论文部分内容阅读
研究背景:随着社会节奏加快,人们的工作压力和生活压力也随之加剧,睡眠不足或睡眠剥夺（Sleep deprivation,SD）成为一种常见的社会现象和公共卫生问题。SD是指由于各种原因导致的睡眠缺失和睡眠不足的状态,以24小时内持续睡眠时间是否小于4h为衡量标准。SD会导致困倦、白天嗜睡,也会损害个体的认知功能,如注意力受损、记忆力减退和执行功能缺陷等。其中,受SD影响最为严重的注意力是持续性注意力,其受损主要表现为反应时间延长和注意力脱漏等,精神运动警觉性任务（Psychomotor vigilance task,PVT）是衡量持续性注意力水平的经典范式。尽管已有许多SD相关的PVT任务研究,但是SD导致个体持续性注意力变化的神经影像学机制还不明确。过去几十年成像技术迅速发展,现代脑神经成像技术已逐渐应用于SD研究领域,特别是静息态功能磁共振（Resting-State Functional Magnetic Resonance Imaging,rs-fMRI）,可无创性地检测大脑局部脑区神经代谢和功能活动,且不需要血管造影剂,具有实时、安全等特点,能够为揭示SD后持续性注意力损伤提供重要的影像学证据。另一方面,大量研究发现SD后个体的持续性注意力损害存在显著个体差异。有研究发现SD后部分研究对象的持续性注意力损伤高达135%,而部分研究对象的持续性注意力损伤却仅有0.6%,即个体之间存在显著的SD易损性差异。很多学者从行为学角度对SD易损性进行研究,发现SD后持续性注意力的易损性是个体稳定的、特质性的指标。现有SD易损性差异研究均是基于群体水平差异展开,所得结论不能很好的运用于个体SD易损性的分类预测上,缺乏一定的临床实践应用价值。随着机器学习（Machine learning,ML）技术的发展,通过将rs-fMRI数据结果和ML算法相结合构建SD易损性分类预测模型,能够在一定程度上提高分类预测模型的分类预测效果。目的:本论文将从SD对持续性注意力的影响以及基于rs-fMRI数据预测SD易损性两方面进行探讨。首先,使用rs-fMRI技术采集健康成人24小时完全SD前后fMRI数据,使用低频振幅分数（fractional Amplitude of low-frequency fluctuation,fALFF）方法研究脑区功能活动变化,并探索短期SD对持续性注意力的影响。其次,使用ML算法,结合第一部分研究的fALFF数据结果构建SD易损性分类预测模型并进一步选用基于图论的度中心性（Degree centrality,DC）来探究建立SD易损性分类预测模型的可行性。方法:（1）将50例健康志愿者纳入本研究,每例研究对象分别于正常睡眠清醒状态（Rest wakefulness,RW）和24小时SD后进行rs-fMRI扫描,使用PVT任务采集每例研究对象的持续性注意力行为学数据。使用fALFF方法对2次rs-fMRI数据进行分析处理,并将研究对象在SD前后的fALFF差值与执行PVT任务时注意力脱漏（反应时间＞500ms）次数的差值（ALSD-ALRW）进行相关性分析。（2）基于第一部分研究的数据,继续开展研究收集更多研究对象的SD及fMRI数据,根据PVT任务注意力脱漏差值将正常人群分为易损人群和耐受人群,采用ML方法构建分类预测模型对个体SD后持续性注意力易损性进行分类预测。使用第一部分研究的fALFF数据结果构建SD易损性分类预测模型并进一步选用大脑网络属性指标度DC来探究建立SD易损性分类预测模型的可行性。结果:（1）24小时SD严重影响持续性注意力水平,SD后大脑fALFF有明显变化,表现为以背外侧前额叶为主的额顶网络区域的fALFF降低及以丘脑为主的皮层下灰质区域fALFF升高。RW和SD后PVT任务脱漏数量的差值与颞中回fALFF的差值呈正相关（r=0.34,P=0.01）,与背外侧额上回fALFF的差值呈负相关（r=-0.32,P=0.02）。（2）使用fALFF和DC指标并结合SVM和LOOCV算法,均构建了SD易损性分类预测模型。其中fALFF分类预测模型的准确率为80.00%,灵敏度为76.00%,特异度为92.00%,曲线下的面积为0.843。DC分类预测模型的准确率为84.75%,灵敏度为82.76%,特异度为86.67%,曲线下的面积为0.939,相关性分析显示左侧丘脑SD前后DC变化（SD-RW）与PVT任务注意力脱漏差值呈显著负相关,r=-0.38,P=0.003。结论:（1）基于rs-fMRI的fALFF可以在神经影像层面探究SD导致的大脑神经活动和功能变化,研究认为额顶网络及丘脑等皮层下灰质区域自发神经活动的改变可能是SD后持续性注意力下降的重要原因。（2）基于rs-fMRI的fALFF和DC,结合ML方法均构建了SD易损性分类预测模型,在SD易损人群和耐受人群的分类预测上有较好的应用价值,默认模式网络和丘脑可能在调节SD易损性方面发挥着重要作用。