DOI: https://doi.org/10.1371/journal.pcbi.1013931
PMID: https://pubmed.ncbi.nlm.nih.gov/41616020
تاريخ النشر: 2026-01-30
المؤلف: Verna Heikkinen وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تبحث الدراسة في تفرد واستقرار بصمات الدماغ العصبية المستمدة من طيف الطاقة لتخطيط الدماغ الكهربائي (EEG) خلال مراحل النوم غير السريع (N1 و N2) في مجموعة من 782 طفلًا يتطورون بشكل طبيعي تتراوح أعمارهم بين 6 أسابيع إلى 19 عامًا. باستخدام الانحدار البايزي منخفض الرتبة (BRRR)، نجحت الدراسة في استخراج تمثيلات منخفضة الأبعاد لبيانات EEG التي تميزت بفعالية بين المشاركين وتعممت عبر مراحل النوم. ومن الملحوظ أن استقرار هذه البصمات العصبية زاد مع تقدم العمر، مما يشير إلى أن العوامل المرتبطة بالعمر قد تعزز موثوقية هذه الميزات الوظيفية.
تظهر النتائج أن نموذج BRRR تفوق على الطرق التقليدية المعتمدة على الارتباط في تمييز المشاركين بدقة ضمن جلسة تسجيل واحدة، خاصة عبر مراحل النوم المختلفة. لوحظ تأثير العمر في تمييز تمثيلات نوم N1، مع تحسينات ملحوظة مع تقدم الأطفال في العمر. تشير النتائج إلى أن نماذج المتغيرات الكامنة، مثل BRRR، يمكن أن توفر رؤى قيمة حول التطور العصبي الطبيعي، مما يستدعي مزيدًا من الدراسات الطولية لاستكشاف تطور بصمات الدماغ الوظيفية عبر مراحل النمو.
مقدمة
تناقش مقدمة ورقة البحث النشاط التذبذبي الجوهري للقشرة الدماغية البشرية، والذي يمكن تمييزه بشكل غير تدخلي باستخدام تخطيط الدماغ الكهربائي (EEG) وتخطيط المجال المغناطيسي للدماغ (MEG). يتغير هذا النشاط العفوي في ظروف عصبية مختلفة، مما يجعله محور دراسة في كل من الفئات السكانية للأطفال والبالغين. بينما توجد تباين كبير في الأنماط التذبذبية بين الأفراد، تم تحديد ميزات متسقة بين البالغين على مر الزمن، مما أدى إلى مفهوم “بصمات الدماغ”. هذه الأنماط العصبية المستقرة، التي يمكن أن تعمم عبر مهام مختلفة، تتأثر بالعوامل الوراثية ولكنها تظهر أيضًا تباينًا بسبب الشيخوخة والمرض. ومن الملحوظ أن الأطفال والمراهقين يظهرون تباينًا أكبر داخل الموضوع في ملفات الاتصال الخاصة بهم والنشاط التذبذبي، مما قد يرتبط بالمرونة العصبية.
تهدف الدراسة إلى التحقيق فيما إذا كان يمكن استخراج بصمات دماغية مستقرة من تسجيلات EEG أثناء النوم لدى الأطفال، باستخدام نهج تعلم الآلة لتحليل ميزات الطيف الطاقي عبر مراحل النوم المختلفة. تستخدم الدراسة الانحدار البايزي منخفض الرتبة مع الضوضاء الكامنة (BRRR) لتعزيز تحديد الميزات الفردية في البيئات السريرية المليئة بالضوضاء، مقارنةً بفعاليتها مع الطرق التقليدية المعتمدة على الارتباط. تفترض الفرضية أن أنماط النوم ستستقر مع تقدم العمر، مما يسمح بتحسين التمييز الفردي عبر مراحل النوم. تشير النتائج الأولية إلى أن نهج BRRR ينتج بصمات فردية أكثر استقرارًا من طرق الارتباط، مع زيادة الاستقرار الملحوظ في النوم الخفيف مع نضوج الأطفال. يبرز هذا العمل إمكانيات EEG أثناء النوم كأداة قيمة لفهم التطور العصبي وتحديد المسارات التنموية غير النمطية.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية إعادة إنتاج النتائج.
تحدد البروتوكولات التجريبية الرئيسية، مثل تحديد حجم العينة، تدابير التحكم، والتحليلات الإحصائية، للتحقق من صحة النتائج. يؤكد القسم على الالتزام بالإرشادات الأخلاقية وأي موافقات ذات صلة تم الحصول عليها للبحث. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم استنتاجات الدراسة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح نتائج الاختبارات المختلفة، مع تسليط الضوء على الاتجاهات والأنماط المهمة التي لوحظت في البيانات. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية، والتي قد تشمل قيم p، فترات الثقة، أو معاملات الارتباط، للتحقق من صحة النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح العلاقات بين المتغيرات أو فعالية التدخلات. تساعد هذه المساعدات البصرية في تعزيز فهم النتائج وتوفير مقارنة واضحة بين الظروف أو المجموعات المختلفة المدروسة. بشكل عام، تساهم النتائج في الآثار الأوسع للبحث، مما يقترح تطبيقات محتملة أو مجالات لمزيد من التحقيق.
مناقشة
تبحث الدراسة في التغيرات غير الخطية في أنماط الطاقة الطيفية خلال الطفولة باستخدام تسجيلات EEG من 782 طفلًا صحيًا تتراوح أعمارهم بين 6 أسابيع إلى 19 عامًا. ركز التحليل على النوم غير السريع، وبالتحديد مراحل N1 و N2، كاشفًا عن اختلافات ملحوظة مرتبطة بالعمر في أنماط كثافة الطاقة الطيفية (PSD). زادت الطاقة الطيفية الإجمالية خلال الطفولة المبكرة لكنها بدأت في الانخفاض مع تقدم العمر، خاصة في نوم N1 و N2. ومن الملحوظ أن الظواهر التذبذبية مثل الدورات النومية والنشاط بيتا ظهرت مع النضوج، مما يشير إلى أن خصائص مراحل النوم تختلف عبر الفئات العمرية. تشير النتائج إلى أنه بينما توجد اختلافات عالمية في PSDs النوم، يمكن أن تعقد التباينات الفردية تحديد بصمات EEG الفريدة.
لتحديد بصمات الدماغ الفردية، استخدمت الدراسة خوارزمية الانحدار البايزي مع تنظيم (BRRR)، التي أظهرت معدل نجاح مرتفع (حتى 90%) في تمييز المشاركين بناءً على طاقة EEG الطيفية الخاصة بهم. نجح نموذج BRRR في التقاط الاختلافات الفردية، خاصة داخل مراحل النوم، وأظهر قوة عبر ملفات الضوضاء المتنوعة. أشار التحليل إلى أن النماذج المدربة ضمن مرحلة نوم واحدة تفوقت على تلك التي تستخدم مراحل مختلطة، مما يبرز أهمية الاتساق الفسيولوجي في تحقيق بصمات دقيقة. بالإضافة إلى ذلك، وجدت الدراسة أن العمر يؤثر على استقرار الميزات الفردية، حيث أظهر الأطفال الأكبر سنًا درجات تمييز أكثر موثوقية. بشكل عام، تؤكد الأبحاث على إمكانيات بصمات EEG في الفئات السكانية للأطفال، مع الاعتراف أيضًا بالتحديات التي تطرحها العوامل التنموية والفسيولوجية.
القيود
تقدم الدراسة عدة قيود قد تؤثر على النتائج المتعلقة بتمييز EEG عبر مراحل النوم. كانت معالجة بيانات EEG محدودة، حيث لم يتم إزالة المقاطع المليئة بالضوضاء وتطبيق خوارزميات رفض الأثر التلقائية، مما قد يترك آثارًا عضلية وعينية متبقية قد تعيق النتائج، خاصة في نوم N1. بالإضافة إلى ذلك، كانت تصنيف مقاطع النوم إلى “N1” أو “N2” يعتمد فقط على وجود المركبات K، مما قد يخلط البيانات من مراحل نوم أخرى أو اليقظة. يزيد تباين النشاط العضلي في الأطفال الأصغر سنًا من تعقيد موثوقية بصمات الدماغ في هذه الفئة السكانية.
علاوة على ذلك، كانت التحليلات مقيدة ببيانات مستوى المستشعر منخفضة الكثافة، مما يشير إلى أن إعداد أقطاب كهربائية بكثافة أعلى (على الأقل 64 قطبًا) والتصوير بالرنين المغناطيسي الهيكلي سيعزز الدقة التشريحية ويسمح بإجراء تحقيقات على مستوى المصدر لنشاط الدماغ الذي يساهم في التمييز الفردي. كما تبرز الدراسة أهمية النظر في المكون غير الدوري لكثافات الطاقة الطيفية (PSDs)، التي أظهرت وعدًا في بصمات EEG للبالغين. ومع ذلك، قد تؤثر التغيرات التنموية، مثل زيادة سمك الجمجمة، على ميزات EEG مع مرور الوقت، مما يعقد تفسيرات الظواهر المرتبطة بالنضوج. يجب على الأبحاث المستقبلية استكشاف PSDs المحلية المصدر والنظر في تأثير محيط الرأس على تمييز EEG، فضلاً عن النوافذ الزمنية المثلى لجمع البيانات لتحسين موثوقية النتائج.
DOI: https://doi.org/10.1371/journal.pcbi.1013931
PMID: https://pubmed.ncbi.nlm.nih.gov/41616020
Publication Date: 2026-01-30
Author(s): Verna Heikkinen et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research investigates the uniqueness and stability of neural fingerprints derived from electroencephalography (EEG) power spectra during non-REM sleep stages (N1 and N2) in a cohort of 782 normally developing children aged 6 weeks to 19 years. Utilizing Bayesian reduced-rank regression (BRRR), the study successfully extracted low-dimensional representations of EEG data that effectively differentiated subjects and generalized across sleep stages. Notably, the stability of these neural fingerprints was found to increase with age, indicating that age-related factors may enhance the reliability of these functional features.
The findings demonstrate that the BRRR model outperformed traditional correlation-based methods in accurately differentiating participants within a single recording session, particularly across varying sleep stages. An age effect was observed in the differentiability of N1 sleep representations, with improvements noted as children aged. The results suggest that latent variable models, such as BRRR, can provide valuable insights into typical neurodevelopment, warranting further longitudinal studies to explore the evolution of functional brain fingerprints throughout developmental stages.
Introduction
The introduction of the research paper discusses the intrinsic oscillatory activity of the human cerebral cortex, which can be non-invasively characterized using electroencephalography (EEG) and magnetoencephalography (MEG). This spontaneous activity is altered in various neurological conditions, making it a focal point of study in both pediatric and adult populations. While there is significant variability in oscillatory patterns among individuals, consistent features have been identified within adults over time, leading to the concept of “brain fingerprints.” These stable neural patterns, which can generalize across different tasks, are influenced by genetic factors but also show variability due to aging and disease. Notably, children and adolescents exhibit greater intra-subject variability in their connectome profiles and oscillatory activity, potentially linked to neuroplasticity.
The study aims to investigate whether stable brain fingerprints can be extracted from sleep EEG recordings in children, utilizing a machine-learning approach to analyze power spectral features across different sleep stages. The research employs latent-noise Bayesian reduced-rank regression (BRRR) to enhance the identification of individual features in noisy clinical settings, comparing its effectiveness to traditional correlation-based methods. The hypothesis posits that sleep patterns will stabilize with age, allowing for improved individual differentiation across sleep stages. Preliminary findings indicate that the BRRR approach yields more stable individual fingerprints than correlation methods, with increased stability observed in light sleep as children mature. This work highlights the potential of sleep EEG as a valuable tool for understanding neurodevelopment and identifying atypical developmental trajectories.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Key experimental protocols, such as sample size determination, control measures, and statistical analyses, are specified to validate the findings. The section emphasizes adherence to ethical guidelines and any relevant approvals obtained for the research. Overall, this section provides a comprehensive overview of the methodological framework that underpins the study’s conclusions.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant trends and patterns observed in the data. The results are often accompanied by statistical analyses, which may include p-values, confidence intervals, or correlation coefficients, to validate the findings.
Additionally, the section may include visual representations such as graphs or tables that illustrate the relationships between variables or the effectiveness of interventions. These visual aids serve to enhance the understanding of the results and provide a clear comparison of different conditions or groups studied. Overall, the findings contribute to the broader implications of the research, suggesting potential applications or areas for further investigation.
Discussion
The study investigates the non-linear changes in spectral power patterns during childhood using EEG recordings from 782 healthy children aged 6 weeks to 19 years. The analysis focused on non-REM sleep, specifically N1 and N2 stages, revealing significant age-related differences in power spectral density (PSD) patterns. The total spectral power increased during early childhood but began to decline with age, particularly in N1 and N2 sleep. Notably, oscillatory phenomena such as sleep spindles and beta activity emerged with maturation, indicating that sleep stage characteristics varied across age groups. The findings suggest that while global differences in sleep PSDs are evident, individual variations can complicate the identification of unique EEG fingerprints.
To identify individual brain fingerprints, the study employed the Bayesian Ridge Regression with Regularization (BRRR) algorithm, which demonstrated a high success rate (up to 90%) in differentiating subjects based on their EEG spectral power. The BRRR model effectively captured individual differences, particularly within sleep stages, and showed robustness across varying noise profiles. The analysis indicated that models trained within a single sleep stage outperformed those using mixed stages, highlighting the importance of physiological consistency in achieving accurate fingerprinting. Additionally, the study found that age influenced the stability of individual features, with older children exhibiting more reliable differentiability scores. Overall, the research underscores the potential of EEG-based fingerprinting in pediatric populations, while also acknowledging the challenges posed by developmental and physiological factors.
Limitations
The study presents several limitations that may impact the findings regarding EEG differentiability across sleep stages. The preprocessing of EEG data was minimal, lacking the removal of noisy segments and the application of automated artifact rejection algorithms, which may have left residual muscular and ocular artifacts that could obscure results, particularly in N1 sleep. Additionally, the classification of sleep segments into “N1” or “N2” was based solely on the presence of K-complexes, potentially conflating data from other sleep stages or wakefulness. The variability of muscle activity in younger children further complicates the reliability of fingerprinting in this demographic.
Moreover, the analysis was constrained to low-density sensor-level data, suggesting that a higher-density electrode setup (at least 64 electrodes) and structural MRIs would enhance the anatomical accuracy and allow for source-level investigations of brain activity contributing to individual differentiability. The study also highlights the importance of considering the aperiodic component of power spectral densities (PSDs), which has shown promise in adult EEG fingerprinting. However, developmental changes, such as skull thickening, may influence EEG features over time, complicating interpretations of maturation-related phenomena. Future research should explore source-localized PSDs and consider the impact of head circumference on EEG differentiability, as well as the optimal time windows for data collection to improve the robustness of findings.