DOI: https://doi.org/10.1371/journal.pone.0328318
PMID: https://pubmed.ncbi.nlm.nih.gov/41801996
تاريخ النشر: 2026-03-09
المؤلف: Sara Lago وآخرون
الموضوع الرئيسي: ديناميات الأعصاب ووظيفة الدماغ
نظرة عامة
تستكشف هذه الدراسة العلاقة بين مكونات تخطيط الدماغ غير الدورية (EEG)، والعمر، والأداء المعرفي، مع التركيز بشكل خاص على الدور الوسيط للتعليم. من خلال إعادة تحليل مجموعة بيانات EEG مفتوحة المصدر تضم 714 فردًا صحيًا تتراوح أعمارهم بين 18 و91 عامًا، استخدم الباحثون نماذج مختلطة مضافة عامة لدراسة كيفية تغير المكونات غير الدورية – التي تتميز بمعاملها وموضعها – مع تقدم العمر وكيف ترتبط هذه التغيرات بالأداء المعرفي كما تقيسه درجات اختبار الحالة العقلية المصغر (MMSE).
تكشف النتائج أنه بينما تنخفض المكونات غير الدورية مع تقدم العمر، يبدو أن مستويات التعليم الأعلى تخفف من هذا الانخفاض. من المهم أن التفاعل بين العمر والتعليم والمكونات غير الدورية يتنبأ بشكل كبير بأداء MMSE عبر القشرة الدماغية. في البالغين الأكبر سنًا، أظهر أولئك الذين لديهم مستوى تعليمي أقل نتائج معرفية أسوأ مرتبطة بقيم معامل وموضع أقل. على العكس من ذلك، أظهر الأفراد ذوو التعليم العالي الذين تزيد أعمارهم عن 60 عامًا علاقة عكسية، حيث ارتبطت القيم الأقل للمعامل والموضع بأداء معرفي أفضل. تسلط هذه النتائج الضوء على تعقيد العلاقة بين مكونات EEG غير الدورية والشيخوخة المعرفية، مما يبرز ضرورة مراعاة الفروق الفردية، مثل الخلفية التعليمية، في الأبحاث المستقبلية حول التغيرات المعرفية المرتبطة بالعمر.
مقدمة
تسلط مقدمة ورقة البحث الضوء على تحول كبير في تحليل إشارات EEG من التركيز على النشاط التذبذبي إلى اهتمام متزايد بالمكون غير الدوري (غير التذبذبي) لطيف طاقة EEG. يتم وصف هذا المكون غير الدوري، الذي يتميز بتوزيع مشابه لتوزيع 1/f، باستخدام معلمين: المعامل، الذي يشير إلى انحدار الطيف، والموضع، الذي يمثل التحول العمودي العريض لكثافة طيف الطاقة (PSD). تؤكد الورقة على أهمية فصل هذه المكونات من أجل تفسير دقيق، حيث قد تعكس عمليات عصبية فسيولوجية مختلفة، مثل توازن الإثارة إلى التثبيط (E:I) ومعدلات إطلاق الخلايا العصبية. ومع ذلك، يحذر المؤلفون من أن التغيرات في المعامل يمكن أن تؤثر على الموضع بسبب اعتمادها الرياضي، مما يتطلب تحققًا تجريبيًا دقيقًا قبل تفسير هذه المعلمات بشكل منفصل.
علاوة على ذلك، تناقش المقدمة تداعيات المكونات غير الدورية في الأداء المعرفي والشيخوخة. تشير إلى أن التغيرات في المعامل والموضع مرتبطة بالتدهور المعرفي والأداء عبر مهام مختلفة، مع احتمال أن تشير التغيرات المرتبطة بالعمر إلى تغييرات فيزيائية حيوية أوسع في الشبكات العصبية. يقترح المؤلفون أن التعليم قد يخفف من العلاقة بين المكونات غير الدورية والأداء المعرفي، مما يشير إلى أن التحصيل التعليمي الأعلى يمكن أن يخفف من التدهورات المرتبطة بالعمر. لاستكشاف هذه الديناميات، تعيد الدراسة تحليل مجموعة بيانات متاحة للجمهور للتحقيق في العلاقات بين مكونات EEG غير الدورية، والعمر، والتعليم، والأداء المعرفي، مع فرضية محددة تفيد بأن التعليم يعمل كعامل وقائي ضد التدهور المعرفي المرتبط بالشيخوخة.
الطرق
تحدد قسم “المواد والطرق” في ورقة البحث التصميم التجريبي والإجراءات المستخدمة للتحقيق في سؤال البحث. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار الدراسة. تشمل المنهجية إعداد التجربة، بما في ذلك مجموعات التحكم والمعالجة، بالإضافة إلى التحليلات الإحصائية المطبقة لتفسير البيانات.
بالإضافة إلى ذلك، قد يصف القسم البروتوكولات لجمع البيانات، بما في ذلك أي قياسات أو ملاحظات تم إجراؤها خلال التجارب. من الضروري أن تكون الطرق موضحة بوضوح للسماح بالتحقق والتكرار من قبل باحثين آخرين في هذا المجال. بشكل عام، يعد هذا القسم مكونًا أساسيًا من البحث، حيث يوفر الشفافية والدقة لنتائج الدراسة.
النتائج
تكشف نتائج الدراسة عن علاقات مهمة بين مكونات EEG، والعمر، والتعليم، والأداء المعرفي كما تقيسه درجات اختبار الحالة العقلية المصغر (MMSE). في الهدف 1، أشارت التحليلات إلى أن البالغين الأكبر سنًا أظهروا قيم معامل غير دورية أقل (منحدرات أكثر استواءً) في القشرة الحزامية اليسرى، الحصين الثنائي، القشرة الجدارية اليسرى، والمناطق الزمنية اليسرى. من الجدير بالذكر أن مستويات التعليم الأعلى بدت أنها تخفف من الانخفاض المرتبط بالعمر في هذه القيم، مع ملاحظة اتجاه مشابه للموضع في القشرة الحزامية اليسرى والحصيني الثنائي.
في الهدف 2، وجدت الدراسة أن كل من المعامل غير الدوري والموضع كانا مؤشرين قويين للأداء المعرفي، حيث كانت النماذج الأكثر تعقيدًا التي تتضمن مصطلحات تفاعل بين هذه المكونات، والعمر، والتعليم تتفوق على نموذج MMSE الأساسي عبر جميع المناطق التي تم فحصها. على وجه التحديد، في البالغين الأكبر سنًا ذوي التعليم المنخفض، لوحظت علاقة إيجابية بين المكونات غير الدورية ودرجات MMSE، حيث كانت القيم الأقل للمعامل والموضع مرتبطة بأداء معرفي أسوأ. على العكس من ذلك، بين أولئك الذين لديهم تعليم أعلى، كانت القيم الأقل للمعامل والموضع مرتبطة بدرجات MMSE أفضل. أظهر تحليل الارتباطات بين المعامل والموضع عبر المناطق ارتباطات كبيرة وعالية (تتراوح من 0.937 إلى 0.97)، مما يشير إلى أن هذين المكونين غير الدوريين يشتركان في تباين كبير، مما يوحي بأن النتائج الملاحظة قد تتأثر بهذه العلاقة.
المناقشة
في هذه الدراسة، تم تحليل عينة من 714 مشاركًا تتراوح أعمارهم بين 18 و91 عامًا، دون تاريخ من الاضطرابات النفسية أو العصبية، لاستكشاف العلاقات بين الأداء المعرفي، الذي تم قياسه بواسطة اختبار الحالة العقلية المصغر (MMSE)، ومكونات EEG غير الدورية. تراوحت مستويات التعليم لدى المشاركين من 0 إلى 26 عامًا، وتم التعامل مع كل من العمر والتعليم كمتغيرات مستمرة. أشارت درجات MMSE إلى وظائف معرفية طبيعية لمعظم المشاركين، مع متوسط درجة حوالي 28.6. تم جمع بيانات EEG في بيئات خاضعة للرقابة، وتم استخراج المكونات غير الدورية باستخدام خوارزمية FOOOF، التي نمذجة الخصائص غير الدورية لإشارة EEG.
استخدمت التحليلات الإحصائية نماذج مختلطة مضافة عامة (GAMMs) لتقييم التفاعلات غير الخطية بين مكونات EEG، والعمر، والتعليم، ودرجات MMSE. كشفت النتائج أن مستويات التعليم الأعلى كانت مرتبطة بانخفاض أقل وضوحًا في قيم معامل EEG مع تقدم العمر، وخاصة في القشرة الحزامية اليسرى ومناطق الحصيني. بالإضافة إلى ذلك، وجدت الدراسة أن البالغين الأكبر سنًا ذوي التعليم العالي أظهروا درجات MMSE أعلى بشكل ملحوظ، وكانت العلاقة بين المكونات غير الدورية والأداء المعرفي تختلف حسب مستوى التعليم. من الجدير بالذكر أنه بينما كانت القيم الأقل للمعامل مرتبطة بدرجات MMSE أعلى في البالغين الأكبر سنًا ذوي التعليم المنخفض، لوحظ الاتجاه المعاكس في أولئك ذوي التعليم العالي، مما يشير إلى تفاعل معقد بين الشيخوخة المعرفية والخلفية التعليمية.
DOI: https://doi.org/10.1371/journal.pone.0328318
PMID: https://pubmed.ncbi.nlm.nih.gov/41801996
Publication Date: 2026-03-09
Author(s): Sara Lago et al.
Primary Topic: Neural dynamics and brain function
Overview
This study investigates the relationship between aperiodic electroencephalographic (EEG) components, age, and cognitive performance, specifically focusing on the moderating role of education. Utilizing a reanalysis of an open-source EEG dataset comprising 714 healthy individuals aged 18 to 91, the researchers employed Generalized Additive Mixed Models to examine how aperiodic components—characterized by their exponent and offset—change with age and how these changes relate to cognitive performance as measured by Mini-Mental State Examination (MMSE) scores.
The findings reveal that while aperiodic components decline with age, higher levels of education appear to mitigate this decline. Importantly, the interaction between age, education, and aperiodic components significantly predicts MMSE performance across the cortex. In older adults, those with lower educational attainment exhibited poorer cognitive outcomes associated with lower exponent and offset values. Conversely, higher-educated individuals over 60 demonstrated an inverse relationship, where lower exponent and offset values correlated with better cognitive performance. These results highlight the complexity of the relationship between aperiodic EEG components and cognitive aging, emphasizing the necessity of considering individual differences, such as educational background, in future research on age-related cognitive changes.
Introduction
The introduction of the research paper highlights a significant shift in EEG signal analysis from a focus on oscillatory activity to an increasing interest in the aperiodic (non-oscillatory) component of the EEG power spectrum. This aperiodic component, characterized by a 1/f-like distribution, is described using two parameters: the exponent, which indicates the steepness of spectral decay, and the offset, representing the broadband vertical shift of the Power Spectrum Density (PSD). The paper emphasizes the importance of separating these components for accurate interpretation, as they may reflect different neurophysiological processes, such as excitation-to-inhibition (E:I) balance and neural spiking rates. However, the authors caution that changes in the exponent can influence the offset due to their mathematical interdependence, necessitating careful empirical validation before interpreting these parameters in isolation.
Furthermore, the introduction discusses the implications of aperiodic components in cognitive performance and aging. It notes that variations in the exponent and offset are linked to cognitive decline and performance across various tasks, with age-related changes potentially indicating broader biophysical alterations in neuronal networks. The authors propose that education may moderate the relationship between aperiodic components and cognitive performance, suggesting that higher educational attainment could mitigate age-related declines. To explore these dynamics, the study reanalyzes a publicly available dataset to investigate the relationships between EEG aperiodic components, age, education, and cognitive performance, specifically hypothesizing that education serves as a protective factor against cognitive decline associated with aging.
Methods
The “Materials and Methods” section of the research paper outlines the experimental design and procedures employed to investigate the research question. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the study. The methodology encompasses the experimental setup, including control and treatment groups, as well as the statistical analyses applied to interpret the data.
Additionally, the section may describe the protocols for data collection, including any measurements or observations made during the experiments. It is crucial that the methods are clearly articulated to allow for validation and replication by other researchers in the field. Overall, this section serves as a foundational component of the research, providing transparency and rigor to the study’s findings.
Results
The results of the study reveal significant relationships between EEG components, age, education, and cognitive performance as measured by the Mini-Mental State Examination (MMSE). In Aim 1, analyses indicated that older adults exhibited lower aperiodic exponent values (flatter slopes) in the left cingulate, bilateral hippocampus (HPC), left parietal, and left temporal regions. Notably, higher education levels appeared to mitigate the age-related decline in these exponent values, with a similar trend observed for the offset in the left cingulate and bilateral HPC.
In Aim 2, the study found that both the aperiodic exponent and offset were strong predictors of cognitive performance, with more complex models incorporating interaction terms between these components, age, and education outperforming the baseline MMSE model across all regions examined. Specifically, in older adults with lower education, a positive correlation was noted between the aperiodic components and MMSE scores, where lower exponents and offsets corresponded to poorer cognitive performance. Conversely, among those with higher education, lower exponents and offsets were associated with better MMSE scores. The analysis of correlations between the exponent and offset across regions revealed significant and high correlations (ranging from 0.937 to 0.97), indicating that these two aperiodic components share substantial variance, suggesting that the observed results may be influenced by this relationship.
Discussion
In this study, a sample of 714 participants aged 18 to 91, with no history of psychiatric or neurological disorders, was analyzed to explore the relationships between cognitive performance, measured by the Mini-Mental State Examination (MMSE), and aperiodic EEG components. The participants’ education levels ranged from 0 to 26 years, and both age and education were treated as continuous variables. The MMSE scores indicated normal cognitive functioning for most participants, with a mean score of approximately 28.6. EEG data were collected in controlled environments, and aperiodic components were extracted using the FOOOF algorithm, which modeled the EEG signal’s aperiodic characteristics.
Statistical analyses employed Generalized Additive Mixed Models (GAMMs) to assess the nonlinear interactions between EEG components, age, education, and MMSE scores. The findings revealed that higher education levels were associated with less pronounced declines in EEG exponent values with age, particularly in the left cingulate and hippocampal regions. Additionally, the study found that older adults with higher education exhibited significantly higher MMSE scores, and the relationship between aperiodic components and cognitive performance varied by education level. Notably, while lower exponents correlated with higher MMSE scores in older adults with lower education, the opposite trend was observed in those with higher education, indicating a complex interplay between cognitive aging and educational background.