大丘脑皮层睡眠纺锤波的层次嵌套，表明SO类别之间的功能差异，Global SOs更容易激活系统整合。
通过比较每种类型的有效连通性，我们检验了这个假设：Global SOs应该比非global（Local）SOs具有更大的因果流。我们首先使用我们团队之前介绍的方法对Global和非global SOs进行聚类。图2B显示了聚类后，每个通道上和头皮表面两个聚类中的每个聚类上SO的发生率。根据之前研究的结果以及图2B中呈现的本研究的结果，检测到的两个聚类被解释为Global和Local SO聚类。为了测试聚类对SOs波幅的影响，我们首先检查了global和local聚类上的SOs波幅之间是否存在显著差异。结果（SI附录，图S7）表明每个通道中聚类上存在显著差异（P<0.05）。然后，我们测试了两个聚类中SOs波幅和信息outflow峰值高度之间是否存在显著相关。我们的检测表明SOs波幅和信息outflow峰值之间没有显著关系。为了检查聚类标识（即，分类到Global或者Local SO）是否对信息流峰值高度有影响，我们将聚类标识（Global为1，Local为2）作为固定效应和其他使用的预测因子一起加入到信息流峰值高度的LME模型中。
从源到汇的信息流峰值的LME模型的结果（SI附录，表S3）显示出与之前的预测因子相同的效应，并结合了聚类对flow峰值高度的显著线性效应（P<0.05）。聚类效应的负的系数表明，Global SOs（聚类=1）的峰值高度高于Local SOs（聚类=2）。我们认为这证实了我们的假设，即与其他SO类型相比，Global SOs促成了更大的信息流。
作为补充分析，我们通过将耦合作为预测因子加入LME模型中，测试了SO-纺锤波耦合对因果信息流的影响。首先，我们检测所有与SOs波谷±1s的时间窗重叠的纺锤波。纺锤波检测方法和先前研究一样。然后，我们将SO-纺锤波耦合作为一个固定效应加入到LME模型中，其中非耦合的值为1，耦合的值为2。通过加入SO-纺锤波耦合对因果信息流峰值进行建模的结果表明，耦合有显著的正效应（P<0.05）（SI附录，表S4），耦合效应的正系数表明当SOs与纺锤波耦合时，峰值高度更高。
长时记忆（LTM）提升和SO期间因果信息流。接下来，我们考察了我们认为对信息流至关重要的SO属性是否对LTMs的形成具有功能性影响。基于我们研究中与后峰匹配的自下而上状态转换的重要性，我们检查了词对联系（word-pair association, WPA）改善和后峰期间计算的因果信息流（SOs波谷后π/2处的信息流峰值）之间的关系。WPA改善是以晚间睡眠后（睡后）的表现与晚间睡眠前（睡前）的表现的比率来衡量的。对于每名被试，我们将后峰outflow分配给源和SO通道之间四个距离中的一个（DCHsource,CHSO =0，1，2，3），然后在每个组内进行平均。然后，我们使用线性回归模型评估各组的outflow和WPA改善之间的线性关系（图3）。
图3中的结果表明，记忆改善与SO和源之间的距离有关，当源靠近SO通道（DCHsource,CHSO=0，1，2）时，WPA改善和outflow之间存在显著正的线性相关，而当源远离SO通道（DCHsource,CHSO=3）时则不存在此相关。DCHsource,CHSO=0在回归检验具有最大的r值，随着通道之间距离（DCHsource,CHSO）的增加，r值逐渐减小。
接下来，我们检查源和汇通道之间的距离以及源和汇到SO通道之间的相对距离如何影响WPA改善（图4A）。首先，我们定义了汇和源之间三个可能的距离（DCHsource,Rsink =1，2，3）并平均了从源到汇具有相同距离的flow。图4B显示了WPA改善和在汇与源之间每个指定距离上的平均的flow之间的线性关系检验。
根据图4B所示的结果，汇和源之间距离较大（DCHsource,Rsink =2和3）时，信息流和WPA改善之间存在显著线性相关。r值随着汇和源之间的距离增大而增加，表明信息流和WPA改善在长程沟通中具有更强的线性相关。使用相关系数作为编码有效连接和记忆改善之间的关系的汇总统计来强调这个关联的可靠性，而不是使用效应量。换句话说，源和汇之间的距离是对连通性和记忆之间的相关产生了影响。这可能反映了连通性对记忆的影响的增加或噪音的减少。这与峰值连通性和距离指标的相互作用在预测记忆改善上的分析测试形成对比。
接下来，我们考察了WPA改善和从汇和源到SO通道的不同的相对距离上的flow之间的关联。我们将相对距离定义为汇与SO通道之间的距离和源与SO通道之间的距离的差值（DCHsink,CHSO- DCHsource,CHSO）。因此，大于零的相对距离表示源比汇距离SO通道更近。例如，如果Cz是SO通道，Fz源和枕部的汇之间的相对距离大于零，因为DOsink,CzSO= 2，DFzsource,CzSO = 1。图4C显示，仅当相对距离大于零时，WPA改善和因果信息流之间有显著线性关系。总之，这些结果和我们提出的假设相一致，通过SOs介导长程沟通在记忆巩固中起着重要作用。此外，为了考察SOs波幅与WPA改善之间是否存在关系，我们计算了在考虑和不考虑SO聚类的情况下SO波幅和WPA改善的相关。结果（SI附录，图S8）显示SOs波幅和WPA改善之间没有显著相关（P<0.05注：这里文中应该写错了，应改为＞）。
该假设的最后一项检查调查了是否Global SOs（而非Local SOs）调节了SOs上的因果信息流和WPA改善之间的关系。我们首先测量了Global和Local SO聚类的后峰SO相位上的outflow，并计算了outflow和WPA改善之间的回归显著性水平，如图5所示（详细结果参见SI附录，图S9和S10）。我们发现，相比于Local聚类，Global聚类中有更多的通道数量，其outflow和WPA改善存在显著的线性关系（local聚类中有4种源和SO通道的组合，Global聚类种有13种源和SO通道的组合；图5A）。
接下来，我们根据每个聚类上源和SO通道的距离平均了outflow，并检查其与WPA盖上的相关。鉴于我们之前的结果，源和SO通道之间较短的距离具有最高的信息流，我们预期这些通道之间距离较短的global聚类上，outflow和记忆改善之间表现出最强的相关。确实，我们的结果表明，当SO和源之间的距离小于4时，global聚类上outflow之间存在显著相关。在local聚类上，与该聚类中SOs面积减少一致，我们发现只有当SO和源的距离等于1时，outflow和WPA改善之间才存在显著相关（图5B）。而且，r值比较表明对WPA改善建模的最佳条件（最大的r值）是SO和源之间最小距离，以及global聚类中的SOs。
我们然后对每个聚类中汇和源之间的距离进行了相同的分析。在每个聚类中，我们计算并平均了汇和源之间距离的后峰flow（DCHsource,Rsink =1到3）。我们发现（图5C）在global聚类中所有汇/源距离的flow和WPA改善之间存在显著相关。相反，在local聚类中，只有当汇和源距离最远时（DCHsource,Rsink =3），flow和WPA改善之间才存在显著关系。总之，这些结果表明，基于信息流的WPA改善建模的最佳条件是在跨长距离神经通道的global SOs期间。
图3.在SO通道和outflow源之间距离的四个不同条件下（DCHsource,CHSO=0，1，2）outflow和WPA改善的回归测试。在每种情况下，我们呈示了p值，线性系数报告为r，显著的线性关系用星号标记（p值由Bonferroni校正）。
图4.基于汇和源之间不同距离以及汇与源到SO通道的相对距离，flow和WPA改善的线性关系。星号表示显著的线性关系（p值由Bonferroni校正）。（A）汇和源之间距离的三种条件表示（左），以及源和汇到SO通道的相对距离的三种可能条件的示例（右，SO通道在Cz）。F、C、P和O分别表示额叶、中央区、顶叶和枕区。左：每种颜色表示距离相等的信息流汇源对。右：图展示了当SO通道在Cz处相对距离的一个例子。当源比汇更靠近SO通道时相对距离大于0，当汇比源更靠近SO通道时相对距离小于0。（B）三种源汇距离（DCHsource,Rsink =1，2，3）条件下flow和WPA改善之间关系的相关和回归分析。（C）三种源汇相对距离条件下flow和WPA改善之间关系的相关和回归分析。
图5.SO聚类（Local和Global）对因果信息流和WPA改善之间关系的影响。星号表示显著线性相关。（A）总结了对Global和Local SO聚类，来自源和SO通道组合的outflow之间的线性关系的结果。详细结果见SI附录，图S9和S10。（B）源和SO通道四个距离的相关分回归分析结果（DCHsource,CHSO=1到4）。左：显示了outflow和WPA改善之间存在显著线性相关的条件（p值由Bonferroni校正）。右：显示了在两个聚类中源和SO通道不同距离条件下的回归r值。（C）三种源汇距离（DCHsource,Rsink=1，2，3）条件下的相关和回归分析（p值由Bonferroni校正）。
讨论
本研究中，我们通过测量SO相位期间的有效连通性来考察睡眠SO的时间和地形特性，从而确定定向的因果信息流。我们评估了各个通道的信息outflow和源与汇之间的flow。首先，与之前的研究结果一致，我们发现在SO波谷和非SO窗口的信息outflow同样受损。然而，在这种沟通减少的状态下，我们确定了在SO波谷前和波谷后大尺度outflow的两个峰。Outflow峰值的方向和大小取决于SO地形图的位置，会随着距离SO源增大而急剧下降。接下来，我们考量了源和汇两个量词并确定了靠近SO来源的源是最大的信息发送者，而离SO最远的汇是最大的接收者。聚类分析证实，相比于Local SOs，Global SOs介导了更大的信息流。综上所诉，我们的有效连通性发现表明，尽管NREM沟通通常处于断开状态，但SOs促进了跨大脑区域的两次长程因果沟通的爆发。由于这项研究的目的是确定大脑如何组织网络活动来支持记忆，我们测试了NREM睡眠的时间地形条件以预测过夜后记忆的改善。我们的结果表明，记忆改善是通过最大化汇和源通道相对于SO源的距离来预测的，特别是在global SOs期间。我们的发现与SOs提供了系统层级沟通的时间框架这一概念是一致的，这是海马的、情景记忆巩固的必要条件。
广义部分定向相干性（GPDC）作为格兰杰因果的指标。基于数学上定义，格兰杰因果可以评估不同时间序列的因果信息流，然后将其解释为有效连通性。有效连通性和功能连通性主要区别是前者能够量化异步的相对影响。所以，格兰杰因果能够发现“预测因果关系”并用恒常连接确定因果关系。在这个概念中，本研究使用GPDC对有睡眠EEG信号的不同脑区之间的因果信息流进行建模。GPDC作为PDC的广义形式，可以根据部分相干符号区分间接连接和直接连接以及级联连接和直接连接。PDC（和GPDC）至有在汇和源存在相位差时才会显示信息流的传播，因此没有相位差的因素（例如，容积传导）会产生零信息流。实际上，容积传导对GPDC计算有些微影响，例如增加了噪音水平。这些影响并不重要，特别时对我们的研究而言，我们平均了许多样本（SOs）的GPDC值。
关于SOs作为大波幅对象所引入的潜在混淆因素，重点需要注意的是，GDPC利用加权平均来绕过信号之间的波幅差。虽然更大的EEG信号波幅可能表示引起信号的神经元活动的同步性增强，因此有可能是信息源，但信息对的发送方和接收方之间的格兰杰因果的定义涉及信号之间波幅的平衡，从而解释了波幅并使GPDC对高波幅效应不敏感。
SOs塑造了NREM睡眠中因果沟通网络。振荡活动与通过多单元和单单元记录的EEG以及颅内EEG记录的神经元放电率和尖峰活动相联系。虽然较高的放电率和尖峰活动被解释为意味着更大的潜在信息outflow，但SO触发的信息流的确切性质尚未确定。Nir等人（2011）报告称，与NREM（N2和SWS）的平均放电率相比，在SO波谷前后500ms大脑区域内（例如，眶额皮质、前扣带、辅助运动、顶叶皮质、海马旁回和海马）单位的平均放电率增加了200%，而在SO波谷内减少了40%。本研究中，我们还发现了两个信息outflow的峰值（SO波谷前后）；然而，我们研究中outflow峰的时间和相位（距离SO波谷±π/2和±250ms）与Nir等人（2011）报告的放电率峰值（距离SO波谷±π和±500ms）不匹配，这表明除了尖峰活动外，还有其他影响因果信息流的成分和条件。虽然尖峰活动可以表示源中信息的丰富性，但汇接受此类信息的可用性是主动沟通（就像因果信息流）的必要条件。因此，尽管神经放电率出现在SO波谷前后500ms左右，但我们的数据表明，源和汇之间的信息流的最佳条件是在接近SO波谷，大约延迟±250ms。
先前的研究已经证明，大脑沟通受到从清醒到睡眠的过渡的显著调节。Massimini等人和Pigorini等人使用经颅磁刺激探测清醒和睡眠阶段的传播模式，显示NREM睡眠期间大脑连通性水平最低。而且，使用fMRI和同步脑电进行的有效连通性分析将N2描述为不稳定网络，而将SWS描述为稳定网络。结合那个我们当前的研究结果，即NREM期间SO波谷和非SO窗口内信息outflow水平相当低，一个新的假设是，NREM睡眠期间大脑区域之间的因果沟通通常很差，但不时会出现有SOs介导的选择性高沟通事件。
因果信息流出取决于与SO通道的距离。我们的结果展示了SOs的几个关键特性，这些特性有助于它们的沟通的描述。我们的结果证明，随着SO门控因果信息outflow的时间和相位， SOs也能实现具有地形特异性的信息流。特别是，源和SO通道之间的距离对峰值高度（即，信息流的量）具有最大的影响。因此，源或者信息发送方距离SO通道越近，信息outflow越高。这些峰值在SO波谷前后并不相同，这表明，与SO自上而下转换相比，大脑沟通在自下而上转换期间有所不同。这些不同的一个潜在解释可能是，我们组合了不同类型的SOs，包括单SO和顺序SOs，其中顺序SOs具有相互暂时关联的SO前峰和SO后峰。在这些情况中，前峰可能会受到之前的SO和当前的SO的影响，而波谷后峰只受到当前SO的影响。与我们的发现一致，以前的研究表明，SO前和SO后的活动之间存在功能上的差异，包括SOs和纺锤波之间更大的同步性，以及SO波谷后峰期间在目标记忆再激活（targeted memory reactivation, TMR）期间更有效的提示。因此，我们的数据支持了这样一种观点，即SO峰值之间存在功能连通性差异和有效连通性差异，但需要进一步研究来梳理单个或顺序SOs。最后，通过对outflow峰值进行建模，我们显示了SO通道的显著影响，正的系数表明从前部到后部脑区outflow高度的增加。这些结果可能是由于后部脑区SOs的显著减少，这表明了有趣的可能性，即总体上后部通道中总的信息流并不高，而是在少数后部SOs期间，信息outflow高于其他脑区。未来的研究可以确定为什么随着检测到的SOs数量的减少，outflow会增加。
SOs促进更偏远脑区之间的因果沟通。SO已经被描述为一种global行波，涉及整个皮层网络。因此，我们通过将源和汇通道单独地以及一起作为量词来探讨信息流，并发现距离SO通道较远的区域更容易接受信息。这表明，SO期间global大脑沟通可能是有组织的，靠近SO附近的local区域发送更多的信息，而离SO较远的local区域接受更多的信息。因此，参与较高因果信息outflow（即，发送信息）的大脑区域同时接受信息的可能性很低。鉴于这些结果，我们假设汇和源之间距离以及更远脑区之间更大的因果信息流在global SOs的条件下特别突出，这涉及了更多的头皮位置。我们通过在模型中使用Global或者Local SOs作为预测因子来测试这一假设，并证明了SO聚类对flow峰值高度的显著影响，Global SOs的峰值高度高于Local SOs。
SOs是长时记忆的促进者。记忆巩固的一个主要假设认为，编码网络在睡眠期间重新激活，特别是在NREM睡眠期间。鉴于编码网络的多样性近乎无穷，记忆的重新激活需要在大脑的广泛区域进行短程和长程的信息传输。众所周知，在系统整合过程中，SOs为记忆相关的大脑活动提供了时间上的协调，当线索与SO自下而上的相位耦合时，TMR的效应更大，类似于当前结果中的后峰。然而，NREM是一个通常表现为随着深度增加连通性中断的睡眠期，该阶段不利于重新激活。
我们的研究结果为这一看似矛盾的现象提供了一个潜在的解决方案，Global SOs提供了时间-地形事件框架，其中与睡眠其余部分的相对local活动模式相比，长程信息流显著增加。具体而言，当记忆在皮层-海马网络中重新激活时，移动的Global SOs会在所有源-汇对之间介导系统层级的沟通，甚至对于远离SO源和靠近汇-源对的源也是如此。与这一发现相一致，对于Local SOs，因果流和情景记忆改善的关系局限于最接近SO通道和源以及远距离的汇-源对上。
通过描述睡眠振荡的时空动力学，我们可以无创地获得一个窗口，了解基本心理功能的协作和大脑加工模式，以及认知障碍或目前在其理解的起源和其认知表现之间缺乏机制上联系的情况。有趣的是，我们发现SOs和睡眠纺锤波的耦合能够增加因果信息流。未来的研究应该检查嵌套振荡（例如，SO-纺锤波复合体）如何促进更大的信息流及其与记忆巩固的功能相关性。
局限和建议。本研究的局限包括在计算因果信息流是合并了所有SOs，忽略了单个或顺序SOs之间的区别，这可能会影响前峰和后峰的结果。我们的格兰杰因果分析应用于传感器级数据（EEG信号），还在讨论神经源之间的定向连通性时显然不是最佳的。原则上，可以使用源重建技术创建一组虚拟电极，然后在源空间中重复格兰杰因果分析。这将使我们关于潜在的皮层连通性的结论更加有效。此外，我们将GPDC（一种格兰杰因果分析）称为有效连通性，以强调其因果性质。然而，严格来说，格兰杰因果是功能连接的一种定向形式，因为它依赖于统计关联。一种更完整的分析是复合的跨频段的动态因果模型，有效地将源空间中的神经网络参数化，然后找到最能解释格兰杰因果的有效连通性。这种建模的优点是可以解决反复出现的有效连通性问题。此外，我们关注的额叶到枕叶的脑区，而忽略了可能影响结果解释的颞叶区域。对于每个脑区，我们考虑了三个有助于脑区评估的EEG通道。增加每个脑区中包含的通道数（即，增加头皮分辨率）可能会产生更稳健的结果。此外，考虑更多的区域（例如，额-中区，中-顶区，顶-枕区）可能会提高脑区之间关系建模的效率。在本研究中，采用了将值归因于通道和区域距离的最简单方法（离散线性值）。在我们的评估中，这些距离的影响也可以用大脑皮层距离的真实值来建模。GPDC作为一种格兰杰因果评估方法，与该家族中其他方法一样，代表了频域中的有效连通性。为了降低复杂度，我们选择平均了有效连通性值，在缺乏机制原因的支持下，优先集中在一个特定的先验频率范围内进行定向连接估计。未来的研究应该解决GPDC只在特定频段上评估有效连通性模式的潜在差异，可以集中于已知的具有生理相关性并于SOs相互作用的频段，例如sigma。
材料和方法
数据。测量了59名健康成人（20.5±2.57岁，26女）的夜间睡眠，无心理和精神问题史。32导电极帽（EASEYCAP GmbH）按照10-20国际系统分布Ag/AgCI电极采集EEG信号，采样率为1000Hz。22个电极用于采集EEG信号，其他电极用于参考、接地和其他生物信号，包括肌电、眼电和心电。以对侧乳突（A1和A2）进行重参考，降采样至256Hz。根据Recgtschaffen和Kales的手册使用MATLAB工具箱HUME，在30s epoch对原始数据进行视觉评分，分为清醒（Wake），阶段1（Stage 1），阶段2（Stage 2），慢波睡眠（SWS），和REM睡眠。所有22个通道都用于SO检测和聚类过程。在12个EEG通道（F3、Fz、F4、C3、Cz、C4、P3、Pz、P4、O1、POz和O2）上进行有效连通性计算，对这些电极进行Butterworth高通滤波，带阻为0.5Hz，阶数为46。
为了考察因果信息流和LTM改善之间的关系，使用的WPA测验。被试随机分到两组。第一组被试在晚间睡眠之前完成WPA编码部分，而第二组在早晨完成WPA编码部分再进行晚间睡眠。由于我们对SOs中的因果信息流及其对LTM的改善作用感兴趣，我们使用了WPA任务再睡前（组1的测试1和组2的测试2）和睡后（组1的测试2和组2的测试3）的表现，睡后表现和睡前表现的比率被视为睡眠相关的WPA改善比率（图6）。
图6.WPA任务的编码和测试部分的时间线以及编码和测试部分的详细信息。（A）组1被试（排除未完成所有任务部分的被试后，n=26）在晚上向实验室报告，并在晚上9点左右完成WPA编码阶段和即时测试（测试1，睡前）并准备睡觉。他们早上醒来吃完早餐后在上午10：30完成下一次测试部分（测试2，睡后）。组2被试（排除未完成所有任务部分的被试后，n=26）在上午8：30左右完成WPA编码阶段和即时测试（测试1）。然后，被试离开实验室继续他们一天的生活，在晚上9：00左右回到实验室完成第二次测试部分（测试2，睡前）。第二天上午被试9点醒来，吃完早餐后在上午10：30完成最后一次测试部分（测试3，睡后）。（B）在WPA任务编码过程中，60对长度为3-9个字母的词垂直堆叠并按随机顺序呈现两次。每个词对呈现1000ms，然后是1000ms的十字注视点。编码后立即用一个测试对被试进行训练达到一个标准，这个测试中给被试呈现词对中的一个词，要求他们输入相联系的另一个词。重复错误的试次，并提供反馈。被试必须达到70%的正确率编码部分才结束。编码部分使用的词对分成三组，每组20个词对用于测试部分。在每个测试部分，给被试呈现词对中的一个词，要求他们输入相联系的另一个词。
SO检测。我们使用Dang-Vu等人介绍的SO检测算法在Stage2和SWS找SOs，测量0.1-4Hz滤波的EEG信号的过零（zero-crossing）点。确定SO有4个标准：1）最小波幅小于或等于80μV；2）最大电压和最小电压之间的范围至少为80μV；3）数据中第一个和第二个过零点之间的时间必须在300ms-1s之间；4）候选时间总的持续时间最多为10s。从Fz、Cz、Pz和POz通道检测导的SOs的时间边界用于计算有效连接，并且所有22个EEG通道上检测到的SOs用于聚类过程。
有效连通性估计。格兰杰因果是两个事件序列之间因果关系的分析上的定义。直觉上，根据这个定义，如果使用x1（t）的过去值提升了x2（t=t0）当前值的预测，则可以认为时间序列x1在格兰杰上导致了x2。该原理可以通过多变数自回归模型(Multivariate Autoregressive Model, MVAR)建模。MVAR模型使用线性回归模型来对N个信号（X）的过去值和当前值（X(n) = {x1(n),x2(n),…,xN(n)}）之间的相互作用进行建模（公式1）：
其中，X(n)是一个包含所有时间信号波幅的向量，n表示计算X时的时间戳，p是模型阶数（即，在时间上倒退多少部来建模当前值）。Ak是MVAR系数矩阵，每个元素aij(k)代表在时间n第j个信号有多少，k在时间n影响第i个信号。w(n)是模型的加性高斯噪音向量，具有零均值和协方差矩阵Σ。有几个指标使用MVAR来评估基于格兰杰因果的有效连通性，例如格兰杰因果指数、定向传递函数、PDC和这些指标的许多变体。PDC在频域中使用MVAR系数测量两个时间序列之间的定向线性关系（公式2）：
其中f是归一化频率[0-0.5]Hz（此处基于相对于0-128Hz的实际频率范围的256的采样率），Aij(f)是频域中的MVAR系数（公式3）。本研究中，频率以1/128Hz相对于实际频率1Hz进行采样：
当i=j，δij= 1否则δij= 0并且j*=
。
PDC会受到不平衡信号波幅的影响。因此，其广义版本（GPDC）引入了一种重新定义，改进了波幅尺度不平衡的情况下导致严重不平衡误差的情况下的评估。具体而言，GPDC使用噪音协方差矩阵（Σ）的元素来克服这种潜在的偏差（公式4）：
其中是因果信息流矩阵（GPDC），其中第j列评估从第j个信号到所有其他信号的因果信息outflow，而N计算所考虑的信号总数。每列的值分别进行标准化；因此，每列的outflow只有在特定的列内才具有可比性。
对于每个Fz，Cz，Pz和POz通道中每个考虑的SO事件，分析时考虑SO负波谷前1s到后1s的时间间隔。为了计算SOs期间的因果信息流，对每个SO分别在滑动窗口上计算GPDC，这使我们能够跟踪因果信息流随时间的变化。窗口长度（w）为0.5s，以保持EEG信号的相对平稳性，步幅为7.8ms。因此，我们在每个SO的时间过程中评估了193个GPDC三维张量。Akaike信息用于选择合适的模型阶数p，从而为所有窗口选择p=13。为了降低计算的复杂度并获得稳健的结果，将大小为NxNxNFrequency的GPDC张量在频段上平均，以构造GPDC矩阵p(i,j)。此外，为了减少变异，对从给定通道（Fz，Cz，Pz和POz）到其他脑区所有通道（包括额叶、中央区和顶叶）的因果信息outflow进行了平均。图1A显示了评估各个脑区outflow的过程。12个EEG通道的信号用于计算GPDC矩阵（F3 , Fz , F4 , C3 , Cz , C4 , P3 , Pz , P4 , O1 , POz , 和O2）。在评估有效连通性时，Fz，Cz，Pz和POz被视为因果信息的源，从这些选定的中央通道到所有12个通道的outflow被量化为因果信息流。我们定义了两种类型的outflow量词，一种是将outflow合并到不同于包含元的脑区的所有通道，另一种是集中在给定汇的脑区。各自的公式为：
其中，CH是四个源通道之一，R是汇脑区之一（额叶[F]包括[Fz、F3和F4]通道，中央[C]包括[Cz、C3和C4]通道，顶叶[P]包括[Pz、p3和P4]通道，枕叶[O]包括[POz、O1和O2]通道）。对每个SOs窗口计算这些量词，并在不同的条件下进行平均，包括每个源通道中的SOs以及不同的源通道和汇脑区配对。
计算Fz，Cz，Pz和POz通道中每个SO的p(i,j)矩阵作为因果信息流通道的源。通过使用滑动窗口技术，对于每个500ms窗口，计算所有四个源通道和汇脑区的量词（CHOutflow和CHàR）（图1A）。结果值是各自窗口的中心时间。因此，对于源通道中的每个SO以及每个量词，SO波谷前750ms到后750ms之间有193个值。对于每个被试，在Fz，Cz，Pz和POz每个通道上所有的SOs上对每个量词进行平均，生成每个通道每个量词的时间序列。
为了获得量词在SO相位上的变化，我们分三步使用非线性重采样。第一步，在SO波谷前后1s期间使用希尔伯特转换评估每个SO的相位（如图1B所示，其相位被指定为零）。在下一步中，我们选择了一个有效的时间范围，只包括相位在-p和p之间单调增加的时间。在最后一步中，通过在有效时间内对量词重采样，我们生成了有效时间范围内从-p增加到p的相位序列，固定步长为p/64。虽然所提出的方法以SO波谷作为定时参考，但从时域到相位域重新采样后，该时间参考会立刻丢失。因此，为了将所有波谷前和波谷后峰值与其相位相匹配，删除了任何精确的定时参考。例如，在Fz通道的SO波谷前，以EEG峰值为中心的窗口计算的量词被平均掉，使得它们的相位相同（-p）。
聚类。使用了与之前研究同样的方法将SOs聚类为global和nonglobal聚类。简言之，对于22个通道中每个检测到的SO，构造了一个具有所有通道数长度的二值向量V（公式6）：
其中，如果第j个通道中的SO在第i个通道中SO波谷时间±400ms时间范围内，则cj被指定为1；如果在j个通道中的时间余量中没有SO，则cj被指定为0。接下来，运行有Hamming距离的K-means算法将所有向量分为两个聚类（K=2）。在Stage 2和SWS阶段，K-means算法重复运行200次来最小化聚类之间的距离。
统计分析。使用LME模型对GDPC因果信息流分支进行建模，并研究不同变量的影响，包括源通道、汇的脑区等。LME是线性回归模型的扩展，用于在组上收集和汇总的数据。LME模型描述了响应变量和自变量之间的关系，其系数可能随一个或多个分组变量而变化。每个被试被视为随机变量，每个变量被视为独立的固定效应。将LME模型拟合到数据上后，考虑了多个值，包括模型系数以及每个参数相关的p值。每个固定效应的p值被解释为变量对模型的显著线性效应。为了研究作为独立固定效应的预测因子，我们使用线性方法为预测值分配数字。数字1-4用于前额的通道或脑区（Fz或额叶区域）到后脑的通道或脑区（POz或枕叶区域）。使用相同的数字表示通道和脑区之间的距离。此外，为了模拟相位对峰值波幅的影响，flow的前峰用1表示，峰后用2表示。
使用ANOVA比较每个峰和非SO窗口的量词值。此外，使用单因素ANOVA检测SOs和非SO不同时间窗口之间的显著性，并应用事后分析来确定与非SO窗口显著不同的窗口。
采用线性模型进行相关和回归分析，以研究不同类型条件下WPA改善率和因果信息流之间的线性关系。考虑三种类型的条件，对每种条件下的因果信息流进行分组和平均，并使用平均flow作为预测因子，WPA改善率作为因变量，拟合线性模型。在第一类条件中，SO和源通道的距离（DCHsource,CHSO）被视为距离可以为0-3（总共4个条件组）的条件。源通道和汇脑区之间的距离（DCHsource,Rsink）被视为第二种条件类型，其值为1-3（总共3个条件组）。第三种条件类型被认为是汇与源对于SO通道之间的相对距离，定义为DCHsink,CHSO- DCHsource,CHSO，并且条件组被定义为正值、负值和零（总共3个条件组）。正值表示源距离SO通道比汇距离SO通道更近的条件，负值表示相反的条件。在所有统计中，平均值±2SD被视为极端值边界，超过该边界的数据被删除。
参考文献：Slow oscillations promote long-range effective communication: The key for memory consolidation in a broken-down network