ক্লোজড-লুপ ট্রান্সক্রানিয়াল নিউরোস্টিমুলেশন মেটামেমোরি সংবেদনশীলতার ভবিষ্যদ্বাণী পার্ট 2 দ্বারা ঘুমের সময় মস্তিষ্কের সংযোগ পরিবর্তন

ইলেক্ট্রোফিজিওলজিকাল রেকর্ডিং এবং ট্রান্সক্রানিয়াল স্টিমুলেশন

ইইজি ডেটা সংগ্রহ করা হয়েছিল এবং 32টি ইইজি চ্যানেল এবং 32টি স্টিমুলেশন চ্যানেল সহ একটি 64- চ্যানেল নিওপ্রিন হেড ক্যাপ সহ নিউরোইলেক্ট্রিকস, ইনকর্পোরেটেডের একটি প্রোটোটাইপ StarStim64 এর সাথে একযোগে উদ্দীপনা প্রয়োগ করা হয়েছিল।

আধুনিক বিজ্ঞান ও প্রযুক্তির ক্রমাগত বিকাশ মানুষের মস্তিষ্কের গবেষণাকে আরও গভীরতর করে তুলেছে। সাম্প্রতিক বছরগুলিতে, ক্রমবর্ধমান সংখ্যক গবেষণা ইলেক্ট্রোএনসেফালোগ্রাফি (ইইজি) এবং স্মৃতির মধ্যে ঘনিষ্ঠ সম্পর্ক প্রদর্শন করেছে। ইইজি হল মস্তিষ্কের বৈদ্যুতিক কার্যকলাপ রেকর্ড করার একটি পদ্ধতি। এটি মস্তিষ্কের জৈব বৈদ্যুতিক সংকেত সনাক্ত করে রেখা অঙ্কনের আকারে মানব মস্তিষ্কের বৈদ্যুতিক সংকেত প্রকাশ করে। স্মৃতি হল মস্তিষ্কের নিউরন সিস্টেমের তথ্য অর্জন, প্রক্রিয়া, সঞ্চয়, চিনতে এবং স্মরণ করার ক্ষমতা। বলা যায় দুজনের সম্পর্ক নিবিড়ভাবে জড়িত।

EEG শরীরের গতিবিধি, ভাষা, চিন্তাভাবনা, এবং সংবেদনশীল তথ্য রেকর্ড করে এবং ওষুধ, নিউরোসায়েন্স এবং মনোবিজ্ঞানের মতো ক্ষেত্রে ব্যাপকভাবে ব্যবহৃত হয়েছে। তাদের মধ্যে, গবেষকরা খুঁজে পেয়েছেন যে মেমরির সাথে EEG-এর একটি গুরুত্বপূর্ণ সম্পর্ক রয়েছে। ইইজি রেকর্ডিংগুলি আমাদের মেমরি প্রতিষ্ঠা এবং পুনরুদ্ধারের প্রক্রিয়াটি আরও ভালভাবে বুঝতে সাহায্য করতে পারে এবং স্মৃতির ব্যাধিগুলির চিকিত্সার জন্য মূল্যবান রেফারেন্স প্রদান করতে পারে। গবেষণা অনুসারে, দীর্ঘমেয়াদী মেমরি গঠন বিভিন্ন ডিগ্রী এবং বিতরণের বৈদ্যুতিক কার্যকলাপ দ্বারা অনুষঙ্গী হয়, এবং যখন লোকেরা স্মৃতি স্মরণ করে, তখন ইইজি সংকেতগুলিও পরিবর্তিত হয়, যা আরও ইইজি এবং মেমরির মধ্যে ঘনিষ্ঠ সংযোগ নিশ্চিত করে।

এছাড়াও, EEG গবেষকদের বিভিন্ন ধরনের মেমরি বুঝতে সাহায্য করতে পারে, যেমন স্বল্প-মেয়াদী মেমরি, দীর্ঘমেয়াদী মেমরি, স্থানিক মেমরি এবং মানসিক স্মৃতি। গবেষণায়, ইইজি বিশ্লেষণ মস্তিষ্কের বিভিন্ন অঞ্চল থেকে বৈদ্যুতিক কার্যকলাপ নির্দেশ করতে পারে। এই বিশেষ বৈদ্যুতিক ক্রিয়াকলাপগুলি মস্তিষ্কের মধ্যে কীভাবে স্মৃতি উপাদানগুলি প্রেরণ এবং প্রক্রিয়া করা হয় তা প্রকাশ করতে পারে এবং স্মৃতিশক্তি দুর্বল হওয়ার কারণগুলিও প্রকাশ করতে পারে।

এটা বলা যেতে পারে যে জীবনযাত্রার মান উন্নয়নে ইইজির ইতিবাচক তাৎপর্য রয়েছে। আধুনিক লোকেরা দীর্ঘ সময়ের জন্য কম্পিউটার এবং মোবাইল ফোনের মতো ইলেকট্রনিক পণ্য ব্যবহার করে এবং এমনকি সোশ্যাল মিডিয়ার উপর খুব বেশি নির্ভর করে, যা মানুষের পক্ষে মনোনিবেশ করা এবং জিনিসগুলি সহজেই ভুলে যাওয়া কঠিন করে তোলে। গবেষণা দেখায় যে সংক্ষিপ্ত EEG প্রতিক্রিয়া প্রশিক্ষণ মানুষের শেখার ক্ষমতা এবং স্মৃতিশক্তি উন্নত করতে পারে। স্বতন্ত্র ইইজি থেরাপির মাধ্যমে, মস্তিষ্কের কার্যকারিতার অস্বাভাবিকতা মেরামত করা যায়, মস্তিষ্কের কার্যকলাপ উন্নত করা যায়, এবং স্মৃতিশক্তি এবং শেখার ক্ষমতা উন্নত করা যায়।

সংক্ষেপে, আমাদের দৈনন্দিন জীবনে EEG প্রযুক্তিকে জরুরীভাবে ব্যাপকভাবে ব্যবহার করা প্রয়োজন, এবং এর আরও বেশি প্রয়োগ এবং সম্ভাবনা অন্বেষণ করার জন্য আরও গবেষণা প্রয়োজন। ভবিষ্যতে, ইইজি প্রযুক্তির ক্রমাগত উন্নতি আমাদের আরও বেশি সুযোগ এবং চ্যালেঞ্জ নিয়ে আসবে, যা আমাদের আরও দক্ষ এবং স্বাস্থ্যকর মস্তিষ্কের অধিকারী হতে দেবে। এটি দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং সিস্তানচে ডেসার্টিকোলা উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ সিস্তানচে ডেসার্টিকোলায় অ্যান্টিঅক্সিডেন্ট, অ্যান্টি-ইনফ্লেমেটরি এবং অ্যান্টি-এজিং প্রভাব রয়েছে, যা মস্তিষ্কে অক্সিডেশন এবং প্রদাহজনক প্রতিক্রিয়া কমাতে সাহায্য করতে পারে, যার ফলে মস্তিষ্কের সুরক্ষা। স্নায়ুতন্ত্রের স্বাস্থ্য। এছাড়াও, Cistanche deserticola স্নায়ু কোষের বৃদ্ধি এবং মেরামতকেও প্রচার করতে পারে, যার ফলে নিউরাল নেটওয়ার্কগুলির সংযোগ এবং কার্যকারিতা বৃদ্ধি পায়। এই প্রভাবগুলি স্মৃতিশক্তি, শেখার এবং চিন্তার গতি উন্নত করতে সাহায্য করতে পারে এবং জ্ঞানীয় কর্মহীনতা এবং নিউরোডিজেনারেটিভ রোগের বিকাশকেও প্রতিরোধ করতে পারে।

Knoww স্বল্প-মেয়াদী মেমরির উন্নতিতে ক্লিক করুন

ইইজি চ্যানেলগুলিকে 10-10 সিস্টেম অনুসারে একটি মন্টেজে স্থাপন করা হয়েছিল৷ 500 Hz এ নমুনা নেওয়া 32টি সাইটের মধ্যে 23টি থেকে EEG ডেটা সংগ্রহ করা হয়েছে এবং চ্যানেল Fz-এ উল্লেখ করা হয়েছে। অতিরিক্ত 9টি ইলেক্ট্রোড ইলেক্ট্রোকুলোগ্রাম, ইলেক্ট্রোমায়োগ্রাম এবং ইলেক্ট্রোকার্ডিওগ্রাম ঘুমের পর্যায়গুলি সনাক্ত করার অনুমতি দেয়। সংগ্রহের সময় লাইননোইস (60 Hz) ফিল্টারিং ছাড়া কোনো অনলাইন হার্ডওয়্যার ফিল্টারিং প্রয়োগ করা হয়নি।

সক্রিয় ট্রান্সক্রানিয়াল উদ্দীপনা 32 টি উদ্দীপনা ইলেক্ট্রোড জুড়ে স্প্যাটিওটেম্পোরাল স্রোতের অনন্য অ্যারে আকারে বিতরণ করা হয়েছিল। মোট ইতিবাচক বৈদ্যুতিক প্রবাহ 2.5 mA এর নিচে সেট করা হয়েছিল, প্রতিটি চ্যানেলের কারেন্ট 1.5 mA এর নিচে এবং 150 uA এর বেশি।

একটি প্রাপ্তবয়স্ক মানুষের মাথার টেমপ্লেটের 3-D ভলিউমে প্ররোচিত বৈদ্যুতিক ক্ষেত্র জুড়ে অর্থগোনালিটি সর্বাধিক করার জন্য গ্রেডিয়েন্ট ডিসেন্ট অপ্টিমাইজেশানের মাধ্যমে উদ্দীপনার প্যাটার্নগুলি তৈরি করা হয়েছিল পারস্পরিক সম্পর্ক এবং অ্যান্টিকোরিলেশনগুলিকে বাদ দিয়ে।

পরীক্ষার সময়, সক্রিয় অবস্থার জন্য, 14টি ভিগনেটের প্রতিটিকে এলোমেলোভাবে যুক্ত করা হয়েছিল বা উদ্দীপনার একটি ভিন্ন প্যাটার্নের সাথে "ট্যাগ" করা হয়েছিল এবং প্রতিটি প্যাটার্নের জন্য কাস্টম টেমপ্লেটগুলি নিউরোইলেক্ট্রিক স্টিমুলেশন কন্ট্রোল সফ্টওয়্যার, CoreGUI-তে প্রোগ্রাম করা হয়েছিল। মেমরি রিঅ্যাক্টিভেশন (ট্যাগ এবং কিউ) নির্দেশ করার জন্য এই TES প্যাটার্নগুলির মাত্র অর্ধেক রাতে পুনরায় প্রয়োগ করা হয়েছিল এবং লক্ষ্যযুক্ত ভিগনেটগুলির জন্য মেমরি রিকল পরীক্ষার প্রতিক্রিয়াগুলির উপর দৃষ্টি নিবদ্ধ আচরণগত বিশ্লেষণ।

অনন্য নিদর্শনগুলি প্রাথমিকভাবে নির্দিষ্ট স্মৃতির জন্য ডিজাইন করা হয়েছিল, নির্দিষ্ট উপায়ে স্নায়বিক কার্যকলাপ পরিবর্তন করার জন্য নয়; এইভাবে, মস্তিষ্কের প্রতিক্রিয়া এবং পৃথক স্ট্যাম্পগুলিতে সংযোগের পরিবর্তনগুলি বিশ্লেষণ করা হয়নি এবং পরিবর্তে ট্রায়াল সংখ্যা বাড়ানোর জন্য একত্রিত করা হয়েছিল।

স্লো-ওয়েভ দোলন সনাক্তকরণ

পূর্বে উন্নত অ্যালগরিদম (কক্স এট আল।, 2014) থেকে অভিযোজিত ক্লোজড-লুপ ডিটেকশন অ্যালগরিদম সহ স্টিমুলেশন স্বয়ংক্রিয়ভাবে SWO-এর আপ-স্টেটগুলিতে টাইম-লকড বিতরণ করা হয়েছিল। ঘুমের সময়, 13টি ফ্রন্ট-প্যারিটাল-সেন্ট্রাল চ্যানেল (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3 এবং P4) থেকে ইনকামিং EEG ডেটা একটি চলমান {{17} এ সংরক্ষণ করা হয়েছিল } এর বাফার যা ক্রমাগত আপডেট করা হয়েছিল।

ডেটা পরিষ্কার করার জন্য, একটি 1- উইন্ডোর সাথে চলমান গড় বিয়োগ প্রয়োগ করা হয়েছিল, এবং বাফার পিরিয়ড জুড়ে 500 μV মিনিট-থেকে-সর্বোচ্চ প্রশস্ততার বেশি চ্যানেলগুলি প্রত্যাখ্যান করা হয়েছিল৷

শক্তিশালী SWO সনাক্তকরণের জন্য একটি ভার্চুয়াল চ্যানেল তৈরি করতে অবশিষ্ট চ্যানেলগুলিকে একত্রে গড় করা হয়েছিল। স্লো-ওয়েভ ব্যান্ডের মধ্যে শক্তি (0.5–1.2 Hz) মোট ব্রডব্যান্ড পাওয়ারের সাথে তুলনা করা হয়েছিল (0.1–250 Hz), এবং যদি এই অনুপাতটি এর চেয়ে বেশি হয় 0.3, তারপর ধীর-তরঙ্গ ব্যান্ডে শক্তির সুনির্দিষ্ট শিখর (কেন্দ্রের ফ্রিকোয়েন্সি) গণনা করা হয়েছিল।

ভার্চুয়াল চ্যানেলটিকে তারপরে কেন্দ্র ফ্রিকোয়েন্সির চারপাশে একটি 1-Hz ব্যান্ডউইথের সাথে দ্বিতীয়-ক্রমের বাটারওয়ার্থ ব্যান্ডপাস ফিল্টার দিয়ে ফিল্টার করা হয়েছিল (0.1 Hz এর সর্বনিম্ন কাটঅফ সহ), এবং একটি হিলবার্ট রূপান্তর প্রয়োগ করা হয়েছিল। থিফেজ 90 ডিগ্রী পিছনে স্থানান্তরিত করা হয়েছে, এবং কাল্পনিক উপাদান নিষ্কাশন করা হয়েছে, তাত্ক্ষণিক ফেজ ফলন.

অপ্টিমাইজড ফেজ, অফসেট এবং ফিল্টার করা সিগন্যালের প্রশস্ততা সহ কেন্দ্রের ফ্রিকোয়েন্সিতে একটি সাইন তরঙ্গ তৈরি করা হয়েছিল। সাইন তরঙ্গটি শূন্য পর্যায়ের পরবর্তী বিন্দু (অর্থাৎ, আপ-স্টেটের শুরু) নির্ধারণের জন্য সময়ের সাথে সাথে প্রজেক্ট করা হয়েছিল এবং এই সময় বিন্দুতে উদ্দীপনা শুরু হয়েছিল এবং র‌্যাম্প-আপ এবং র‌্যাম্প-ডাউন সহ পূর্বাভাসিত আপ-স্টেট পর্যন্ত স্থায়ী হয়েছিল। 100 ms এর বার

শামের রাতে, উদ্দীপনার সময় পয়েন্ট রেকর্ড করা হয়েছিল, কিন্তু কোন উদ্দীপনা বিতরণ করা হয়নি। এইভাবে, সক্রিয় এবং শাম রাতের তুলনা SWO-এর একই সময়ে পয়েন্টে ছিল, শুধুমাত্র পার্থক্য হল STAMP উদ্দীপনার বিতরণ। STAMPsonn অ্যাক্টিভ রাইটস দ্বারা উত্পাদিত শিল্পকর্ম এড়ানোর জন্য শাম রাতের ডেটার উপর আপ-স্টেট সনাক্তকরণের বৈধতা সম্পাদিত হয়েছিল।

সাইন ওয়েভ ফিট দ্বারা পূর্বাভাসিত আপ-স্টেটের সময় পয়েন্ট থেকে মার্কারগুলি বের করা হয়েছিল। কিছু ক্ষেত্রে, হার্ডওয়্যার বিলম্বের কারণে, অবিলম্বে শনাক্ত হওয়া আপ-স্টেটের পরে সময়মত উদ্দীপনা আপ-স্টেটে স্থানান্তরিত হয়েছিল, যা পর্যায়গুলির পরিবর্তনশীলতাকে কিছুটা ডিগ্রী পর্যন্ত বাড়িয়ে দিতে পারে। স্টিমুলেশন অনসেট মার্কার (−5 থেকে+5 s) এপোচ টাইম-লক করা হয়েছে কাঁচা EEG ডেটা এবং ব্যান্ডপাস থেকে 0.5–1.2 Hz পরিসরে ফিল্টার করা হয়েছে।

হিলবার্ট ট্রান্সফর্ম ব্যবহার করে প্রতিটি সূচনা চিহ্নিতকারী সময় বিন্দুতে পর্যায়মূল্য গণনা করা হয়েছিল। প্রতিটি অংশগ্রহণকারীর জন্য ট্রায়াল জুড়ে গড় পর্যায়মূল্য গণনা করা হয়েছিল, এবং এই গড় পর্যায়গুলি 0 ডিগ্রি (বেরেন্স, 2009) থেকে পার্থক্যের জন্য ভি-টেস্ট পরীক্ষায় জমা দেওয়া হয়েছিল। ক্লোজড-লুপ অ্যালগরিদমের বৈধতা সম্পর্কিত পরিসংখ্যান এবং পরিসংখ্যান সহায়ক তথ্যে উপস্থাপন করা হয়েছে।

ইইজি ডেটা প্রসেসিং এবং গ্রাফ তাত্ত্বিক বিশ্লেষণ

EEG সংকেতগুলি EEGLAB এবং কাস্টম MATLAB স্ক্রিপ্টগুলির সাথে অফ-লাইন বিশ্লেষণ করা হয়েছিল। মস্তিষ্কের সংকেত থেকে ডেটা এবং শব্দের পৃথক উত্স পরিষ্কার করার জন্য, EEG রেকর্ডিংগুলি 250 Hz-এ ডাউন-স্যাম্পল করা হয়েছিল, যা সমস্ত ইলেক্ট্রোডের গড় হিসাবে উল্লেখ করা হয়েছিল, এবং ব্যান্ডপাসকে বাটারওয়ার্থ ফিল্টার ব্যবহার করে ফিল্টার করা হয়েছিল (0.1–70 Hz, 24 dB/ অক্ট)।

EEGLAB-এ স্বাধীন কম্পোনেন্ট অ্যানালাইসিস (ICA) পদ্ধতি ব্যবহার করে ওকুলার এবং নননিউরাল আর্টিফ্যাক্টগুলি চিহ্নিত করা হয়েছিল এবং ম্যানুয়ালি অপসারণ করা হয়েছিল এবং এর অন্তর্নির্মিত ইনফোম্যাক্স অ্যালগরিদম (ডেলর্ম এবং মেইগ, 2004)।

আর্টিফ্যাক্ট-মুক্ত ডেটা বেসলাইন উইন্ডো হিসাবে উদ্দীপনা শুরু হওয়ার আগে −6.4 থেকে −2.4 সমন্বিত যুগে ভাগ করা হয়েছিল এবং বিশ্লেষণ উইন্ডো হিসাবে উদ্দীপনা অফসেট হওয়ার পরে 3 থেকে 7 সেকেন্ড। প্রতিটি যুগের জন্য, প্রতিটি চ্যানেলে পাওয়ার স্পেকট্রামটি 1,024-ms (50%) ওভারল্যাপ সহ 2048-ms সেগমেন্টে ওয়েলচ বর্ণালী নির্ধারণ পদ্ধতি প্রয়োগ করে গণনা করা হয়েছিল, প্রতিটি সেগমেন্টে হ্যামিং উইন্ডো দ্বারা টেপ করা হয়েছে।

কার্যকরী সংযোগ এবং গ্রাফ তাত্ত্বিক বিশ্লেষণগুলি BioNeCtToolbox, মস্তিষ্কের সংযোগ বিশ্লেষণের জন্য একটি কাস্টম MATLAB টুলবক্স (Casanova, El-Baz, &Suri, 2017) দিয়ে সম্পাদিত হয়েছিল। মস্তিষ্কের অঞ্চলগুলির মধ্যে কার্যকরী মস্তিষ্কের সংযোগ ইইজি সংকেতগুলির মধ্যে ফ্রিকোয়েন্সি ডোমেনে ক্রস-সম্পর্কের কম্পিউটিংয়ের মাধ্যমে অনুমান করা হয় (বাউয়ার, 2016; মোহাম্মদ-রেজাজাদেহ এট আল।, 2016; নোল্টে এট আল।, 2004)।

কার্যকরী সংযোগের বিভিন্ন মেট্রিক্সের মধ্যে, কাল্পনিক সমন্বয় (iCoh) একচেটিয়াভাবে একটি নির্দিষ্ট সময়ের বিলম্বের মধ্যে ঘটে যাওয়া EEG সংকেতের মধ্যে "সত্য" মিথস্ক্রিয়া সনাক্ত করে, এইভাবে একটি সাধারণ মস্তিষ্কের উত্স থেকে বৈদ্যুতিক ক্রিয়াকলাপের ভলিউম সঞ্চালনের দ্বারা উত্পাদিত প্রতিবেশী ইলেক্ট্রোডগুলির মধ্যে তাত্ক্ষণিক মিথস্ক্রিয়া উপেক্ষা করে (বুলমোর) & Sporns, 2009; Fallani et al., 2014;Mohammad-Rezazadeh et al., 2016)।

নিম্নলিখিত ফ্রিকোয়েন্সি ব্যান্ডগুলিতে সম্ভাব্য সমস্ত ইলেক্ট্রোডিপেয়ারের জন্য iCoh মানগুলি গণনা করা হয়েছিল: ডেল্টা (1–4 Hz), থিটা (4–8 Hz), আলফা (8–12 Hz), স্পিন্ডেল (12–15 Hz), বিটা (16– 30 Hz), এবং কম গামা (40-50 Hz)।

এই বিশ্লেষণগুলি সক্রিয় এবং শাম উভয় ডেটাতেই সম্পাদিত হয়েছিল। অতিরিক্তভাবে, iCoh মানগুলি পোস্টস্টিমুলেশন এবং প্রেস্টিমুলেশন টাইম উইন্ডো উভয়ের জন্যই গণনা করা হয়েছিল এবং বেসলাইন সংশোধনের জন্য পোস্টস্টিমুলেশন উইন্ডো মানগুলি থেকে প্রেস্টিমুলেশন উইন্ডো মানগুলিকে বিয়োগ করা হয়েছিল৷ iCoh পরিমাপের উচ্চ বহুমাত্রিকতা একটি গ্রাফ তাত্ত্বিক দৃষ্টিভঙ্গির সাথে বিচ্ছিন্ন করা হয়েছিল৷

গ্রাফ তাত্ত্বিক মেট্রিক্স নেটওয়ার্ক বিভাজন ডিগ্রী (অর্থাৎ, ঘন কার্যকরী আন্তঃসংযোগের সাথে স্থানীয় ক্লাস্টার গঠন করার জন্য মস্তিষ্কের অঞ্চলগুলির প্রবণতা) এবং নেটওয়ার্ক একীকরণ এবং দক্ষতা (অর্থাৎ, নেটওয়ার্কের আন্তঃসংযুক্ত হওয়ার ক্ষমতা এবং দক্ষতার সাথে মস্তিষ্কের মধ্যে তথ্য আদান-প্রদানের বিষয়ে তথ্য প্রদান করে। অঞ্চলগুলি, 2009;

নিম্নোক্ত সাধারণভাবে ব্যবহৃত গ্রাফ পরিমাপগুলি প্রাক-এবং উত্তেজনা পরবর্তী সময়ে উপরে উল্লিখিত সমস্ত ফ্রিকোয়েন্সি ব্যান্ডগুলির জন্য গণনা করা হয়েছিল: গড় ক্লাস্টারিং সহগ (প্রতিবেশী নোডগুলি সংযুক্ত হওয়ার সম্ভাবনা, স্থানীয় সংযোগ প্রতিফলিত করে); বিশ্বব্যাপী দক্ষতা (তথ্য স্থানান্তরের ক্ষেত্রে নেটওয়ার্কটি কতটা দক্ষ); বৈশিষ্ট্যগত পথের দৈর্ঘ্য, ব্যাসার্ধ, এবং ব্যাস (সর্বস্ব ছোট পথ বরাবর প্রান্তের গড় সংখ্যা, সর্বনিম্ন সম্ভাব্য দূরত্ব, এবং সম্ভাব্য সবথেকে বড় সম্ভাব্য দূরত্ব, যথাক্রমে সমস্ত সম্ভাব্য জোড়া নোডের মধ্যে); মডুলারিটি (যে ডিগ্রীতে মস্তিষ্কের নেটওয়ার্ক আলাদা করা হয়) সাবনেটওয়ার্ক বা মডিউলগুলির মধ্যে);অ্যাসোর্ট্যাটিভিটি (নোডের অনুপাত যা অন্যান্য নোডের সাথে অনুরূপ ডিগ্রী বনাম ভিন্ন ডিগ্রীগুলির সাথে সংযুক্ত থাকে); ঘনত্ব (গ্রাফে নোডের সংখ্যা দ্বারা বিভক্ত প্রান্তের সংখ্যা); এবং গড় সমন্বয় (সমস্ত জোড়া নোডের মধ্যে গড় সমন্বয়)।

শ্রেণীবিভাগ এবং রিগ্রেশন বিশ্লেষণ

প্রতিটি অংশগ্রহণকারীর জন্য সক্রিয় এবং শ্যাম উদ্দীপনা উভয় অবস্থার জন্য 48টি কার্যকরী সংযোগ বৈশিষ্ট্য (8গ্রাফ-তত্ত্বীয় মেট্রিক্স ×6 ফ্রিকোয়েন্সি ব্যান্ড) এর ফলে প্রাপ্ত ডেটা রয়েছে। আরও বিশেষভাবে, সক্রিয় রাতের উদ্দীপনার পরে সংযোগের বৈশিষ্ট্যগুলি বের করা হয়েছিল যেখানে STAMP উদ্দীপনা ঘটেছে। যেমন শামের রাত্রিগুলোতে কোনো উদ্দীপনা ঘটেনি।

সংযোগের পরিবর্তনগুলি উদ্দীপনার অবস্থার ভবিষ্যদ্বাণী করার জন্য, সেইসাথে আচরণের সাথে সম্পর্কিত, আমরা একটি অংশগ্রহণকারী-স্তরের শ্রেণীবিভাগ এবং রিগ্রেশন ক্রস-ভ্যালিডেশন বিশ্লেষণ প্রয়োগ করেছি, যেখানে অংশগ্রহণকারীদের একটি উপসেটের ডেটা ভবিষ্যদ্বাণী করার জন্য পরীক্ষার ডেটা হিসাবে বাদ দেওয়া হয়েছিল। বৈচিত্র্য কমাতে, আমরা 35টি ভাঁজ চালিয়েছি যাতে এক থেকে তিনজন অংশগ্রহণকারীকে এক সময়ে বাদ দেওয়া হয়।

স্যাম্পলিংয়ের এই বারবার এলোমেলো বিভক্ত পদ্ধতিটিকে সাধারণভাবে প্রয়োগ করা "একটি ছেড়ে দিন" পদ্ধতির চেয়ে অগ্রাধিকার দেওয়া হয়, যা বৈচিত্র্যের অস্থির এবং পক্ষপাতমূলক অনুমানের দিকে নিয়ে যেতে পারে (Scheinost et al., 2019; Varoquaux et al., 2017)। আমরা শুধুমাত্র ডেটার বৃহৎ বৈশিষ্ট্যের স্থানের কারণেই নয়, তদন্তের নতুনত্বের কারণেও এই ডেটা-চালিত পদ্ধতিটি বেছে নিয়েছি।

আজ অবধি কিছু গবেষণায় মস্তিষ্কের সংযোগ এবং মেটামেমোরি সংবেদনশীলতার গ্রাফ-তত্ত্বীয় মেট্রিক্সের মধ্যে সম্পর্ক পরীক্ষা করা হয়েছে এবং মস্তিষ্কের উদ্দীপনার সাথে এটি কীভাবে পরিবর্তন হয় তা কেউই পরীক্ষা করেনি। সুতরাং, সাহিত্যে পূর্ববর্তী ফলাফলের উপর ভিত্তি করে শুধুমাত্র নির্দিষ্ট ফ্রিকোয়েন্সি ব্যান্ড (যেমন, থিটা) বা পরিমাপ (যেমন, গড় সমন্বয়) পরীক্ষা করে আমরা কার্যকরী সংযোগ এবং মেটামেমোরির মধ্যে গুরুত্বপূর্ণ সম্পর্কগুলিকে সম্ভবত মিস করব। বিশ্লেষণ পাইপলাইনের রূপরেখার একটি চিত্র চিত্রে উপস্থাপন করা হয়েছে। 2.

প্রতিটি ভাঁজের জন্য, গ্রাফ-তাত্ত্বিক বৈশিষ্ট্যগুলি খুঁজে পেতে প্রশিক্ষণের ডেটাতে একটি বৈশিষ্ট্য নির্বাচন পদ্ধতি চালানো হয়েছিল (প্রেস্টিমুলেশনের সাথে পোস্টস্টিমুলেশনবেসলাইন সংশোধন করা হয়েছে) যা সক্রিয় এবং শ্যাম উদ্দীপনা শর্তগুলির মধ্যে বৈষম্য করে। অনেক বৈশিষ্ট্য একে অপরের সাথে অত্যন্ত সম্পর্কযুক্ত ছিল, যেগুলি সাপোর্টিং তথ্য চিত্র S2-এ দেখা যায়।

এইভাবে, উচ্চ পারস্পরিক সম্পর্ক ({0}}.8 এর থ্রেশহোল্ড r মান) সহ বৈশিষ্ট্যগুলির জোড়া খুঁজে বের করে এবং অন্যান্য ভেরিয়েবলের সাথে উচ্চতর গড় পরম পারস্পরিক সম্পর্ক সহ ভেরিয়েবলটিকে সরিয়ে দিয়ে প্রথম উচ্চ সমরেখার ভেরিয়েবলগুলি সরানো হয়েছিল। উচ্চ সমসাময়িকতার কারণে সরানো ভেরিয়েবলের অতিরিক্ত তথ্য সাপোর্টিং ইনফরমেশনে পাওয়া যাবে।

তারপরে, একটি নির্ভরশীল পরীক্ষা (যেহেতু অধ্যয়নটি একটি অন্তর্নিহিত-বিষয় ডিজাইন ছিল) প্রতিটি বৈশিষ্ট্যের উপর চালানো হয়েছিল, সক্রিয় এবং শাম অবস্থার মধ্যে পার্থক্য পরীক্ষা করে। নিম্ন পরম t মান (1-এর প্রান্তিক) সহ ভেরিয়েবলগুলি সরানো হয়েছে, এই যুক্তির সাথে যে এই ভেরিয়েবলগুলির মধ্যে পার্থক্য ন্যূনতম ছিল৷ অবশিষ্ট বৈশিষ্ট্যগুলি বোরুটা বৈশিষ্ট্য নির্বাচন অ্যালগরিদমে প্রবেশ করানো হয়েছিল (Kursa &Rudnicki, 2010)৷

বোরুটা হল একটি পারমুটেশন-ভিত্তিক নির্বাচন পদ্ধতি, যেখানে প্রতিটি বৈশিষ্ট্য, সেইসাথে বৈশিষ্ট্যের একটি অনুলিপি তার মান সহ, অংশগ্রহণকারীদের মধ্যে এলোমেলো করে (একটি "ছায়া বৈশিষ্ট্য" বলা হয়), একটি র্যান্ডম ফরেস্ট ক্লাসিফায়ারে প্রবেশ করানো হয় এবং প্রতিটি বৈশিষ্ট্যের গুরুত্ব একটি Z স্কোর হিসাবে নির্ধারিত হয়। প্রকৃত বৈশিষ্ট্যের গুরুত্ব অবশ্যই উল্লেখযোগ্যভাবে গুরুত্বপূর্ণ হিসাবে বিবেচিত ছায়া বৈশিষ্ট্যগুলির সর্বাধিক Z স্কোরের চেয়ে বেশি হতে হবে।

এই পদ্ধতিটি ছায়া বৈশিষ্ট্যগুলির বিভিন্ন স্থানান্তর সহ একাধিকবার পুনরাবৃত্তি করা হয় যাতে প্রকৃত বৈশিষ্ট্যগুলির গুরুত্বের মানগুলির সাথে তুলনা করা যেতে পারে। এইভাবে, বোরুটা হল অ্যানাল-প্রাসঙ্গিক বৈশিষ্ট্য নির্বাচন পদ্ধতি- মূলত, সমস্ত বা কোনও ভেরিয়েবল প্রক্রিয়ার মাধ্যমে নির্বাচন করা যায় না। ছায়া বৈশিষ্ট্যের চেয়ে বেশি Z স্কোর রয়েছে এমন বৈশিষ্ট্যগুলিকেই বেছে নেওয়া হয়েছে৷

এই অ্যালগরিদমটি অন্যান্য বৈশিষ্ট্য নির্বাচন অ্যালগরিদমগুলির তুলনায় অর্থপূর্ণ বৈশিষ্ট্যগুলি সন্ধান করার ক্ষেত্রে কার্যকারিতা উন্নত করার জন্য দেখানো হয়েছে (Degenhardt et al., 2017; Kursa, 2017)। Boruta দ্বারা নির্বাচিত বৈশিষ্ট্যগুলিকে একটি লজিস্টিক রিগ্রেশন মডেলে প্রবেশ করানো হয়েছিল যা সক্রিয় বনাম অবস্থার পূর্বাভাস দেয়। আমরা L2 নিয়মিতকরণ (রিজ রিগ্রেশন) সহ একটি নিয়মিত লজিস্টিক রিগ্রেশনও চালিয়েছি, যেখানে প্রশিক্ষণ ডেটার মধ্যে ক্রস-ভ্যালিডেশনের মাধ্যমে সর্বোত্তম λ প্যারামিটার নির্ধারণ করা হয়েছিল।

অবশেষে, আমরা বোরুটা অ্যালগরিদম দ্বারা নির্বাচিত শুধুমাত্র সবচেয়ে গুরুত্বপূর্ণ পরিবর্তনশীল ব্যবহার করে একটি লজিস্টিক রিগ্রেশন শ্রেণীবিভাগও চালিয়েছি। প্রশিক্ষণের ডেটাতে মডেলের পরামিতিগুলি ফিট করার পরে, মডেলগুলি বাম-আউট পরীক্ষার ডেটা ভবিষ্যদ্বাণী করতে ব্যবহার করা হয়েছিল, যা সক্রিয় বা শ্যাম অবস্থার অন্তর্গত প্রতিটি পরীক্ষার উদাহরণের সম্ভাব্যতার অনুমান দেয়। এই সম্ভাবনাগুলি ভাঁজ জুড়ে সংযুক্ত করা হয়েছিল এবং আপেক্ষিক অপারেটিং বৈশিষ্ট্যযুক্ত বক্ররেখাগুলি গণনা করতে ব্যবহৃত হয়েছিল, যেখান থেকে আমরা বক্ররেখা (AUC) মানগুলির অধীনে এলাকা প্রাপ্ত করেছি (Fawcett, 2006)।

AUC হল শুধুমাত্র কাঁচা নির্ভুলতার চেয়ে শ্রেণীবদ্ধ কর্মক্ষমতার একটি আরও সংবেদনশীল পরিমাপ এবং এইভাবে এখানে রিপোর্ট করা হয়েছে৷ একই ক্রস-ভ্যালিডেশন ভাঁজের মধ্যে, প্রশিক্ষণের ডেটা রাত থেকে লক্ষ্য করা ভিগনেটগুলির (যেমন, ট্যাগ এবং কিউ) জন্য স্মৃতি সংবেদনশীলতার পরিবর্তনের পূর্বাভাস দিতে ব্যবহৃত হয়েছিল৷ 2 সক্রিয় অবস্থায় ঘুমের পরের পরীক্ষায় সবচেয়ে বেশি ঘুমানো।

আচরণগত কর্মক্ষমতার পরিমাপ ছিল টাইপের-2 আপেক্ষিক অপারেটিং চরিত্রগত বক্ররেখার AUC, মেটাকগনিটিভ সংবেদনশীলতার একটি পক্ষপাত-মুক্ত ননপ্যারামেট্রিক পরিমাপ, বৃহত্তর AUC বৃহত্তর স্মৃতি সংবেদনশীলতা প্রতিফলিত করে (ফ্লেমিং এবং লাউ, 2014; গ্যালভিন এট আল।, 2003) . এখানে, মডেলগুলি মেমরি সংবেদনশীলতার পরিবর্তনের সাথে সংযোগের পরিবর্তনগুলিকে বাঁধতে AUC-তে রাতারাতি পরিবর্তনের পূর্বাভাস দিয়েছে। সমস্ত সংযোগ বৈশিষ্ট্যগুলিকে শ্রেণীবিন্যাস বিশ্লেষণের মতো একটি অনুরূপ বৈশিষ্ট্য নির্বাচন প্রক্রিয়ায় প্রবেশ করানো হয়েছিল৷ পূর্বের মতো উচ্চ সমরেখার বৈশিষ্ট্যগুলি সরানো হয়েছিল৷

একটি পরীক্ষা-নিরীক্ষার পরিবর্তে, প্রতিটি বৈশিষ্ট্য এবং রাতারাতি AUC পরিবর্তনের মধ্যে পারস্পরিক সম্পর্ক গণনা করা হয়েছিল এবং কম পরম rvalues ​​(0.1 এর থ্রেশহোল্ড) সহ বৈশিষ্ট্যগুলি সরানো হয়েছিল৷ অবশিষ্ট বৈশিষ্ট্যগুলি বোরুটালগরিদমের মাধ্যমে চালিত হয়েছিল, এবার রাতারাতি AUC পরিবর্তনের পূর্বাভাস দেওয়া হয়েছে।

এই বৈশিষ্ট্যগুলি, সেইসাথে শুধুমাত্র শীর্ষ বৈশিষ্ট্যগুলি, রৈখিক রিগ্রেশন এবং L2 রেগুলারাইজড রিগ্রেশন মডেলগুলিতে প্রবেশ করা হয়েছিল যা লেফট-আউট টেস্ট ডেটার পূর্বাভাস দেয়। রুট-মিন-স্কয়ার এরর (RMSE) মানগুলি গণনা করা হয়েছিল, এবং ভাঁজ জুড়ে গড় RMSE মানগুলি শুধুমাত্র ইন্টারসেপ্ট সহ একটি রৈখিক রিগ্রেশন থেকে পূর্বাভাস থেকে RMSE মানের সাথে তুলনা করা হয়েছিল।

চূড়ান্ত বিশ্লেষণ হিসাবে, আমরা শ্রেণীবিন্যাস বিশ্লেষণ থেকে বোরুটা-নির্বাচিত বৈশিষ্ট্যগুলি নিয়েছি, সেইসাথে রিগ্রেশন বিশ্লেষণ থেকে বোরুটা-নির্বাচিত বৈশিষ্ট্যগুলি, এবং সম্মিলিত বৈশিষ্ট্য সেটের সাথে পুনরায় শ্রেণীবিভাগ এবং রিগ্রেশন, সেইসাথে প্রতিটি সেট থেকে শীর্ষ বৈশিষ্ট্যগুলি নিয়েছি। শ্রেণীবিভাগ বিশ্লেষণ থেকে AUC মান এবং রিগ্রেশন বিশ্লেষণ থেকে RMSE মান প্রতিটি বৈশিষ্ট্য সেটের জন্য রিপোর্ট করা হয়।

For more information:1950477648nn@gmail.com