DOI: https://doi.org/10.1016/j.neuroimage.2024.120636
PMID: https://pubmed.ncbi.nlm.nih.gov/38777219
تاريخ النشر: 2024-05-21
المؤلف: Hernán Hernandez وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تبحث الدراسة في كيفية تأثير الفروق الفردية في الديموغرافيا (العمر، الجنس، التعليم) والإدراك على مقاييس صحة الدماغ، خاصة في سياق نشاط EEG في حالة الراحة. من خلال تحليل عينة متنوعة من 1,298 مشاركًا، وجدت الدراسة أن التغيرات في إشارات الدماغ مدفوعة بشكل أساسي بالعمر والأداء الإدراكي، بينما يلعب التعليم والجنس أدوارًا أقل. تشير النتائج الرئيسية إلى أن العمر الأكبر، وضعف الوظيفة الإدراكية، والجنس الذكري يرتبطون بانخفاض قوة ألفا، بينما يرتبط العمر الأكبر ومستويات التعليم المنخفضة بتقليل تكامل الشبكة والانفصال. من الجدير بالذكر أن نشاط طيف القوة وقياسات نظرية الرسم البياني كانت الأكثر حساسية لهذه الفروق الفردية.
تؤكد الدراسة أيضًا على أهمية مراعاة التباين الديموغرافي والإدراكي في تقييمات صحة الدماغ المعتمدة على EEG. أظهرت النماذج التي أعطت الأولوية للعمر والتعليم نتائج مهمة مع أحجام تأثير عالية لمقاييس تتعلق بخصائص شبكة الدماغ، بينما ظهر الإدراك كمتنبئ أقوى في مقاييس التعقيد. تشير هذه النتائج إلى أن دمج الفروق الفردية في تحليلات EEG يمكن أن يعزز فهم وظيفة الدماغ عبر مجموعات سكانية متنوعة، مما يسهم في النهاية في تطوير أساليب أكثر تخصيصًا في علم الأعصاب والطب النفسي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية الفروق الفردية—مثل العمر، الجنس، التعليم، والعوامل الإدراكية—في فهم وظيفة وصحة الدماغ. هذه التغيرات ضرورية لتوضيح التنوع في صحة الدماغ، الذي يشمل عوامل ديموغرافية مثل العرق، الإثنية، والحالة الاجتماعية الاقتصادية. يشير المؤلفون إلى أنه بينما يتم دراسة العمر بشكل متكرر كمتنبئ للتغيرات في الدماغ، فإن أدوار الجنس والتعليم والإدراك قد تم استكشافها بشكل أقل، خاصة في السكان غير النمطيين. يبرز هذا الفجوة الحاجة إلى دراسات شاملة تحقق في كيفية تفاعل هذه الفروق الفردية مع إشارات الدماغ، خاصة باستخدام طرق فعالة من حيث التكلفة مثل EEG، التي تقدم مزايا في القابلية للتوسع والدقة الزمنية مقارنة بتقنيات التصوير العصبي التقليدية.
تهدف الدراسة إلى تحليل بيانات EEG من عينة متنوعة من المشاركين عبر مناطق مختلفة، مع التركيز على العلاقات بين العوامل الديموغرافية والإدراكية ومقاييس EEG. يفترض المؤلفون أن العمر والإدراك سيكونان المتنبئين الأكثر قوة لمقاييس EEG، بينما ستكون تأثيرات الجنس والتعليم أضعف نسبيًا. من خلال استخدام أساليب تحليلية متنوعة، بما في ذلك مقاييس طيف القوة ومقاييس التعقيد، تسعى الدراسة إلى التحقق من القيمة التنبؤية لهذه الفروق الفردية في وظيفة الدماغ، مما يعالج الحاجة الملحة لاستكشاف منهجي للتنوع في سياقات صحة الدماغ العالمية.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. يتم وصف المنهجية بشكل منهجي، مع تغطية البروتوكولات لجمع البيانات، تقنيات التحليل، وأي طرق إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول الضوابط التجريبية المطبقة للتحقق من النتائج، فضلاً عن أي اعتبارات أخلاقية ذات صلة بالبحث. بشكل عام، يخدم هذا القسم لتوفير إطار شامل لفهم كيفية إجراء الدراسة وكيفية اشتقاق النتائج، مما يسمح بالتقييم النقدي وإمكانية التكرار من قبل باحثين آخرين في هذا المجال.
نتائج
في قسم النتائج، قامت الدراسة بتصنيف نماذج الانحدار بناءً على أوصاف EEG—الطيفية، التعقيد، والترابط—إلى ثلاث مجموعات وفقًا لأفضل المتنبئين: العمر، التعليم، والإدراك، على التوالي. من الجدير بالذكر أن الجنس لم يتم تحديده كمتنبئ مهم في أي من النماذج. أبلغ التحليل عن النماذج الثلاثة التي حققت أعلى قيم $R^2$ لكل مجموعة، جنبًا إلى جنب مع قيم $R^2$ المعدلة. تم تقييم جودة ملاءمة النموذج من خلال مخططات Q-Q ومخططات القيم المتبقية مقابل القيم الملائمة، مع ظهور نتائج للعينة الكاملة وعينة بيانات الإدراك تظهر أنماطًا مشابهة، مما أدى إلى التركيز على الأخيرة.
تم تقييد التحليل بالمشاركين الذين لديهم تسجيلات EEG في حالة الراحة مع إغلاق العين فقط، مما أسفر عن نتائج متسقة مع تلك الخاصة بالعينة الكاملة. تم فحص التداخل بين المتنبئين، وأكدت تحليلات الانحدار Ridge التكميلية قوة النتائج على الرغم من مشاكل التداخل. بالإضافة إلى ذلك، تأكدت الدراسة من أن التغيرات في عدد قنوات EEG عبر مراكز التوظيف لم تؤثر على النتائج، حيث لم يتم العثور على علاقة تنبؤية مهمة بين عدد القنوات وجودة الإشارة. تم أيضًا إجراء تحليلات الارتباط بين النتائج الرئيسية لتقييم علاقاتها المتبادلة وتأثيراتها المحتملة على النتائج المبلغ عنها.
مناقشة
شملت الدراسة متعددة المراكز 1298 بالغًا صحيًا من مجموعات سكانية متنوعة عبر الجنوب والشمال العالمي، بمتوسط عمر 46.60 عامًا وتوزيع جنسي متوازن (597 ذكور و701 إناث). لم يكن لدى المشاركين أي اضطرابات نفسية أو عصبية وقدموا موافقة مستنيرة وفقًا للإرشادات الأخلاقية. استخدمت الدراسة اختبار الحالة العقلية المصغر (MMSE) لتقييم الوظيفة الإدراكية، مع تسجيلات تشير إلى حالة إدراكية طبيعية تعرف بأنها 24 أو أكثر. شمل تحليل البيانات انحدارات خطية متعددة، مما أظهر قوة إحصائية كافية لاكتشاف أحجام تأثير صغيرة.
تم جمع بيانات EEG في ظروف خاضعة للرقابة وخضعت لمعالجة مسبقة شاملة، بما في ذلك إزالة الضوضاء وتصحيح العيوب. ركز التحليل على أوصاف EEG المختلفة، بما في ذلك مقاييس طيف القوة، مقاييس الطيف غير الدوري، مقاييس التعقيد، ومقاييس الترابط الشبكي. تم إجراء تحليلات طيف القوة باستخدام كل من النطاقات الترددية القياسية وتلك الخاصة بالمشاركين، بينما تم اشتقاق المقاييس غير الدورية باستخدام خوارزمية FOOOF. قدمت مقاييس التعقيد، مثل البعد الفركتالي وانتروبيا التبديل، رؤى حول ديناميات الدماغ، وقيمت مقاييس الترابط التفاعلات الوظيفية عبر مناطق الدماغ. تهدف النهج الشامل للدراسة في تحليل EEG إلى تعزيز فهم العمليات الإدراكية وصحة الدماغ عبر مختلف الديموغرافيات.
القيود
تعترف الدراسة بعدة قيود قد تؤثر على تفسير نتائجها. أولاً، كانت البيانات الإدراكية متاحة فقط لعينة فرعية من المشاركين، وتم تقييم الإدراك باستخدام اختبار الحالة العقلية المصغر (MMSE)، الذي، على الرغم من اعترافه على نطاق واسع، قد لا يلتقط الطيف الكامل للقدرات الإدراكية. يحد التباين المحدود في درجات MMSE، حيث سجل جميع المشاركين أكثر من 24، من التحليل. بالإضافة إلى ذلك، قد يفتقر قياس سنوات التعليم إلى الحساسية لتنوع التجارب التعليمية بين المشاركين. لم تأخذ الدراسة أيضًا في الاعتبار الهويات الجنسية، التي قد تؤثر على النتائج، وشملت عددًا محدودًا من البلدان بأحجام عينات غير متوازنة، مما يقيّد المقارنات عبر البلدان.
من الناحية المنهجية، كانت اختيار مناطق الاهتمام (ROIs) تهدف إلى التخفيف من آثار تباين تكوينات الأقطاب في بيانات EEG، ومع ذلك قد تتجاهل هذه الطريقة التباينات المكانية الدقيقة. استخدمت الدراسة نموذج شبكة لدمج تخطيطات الأقطاب المختلفة وطبقت تطبيعًا مكانيًا لضمان عدم تأثر جودة الإشارة بعدد القنوات. ومع ذلك، فإن الاعتماد على دماغ متوسط MNI لتقدير المصدر، بسبب غياب بيانات التصوير بالرنين المغناطيسي الفردية، يمثل قيدًا. على الرغم من هذه التحديات، أظهرت النماذج اتساقًا ودقة، مع ملاحظة التداخل بين الإدراك والتعليم في العينة الإدراكية ولكن ليس في العينة الكاملة. يجب أن تعالج الأبحاث المستقبلية هذه القيود من خلال دمج تقييمات إدراكية أكثر شمولاً، وقياسات تعليمية مفصلة، ونطاق أوسع من العوامل الديموغرافية.
DOI: https://doi.org/10.1016/j.neuroimage.2024.120636
PMID: https://pubmed.ncbi.nlm.nih.gov/38777219
Publication Date: 2024-05-21
Author(s): Hernán Hernandez et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The research investigates how individual differences in demographics (age, sex, education) and cognition influence brain health metrics, particularly in the context of resting-state EEG activity. Analyzing a diverse sample of 1,298 participants, the study found that variations in brain signals are primarily driven by age and cognitive performance, with education and sex playing lesser roles. Key findings indicate that older age, poorer cognitive function, and male sex correlate with reduced alpha power, while older age and lower education levels are associated with diminished network integration and segregation. Notably, power spectrum activity and graph-theoretic measures were most sensitive to these individual differences.
The study further emphasizes the importance of considering demographic and cognitive variability in EEG-based brain health assessments. Models that prioritized age and education yielded significant results with high effect sizes for metrics related to brain network properties, while cognition emerged as a stronger predictor in complexity metrics. These findings suggest that integrating individual differences into EEG analyses could enhance the understanding of brain function across diverse populations, ultimately contributing to more personalized approaches in neurology and psychiatry.
Introduction
The introduction of this research paper highlights the significance of individual differences—such as age, sex, education, and cognitive factors—in understanding brain function and health. These variations are crucial for elucidating diversity in brain health, which encompasses demographic factors like race, ethnicity, and socioeconomic status. The authors note that while age is frequently studied as a predictor of brain changes, the roles of sex, education, and cognition have been less explored, particularly in non-stereotypical populations. This gap underscores the need for comprehensive studies that investigate how these individual differences interact with brain signals, especially using cost-effective methods like EEG, which offer advantages in scalability and temporal resolution compared to traditional neuroimaging techniques.
The study aims to analyze EEG data from a diverse sample of participants across different regions, focusing on the relationships between demographic and cognitive factors and EEG metrics. The authors hypothesize that age and cognition will be the most robust predictors of EEG metrics, while the influences of sex and education will be comparatively weaker. By employing various analytical approaches, including power spectrum and complexity metrics, the research seeks to validate the predictive value of these individual differences in brain function, thereby addressing the critical need for a systematic exploration of diversity in global brain health contexts.
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, ensuring reproducibility of the experiments. The methodology is described systematically, covering the protocols for data collection, analysis techniques, and any statistical methods applied to interpret the results.
Additionally, the section may include information on the experimental controls implemented to validate findings, as well as any ethical considerations relevant to the research. Overall, this section serves to provide a comprehensive framework for understanding how the study was conducted and how the results were derived, thereby allowing for critical evaluation and potential replication by other researchers in the field.
Results
In the results section, the study categorized regression models based on EEG descriptors—spectral, complexity, and connectivity—into three groups according to their top-rated predictors: age, education, and cognition, respectively. Notably, sex was not identified as a significant predictor in any of the models. The analysis reported the three models with the highest $R^2$ values for each group, along with adjusted $R^2$ values. Model fit quality was assessed through Q-Q plots and residual vs. fitted values plots, with results for the total sample and a cognitive data subsample showing similar patterns, leading to a focus on the latter.
The analysis was restricted to participants with exclusively eye-closed resting-state EEG (rsEEG) recordings, yielding results consistent with those from the entire sample. Collinearity among predictors was examined, and supplementary Ridge regression analyses confirmed the robustness of the findings despite collinearity issues. Additionally, the study ensured that variations in the number of EEG channels across recruitment centers did not affect the results, finding no significant predictive relationship between channel count and signal quality. Correlation analyses among the main outcomes were also conducted to evaluate their interrelationships and potential effects on the reported results.
Discussion
The multicentric study involved 1298 healthy adults from diverse populations across the global south and north, with a mean age of 46.60 years and a balanced gender distribution (597 males and 701 females). Participants had no psychiatric or neurological disorders and provided informed consent in accordance with ethical guidelines. The study utilized the Mini-Mental State Examination (MMSE) to assess cognitive functioning, with scores indicating normal cognitive status defined as 24 or above. Data analysis included multiple linear regressions, demonstrating sufficient statistical power to detect small effect sizes.
EEG data were collected under controlled conditions and underwent extensive preprocessing, including noise removal and artifact correction. The analysis focused on various EEG descriptors, including power spectrum metrics, aperiodic spectral metrics, complexity measures, and connectivity graph metrics. Power spectrum analyses were conducted using both canonical and subject-specific frequency bands, while aperiodic metrics were derived using the FOOOF algorithm. Complexity metrics, such as fractal dimension and permutation entropy, provided insights into brain dynamics, and connectivity metrics assessed functional interactions across brain regions. The study’s comprehensive approach to EEG analysis aims to enhance understanding of cognitive processes and brain health across different demographics.
Limitations
The study acknowledges several limitations that may impact the interpretation of its findings. Firstly, cognitive data were only available for a subsample of participants, and cognition was assessed using the Mini-Mental State Examination (MMSE), which, while widely recognized, may not capture the full spectrum of cognitive abilities. The limited variability in MMSE scores, with all participants scoring above 24, further constrains the analysis. Additionally, the measure of years of education may lack sensitivity to the diversity of educational experiences among participants. The study also did not account for gender identities, which could influence the results, and included a limited number of countries with unbalanced sample sizes, restricting cross-country comparisons.
Methodologically, the choice of regions of interest (ROIs) aimed to mitigate the effects of varying electrode configurations in EEG data, yet this approach may overlook finer spatial variations. The study utilized a mesh model to integrate different electrode layouts and applied spatial normalization to ensure signal quality was not affected by channel count. However, the reliance on an MNI average brain for source estimation, due to the absence of individual MRI data, presents a limitation. Despite these challenges, the models demonstrated consistency and precision, with collinearity between cognition and education noted in the cognitive subsample but not in the total sample. Future research should address these limitations by incorporating more comprehensive cognitive assessments, detailed educational measures, and a broader range of demographic factors.