eLIFE:腦電結合眼動研究:自閉症兒童社交腦網路的早期改變
- 2020 年 4 月 1 日
- 筆記
社交障礙是自閉症譜系障礙(ASD,Autism Spectrum Disorders)的標誌,但是在ASD研究中缺乏針對社交性刺激引起早期社交腦網路改變的證據。我們記錄了ASD學步兒童及其正常發育(TD, typically developing)的同伴在探索動態社交場景時的注視方式和大腦活動。基於電訊號溯源的定向功能連接分析,揭示了theta和alpha頻率的特定頻率非典型腦網路。結果發現,與自閉症相關的社交網路的關鍵節點資訊在傳輸和連接方式均發生了變化。對ASD腦與行為關係的分析表明,來自背頂額葉,顳下葉和島狀皮層區域的補償機制與較少的非典型注視模式和較低的臨床障礙有關。本結果提供了有力的證據表明:社交腦網路的定向功能連接改變是ASD大腦早期非典型發育的核心組成部分。
研究要點
新生兒容易被聲音,面部表情和社交行為所吸引。在日常生活中注意這些社交線索有助於嬰幼兒學習如何與他人互動。在這段發展過程中,大腦不同部位之間形成了可幫助兒童理解他人社交行為的大腦連接網路。
後來發展為自閉症譜系障礙(ASD)的嬰兒出生後的第一年較少關注社交線索,對這些重要線索的漠不關心會導致ASD兒童出現社交缺陷。他們無法理解他人的行為或進行典型的社交互動。但是,自閉症兒童對社交線索敏感度較低的原因卻尚未可知。理解社交行為的大腦網路的發展可能也會因此而受到影響。因此,研究這種網路如何在正常發育的兒童和患有自閉症的兒童中的發展是有非常意義的。
Sperdin等人的研究證實,患有自閉症譜系障礙的兒童與正常兒童在社交大腦網路方面存在差異。在實驗中,Sperdin等人記錄患有ASD和未患有ASD的3歲左右兒童觀看其他兒童玩耍的影片時,他們的視線和大腦中發生的事情。用眼動儀追蹤眼動,並使用腦電儀器記錄EEG活動。
患有自閉症的兒童所看的東西與正常發育的同齡人不同,這些差異與處理社交資訊的大腦網路的變化相關。癥狀較輕的ASD兒童的這些大腦網路活動較強,他們所看的也與正常發育的孩子更相似。這表明,受影響較輕的自閉症兒童也許能夠以增強網路活動的方式使其癥狀得到改善。
在生命早期識別類似的ASD行為和大腦差異有助於科學家更好地了解導致該病的原因。它還可以幫助臨床醫生在生命最早期大腦最適宜塑造的情況下提供更多的個性化干預方案。為了更好地了解干預如何影響這些變化,有必要對ASD兒童的這些腦網路差異進行長期研究。
材料和方法
被試
研究共招募120名ASD兒童和正常發育的兒童。排除偽跡過多以及不願佩戴EEG設備的參與者,最終剩餘36名參與者:18名ASD兒童(2名女性;平均年齡3.1歲±0.8)和18名年齡相匹配(p = 0.852)的TD兒童(5名女性;平均年齡3.1歲±0.9)。
ASD參與者在實驗之前均接受了臨床診斷。ASD程度通過《孤獨症診斷觀察時間表》或《孤獨症診斷觀察時間表》第二版(ADOS-2)進行了嚴格的測試和確認。參與者特徵詳見表1。
表1 參與者特徵表
實驗材料
刺激是兩組由動態社交圖片組成的影片,每個影片大約兩分鐘且無聲音資訊。影片中圖片是具有高生態效度的複雜動態影像,比如幼兒獨自練習瑜伽,模仿動物的行為(像猴子一樣跳躍或像青蛙一樣跳躍),鬆開雙臂,擺姿勢,跳躍,做鬼臉或吹口哨,影片呈現方式和呈現時間由Tobii Studio軟體控制。
實驗程式和任務
為了使孩子熟悉實驗程式,在初次參與實驗前兩周家長會收到了一套含有訂製EEG電極帽和顯示實驗流程的材料。實驗前,參與者坐在父母的膝蓋上,以儘可能使他們感到安全,並最大程度地減少參與者的頭部和身體的移動。隨後,研究人員測量參與者的頭圍並為其佩戴相應型號的EEG電極帽。
實驗開始前花費幾分鐘讓參與者適應實驗環境和電極帽。之後,使用Tobii系統進行五點眼動跟蹤校準,程式如下:在白色背景上呈現一個有吸引力的彩色物體(小貓,公共汽車,鴨子,狗或玩具)及其相應的聲音,參與者視線必須跟隨該物體。當每隻眼睛至少獲得四個校準點時,便開始記錄和呈現視覺刺激。
為了更好地吸引孩子的注意力,我們首先向他們展示了一個適合其年齡的動畫,然後是一些幾何圖形和社交圖片影片。該實驗模組以本實驗感興趣的社交圖片影片結尾。以相同的順序向所有參與者呈現相同的視覺刺激。在第一個實驗模組結束後,重新檢查電極的電阻,並在需要的地方重新調整,以便將電阻保持在40 kOhm以下。然後進行第二個實驗模組(卡通動畫;幾何圖形;卡通動畫;第二個感興趣的條件:社交圖片影片)。實驗者連續記錄參與者視線運動情況,以確保孩子正在看螢幕。整個實驗持續大約半個小時。
眼動測量
使用TX300 Tobii眼動儀記錄眼動數據(取樣率為300 Hz)。為了分析和量化兩組之間視覺探索的差異,我們開發了一種數據驅動的方法來定義動態視覺場景探索的標準。
1) 在包含複雜社交圖片影片的每個時間幀上使用kernel密度分布估計,計算基於TD組眼動數據的標準注視點分布。
2) 對於每個ASD參與者,我們分別計算出一個相對標準注視點分布的偏差指數,並且每個單位時間範圍分別計算出該指數(圖6)。
3) 我們在兩部影片中將這些值取平均,以獲得平均連接指數值(PI, Proximity Index )。該指數代表ASD參與者與TD組標準注視點分布的距離。較高的指數值表示更接近TD視覺探索的視覺行為(相似性更高),而較低的指數值表示偏離TD組的視覺行為(相似性更低)。
圖6 在某個隨機幀上的每組注視點分布。
每個點代表一個參與者的注視位置。真實的實驗中,參與者可以看見圖片中兒童的具體面孔資訊,此處模糊處理以保護圖片中兒童的資訊。
腦電採集和預處理
腦電數據使用取樣率1000Hz的129導Hydrocel Geodesic Sensor Net記錄。使用頂點作為參考電極,以0-100Hz進行在線帶通濾波。使用Matlab和Cartool進行數據預處理。
1)去除臉頰和脖子的無用電極,最後保留111個電極。
2)使用non-causal filtering濾波器進行1-40Hz帶通濾波和50Hz凹陷濾波。
3)每個數據由三位EEG專家中的一位進行檢查,以去除存在運動偽影和參與者沒有看螢幕的時間段。
4)通過獨立成分分析(ICA)識別和除去與眼睛相關的成分。
5)使用球形插值法(spherical spline interpolation)對具有較大雜訊的通道進行替換。
6)將數據降取樣至125Hz,並採用平均參考對數據進行重參考。
7)由兩名EEG專家對數據進行檢查,以確保預處理後的數據中沒有任何偽跡。
電溯源成像和興趣區域的選擇
具體的分析策略詳見圖7。通過電溯源成像(Electrical source image, ESI) 重建頭皮EEG活動的來源。為此,我們使用了幼兒大腦模型(33-44個月)(MNI),並考慮了顱骨的厚度(Locally Spherical Model with Anatomical Constraints,LSMAC)。灰質中均勻分布了4159個體素。
1)使用分散式線性逆推(distributed linear inverse solution)(低解析度電磁層析成像,LORETA)來計算3D電流源密度。
2)將該3D偶極子時間序列對應到每個感興趣區域(ROI)跨時間和數據片段的主要偶極子方向上,從而獲得標量時間序列。
3)在使用SPM8對MNI空間進行標準化後,根據AAL圖譜將灰質分成了82個ROI。為了減少空間維數,我們將最接近每個ROI中心的取樣點視為該ROI活動的代表,以進行進一步分析。這樣就可以獲取代表82個ROI的82個點的跨時間源激活。
圖7 溯源的分析策略
使用格蘭傑因果關係(Granger-causality)進行定向功能連接
定向功能連接通過估計一個訊號施加到另一個訊號上的影響來研究大腦區域之間的方向關係。格蘭傑因果關係認為:給定一個過程中的兩個訊號,如果對一個訊號的過去資訊的了解可以更好地預測過程中另一個訊號的存在,則前一個訊號被認為格蘭傑-導致後一個訊號。
Granger因果模型是一種經過充分驗證的統計方法,該方法已成功地應用在頭皮EEG研究大鼠和顱內記錄研究非人類靈長類動物大腦區域之間定向相互作用的強度。它也成功的通過EEG和MEG的源成像研究健康人的腦連接模式,同時也已經有效地應用於臨床人群中,通過顱內記錄以及電記錄源成像研究局灶性癲癇患者的網路變化。
為了獲得可解釋的結果,應使用電溯源成像而不是在頭皮測量上進行格蘭傑因果分析。因此,為了估計數據中的方向關係,我們使用82個源訊號計算加權部分定向相干性(weighted Partial Directed Coherence,wPDC)。PDC是一種可以在同一模型中同時考慮所有訊號,並在頻域中估計大腦連接的多變數方法。它通過確定模型強度的多元自回歸模型計算。
1)為每個參與者和每個數據片段計算wPDC,然後取平均值。隨後,通過平均PDC減去最小值併除以範圍在ROI和頻率(1-40Hz)上按比例縮放到0-1。
2)對每個電極進行快速傅里葉變換(FFT),將ESI分別應用於FFT的實部和虛部,然後合併它們來獲得每個參與者的平均SP並進行縮放(即0-1,與PDC相同)。
對於每個參與者,我們獲得了3D連接矩陣(ROI x ROI x頻率),表示每個頻率從一個ROI到另一個ROI的資訊傳輸。
為了進一步分析,我們通過計算每個頻率的平均連接值,將連接矩陣縮減為3個頻率:theta(4-7Hz),alpha(8-12Hz)和beta(13-30Hz)。對於每個被試和頻率,我們將總輸出(summed outflow )設定為從給定ROI到所有其他ROI的wPDC值之和。這反映出此ROI在網路中的總輸出重要性:具有較高總輸出的ROI強烈促進了其他ROI的活動。我們發現,theta頻段中的總輸出最高,其次是alpha頻段。因此,我們將隨後的分析集中在這兩個頻段上。
使用非參數統計檢驗對不同組參與者的總輸出進行統計比較(Mann-Whitney-Wilcoxon,雙尾p <0.05)。然後,計算從一個ROI傳遞到剩餘81個ROI的總輸出,並對組與組之間的這些總輸出進行統計分析,結果顯示兩組之間的總輸出具有統計學意義。將82個ROI中每個ROI的總輸出結果與ADOS-CSS評分、PEP-3中的發育評分、VABS-II中的適應性評分和眼跟蹤數據的PI值進行了相關分析(Spearman-rho,雙尾p<0.05)。所有相關p值經Benjamini-Hochberg p=0.05多重檢驗校正。使用Matlab進行連接值計算。
結果
總輸出
為了解動態社交資訊加工背後的大腦功能連接和其動態變化,我們使用了一種數據驅動的方法來探索在整個大腦82個ROI中最高的輸出發生在哪個頻段。具有較大總輸出的ROI在將活動指向網路中其他ROI方面起著關鍵作用。
兩組中最強的總輸出均發生在theta頻率(4-7 Hz)。圖1a中說明了兩組不同區域的總輸出在頻率上的分布。可以看出,兩組的最大活動峰出現在theta頻率(4–7 Hz)中,然後是alpha頻率(8–12 Hz)中。在theta和alpha頻段中兩組總輸出能力沒有差異,且兩組在theta頻率中的總輸出均高於在alpha頻率中的總輸出(p<0.0001)。兩組共有的幾個區域在兩個頻率上都有較大的總輸出,特別是雙側額內側和眶額上區、雙側海馬、雙側ACC和右側杏仁核(圖1b)。
圖1 多個頻率的最大資訊傳輸區域的總輸出。
在theta頻段上,與TD組相比,ASD組在以下6個ROI上具有更高的資訊傳輸力(總輸出更強):額上回右眶部,額中回兩側眶部,右側扣帶回中部,左枕上回和左顳上回(圖2a)。這表明,在觀看動態社交圖片影片時,與TD同齡人相比,ASD兒童這些區域的激活更高。在alpha頻段,與TD組相比,ASD組在以下三個ROI上具有不同激活:額中回右眶部和左楔骨具有較高的激活,而右側STG具有較弱的激活(圖2a)。圖2b和圖2c的箱形圖分別代表了theta和alpha頻段上每個組和每個重要ROI的總輸出。
圖2 ASD組與TD組的總輸出。
區域-區域定向功能連接
使用Granger因果模型,分別在theta六個節點中的每個節點以及alpha三個節點中的每個節點上計算了區域間功能連接的組間差異。在theta頻率,來自ASD兒童的六個ROI的所有連接都強於TD參與者中最強的關聯。這表明ASD兒童中存在theta頻段區域間強連接。圖3中顯示了theta頻段上六個ROI的區域間定向功能連接。對ASD兒童的六個ROI區域間定向連接的估計(即某個ROI指向其他ROI的活動)也揭示了ASD與TD不同的網路模式。
在alpha頻段中,區域-區域定向功能連接分析顯示,與TD同齡人相比,ASD兒童從額中回右側眶部和左側楔骨出發的連接更強,而從右側STG出發的連接較弱。與theta頻段中發現類似的結果,ASD兒童alpha頻段的它三個重要ROI的網路連接模式都與TD同伴不同(圖4)。
圖3 兩組theta頻段(4–7 Hz)出現的區域間定向功能連接的六個重要ROI(紅色大球)。
總輸出用箭頭表示:箭頭越大,輸出越強。通過ICBM平均大腦軸向和冠狀視圖呈現ROI及其網路連接。首字母縮寫詞請參閱表2。
補充圖1 ASD組theta頻段的ORBsup.R種子(紅色大球)。
補充圖2 TD組theta頻段中的ORBsup.R種子(紅色大球)。
圖4 兩組alpha頻段(8–12 Hz)出現顯著的區域間定向功能連接的三個ROI(紅色大球)。
總輸出用箭頭表示:箭頭越大,輸出越強。通過ICBM平均大腦軸向和冠狀視圖呈現ROI及其網路連接。首字母縮寫詞請參閱表2。
與ADOS-2,PEP-3,VABS-II和注視連接指數(PI)的關係
我們進一步探討了theta和alpha頻段各ROI總輸出與ASD臨床行為量表之間的關係。兩個頻段各自總輸出和ADOS-2嚴重度評分之間的相關係數均未通過FDR校正。對於theta頻段的總輸出,右側舌回的總輸出與社交性標準得分(p = 0.0001),以及VABS-II的休閑和遊戲技能的標準分數之間存在強正相關(p = 0.0003)。alpha頻段的總輸出與VABS-II標準評分的相關係數均未通過FDR校正。在靠近島葉後回的左側Heschl和靠近腦島環狀溝的左側羅蘭蓋內,較高總輸出與PEP-3測量的精細動作(p = 0.0004)和大肌肉運動技能(p = 0.0004)呈正相關。在左海馬和左側羅蘭蓋內較高的alpha總輸出與PEP-3測量的精細動作(p = 0.0005)和大肌肉運動技能(p = 0.0005)呈正相關。
與TD同齡人有相似注視模式的ASD兒童的theta頻段總輸出在左中扣帶回皮層(p = 0.0007)和右中央小葉(p = 0.0005)增加。FDR校正後,PI與alpha頻段的總輸出之間沒有顯著相關。圖5顯示了每個頻率的總輸出與PI,VABS-II標準評分和PEP-3標準評分之間的顯著相關性。
最後,我們探索了注視時間與PEP-3發育評分,VABS-II適應性評分(D'Agostino-Pearson綜合測試,K2,p <0.05; Pearson's r,雙尾p <0.05)之間的關聯。通過校準ADOS-2嚴重度評分,我們沒有發現PI與自閉症嚴重程度的整體水平之間存在顯著相關性。然而,我們發現,視線追蹤表現較好的ASD兒童具有更好的整體適應功能(pK2 = 0.1883; pr = 0.012),更好的整體運動能力(pK2 = 0.6643; pr = 0.013)和良好的運動技能(pK2 = 0.7619; pr = 0.031),以及人際關係的發展更好(pK2= 0.0704; pr= 0.011)。我們還發現,根據PEP-3的測量,這些視線追蹤更好的兒童具有更好的視覺運動模仿能力(pK2 = 0.263; pr = 0.022)。
圖5 FDR校正後,ASD參與者theta頻段的總輸出(藍點)與(a)標準化VABS-II評分,(b)PEP-3標準分和(c)PI之間存在顯著相關。(d) FDR校正後alpha頻段的總輸出和PEP-3標準分顯著相關。TD組的總輸出以紅色繪製在Y軸上。通過ICBM平均大腦軸狀面俯視圖呈現相應ROI。
表2 縮略詞資訊表
解讀觀點:
本研究使用頭皮EEG和眼動追蹤儀記錄ASD兒童和TD同伴在單純觀看含有豐富社交性資訊的影片時大腦活動與視線活動(無認知任務),並利用EEG溯源技術討論了ASD兒童在theta和alpha頻段的社交腦網路上的改變。研究發現,自閉症幼兒時期已經出現社交網路的改變,改變主要表現在基礎認知功能有關的theta節律和與注意相關的alpha節律上,並且在某種程度上與其自閉症嚴重程度有關。