模型与数据双驱动的失眠脑电alpha节律研究 Study of EEG alpha rhythm in insomnia by combining clinical data and neural computational model 1 2 first-author 李强，男，陕西榆林人，从事神经计算建模、脑电数据分析、机器学习理论与算法等研究，1q1q@nwu.edu.cn。 李强，男，陕西榆林人，从事神经计算建模、脑电数据分析、机器学习理论与算法等研究，1q1q@nwu.edu.cn。 1q1q@nwu.edu.cn 2 1 corresp 成波，男，陕西安康人，教授，从事最优化理论与算法方向的研究工作，673700527@qq.com。 成波，男，陕西安康人，教授，从事最优化理论与算法方向的研究工作，673700527@qq.com。 673700527@qq.com 安康学院　数学与统计学院，陕西　安康　725000 安康学院　数学与统计学院，陕西　安康　725000 School of Mathematics and Statistics, Ankang University, Ankang 725000, China School of Mathematics and Statistics, Ankang University, Ankang 725000, China 西北大学　医学大数据研究中心，陕西　西安　710127 西北大学　医学大数据研究中心，陕西　西安　710127 Medical Big Data Research Center, Northwest University, Xi'an 710127, China Medical Big Data Research Center, Northwest University, Xi'an 710127, China 亢小玉 失眠是一种典型的睡眠障碍，以入睡困难、睡眠深度或频度过短、早醒及睡眠时间不足等为主要特征。临床上一些失眠患者在快速眼动（REM）睡眠期会出现明显的脑电alpha节律活动增强现象，但发生这一现象的内在机制尚不清楚。基于此，从计算神经科学的角度出发，结合Liley神经计算模型与临床失眠脑电数据，探索失眠患者在REM期典型放电节律的发生机制。首先，设计一种基于马尔可夫蒙特卡洛的Liley模型关键参数的自动选择与估计方法；其次，结合失眠患者脑电数据，确定影响alpha节律发放的模型关键参数，并据此给出失眠患者REM期脑电alpha节律活动增强的机制假设：抑制性突触活动强度的降低会诱导alpha节律活动的增强。所获结果对于改善失眠患者的睡眠质量并控制病情发展具有一定的指导作用和临床价值。 Insomnia is a typical sleep disorder, which is characterized by difficulty falling asleep, short duration of deep sleep and early awakening etc. Clinically, some patients with insomnia exhibit increased EEG alpha activity during rapid eye movement (REM) sleep stage, but the relevant biophysical mechanisms still remain unclear. Therefore, by combining Liley neural computational model and clinical EEG data from insomnia patients, this paper focuses on exploring the underlying mechanisms of the typical rhythms during REM stage of insomnia patient from a computational neuroscience perspective. Firstly, an automatic key parameter selection and estimation method for Liley model is designed based on Markov chain Monte Carlo algorithm. Secondly, by combining EEG data from insomnia patients, the key model parameters are identified and a mechanistic hypothesis of increased EEG alpha activity during REM stage is developed for insomnia patients: The decrease in the inhibitory synaptic activity leads to the enhanced alpha activity. The obtained results are helpful in improving the sleep quality and controlling the progression of insomnia patients. 失眠 脑电alpha节律 Liley模型 关键参数 insomnia EEG alpha rhythms Liley model key parameters 睡眠是诸多脑功能状态中的一种，是指大脑意识相对丧失、自主的肌肉活动消失、受适当刺激可完全恢复到清醒时的生理功能的一种自主行为 [ 1 1 ] 。睡眠占据了人一生近1/3的时间，在生理功能调节、记忆巩固、脑内代谢物清除以及生长发育等方面起着至关重要的作用。良好的睡眠有助于人们提高工作和学习效率，保持身心健康。根据R-K睡眠评估准则 [ 2 2 ] ，睡眠状态主要分为非快速眼动状态(non-rapid eye movement, NREM)和快速眼动状态(rapid eye movement, REM)。两种状态下大脑的放电活动是截然不同的，表现为脑电节律之间存在的显著差异(见 表1 表1 )。这些脑电节律的正常发放有助于维护睡眠稳定性 [ 3 3 - 5 5 3-5 ] 。 1 1 睡眠状态 1 1 典型脑电节律 1 4 NREM 1 1 K-复合波（频率1 Hz，振幅>75 μV） 1 1 theta波（频率4～7 Hz，振幅约20～150 μV） 1 1 纺锤波（频率11～15 Hz，振幅个体差异大） 1 1 慢波（频率1～3 Hz，振幅约10～20 μV） 1 2 REM 1 1 alpha波(频率8～13 Hz，振幅约20～100 μV) 1 1 锯齿波 睡眠障碍是指睡眠量和质的异常，或在睡眠过程中发生某些临床症状(如梦行症) [ 6 6 ] 。失眠是最常见且发病率极高的一种睡眠障碍，以入睡困难、睡眠维持困难及早醒等为主要特征，且每周至少发生3次并持续3个月以上 [ 7 7 ] 。尽管失眠在短期内不会直接威胁到人们的生命安全，但如果任由病情发展，会给患者带来一系列并发疾病(如精神类疾病、心脑血管疾病、代谢性疾病等)，甚至导致死亡。研究表明，临床上一些失眠患者在睡眠REM阶段，会出现明显的脑电alpha节律活动增强现象 [ 8 8 ] 。这一发现对于通过调节alpha节律的发放来控制失眠患者的病情发展具有重要的指导意义。然而，关于这一现象发生的内在机制目前尚不清楚。 作为一类基于生物物理基础的数学模型，神经计算模型(neural computational model, NCM)为探索、解释及验证大脑内各类生理病理现象的内在机制提供了一种有效途径 [ 9 9 ] 。NCM主要采用数学理论与方法对大脑内在生理病理机制进行建模，进而通过神经环路重建的方式来模拟电信号的产生、演变及传导等神经活动过程。神经集群模型是一类应用极为广泛的宏观神经计算模型，它将功能相似、结构相近的神经元看作为一个整体(即神经元集群)，并通过描述神经元集群的平均特性来反映其整体放电行为 [ 10 10 - 11 11 10-11 ] 。典型的神经集群模型包括Jansen模型 [ 12 12 ] 、Wendling模型 [ 13 13 ] 、Liley模型 [ 14 14 ] 、Suffczynski模型 [ 15 15 ] 等。其中，Liley模型结构简单且已成功应用于模拟NREM与REM睡眠状态转迁及对应的脑电节律 [ 16 16 - 17 17 16-17 ] 。 鉴于上述分析，本文将从计算神经科学的角度出发，结合Liley神经计算模型与临床失眠脑电数据，探索失眠患者在REM期典型放电节律的发生机制。首先，设计一种基于马尔可夫蒙特卡洛的Liley模型关键参数的自动选择与估计方法；其次，结合失眠患者脑电数据，确定影响alpha节律发放的模型关键参数，并据此给出失眠患者REM期脑电alpha节律活动增强的机制假设。 Liley神经计算模型 1 2002年，Liley等人通过考虑大脑皮层上神经元之间的兴奋性与抑制性连接，提出了一个用于研究哺乳动物大脑电活动中alpha节律发放机制的神经计算模型(简称为Liley模型)。本节将对Liley模型的拓扑结构与数学建模过程进行概述。 Liley模型包括两个神经元集群：兴奋性神经元集群(E)与抑制性神经元集群(I)，其拓扑结构如 图1 图1 所示。其中，集群E与I之间存在相互作用，且均存在自反馈作用以及来自丘脑的外部输入(分别记为 P ee 、 P ei )。 图1 图1 中黑色实线箭头表示由兴奋性神经递质谷氨酸AMPA受体所介导的兴奋性投射作用；黑色实线圆点表示由抑制性神经递质 γ 氨基丁酸GABA受体所介导的抑制性投射作用。 Liley模型的数学建模过程主要从以下3个方面来阐述。 1）突触后膜电位的数学刻画。 突触后膜电位 I ( t )由突触响应函数 h ( t )与突触传入的兴奋性和抑制性脉冲(采用平均脉冲发放速率 Q ( t )刻画)的卷积得到，即 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884182&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884199&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884189&type= 式中： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884204&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884206&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884196&type= 式中： Γ 表示突触后膜电位的最大幅值； γ 表示突触后膜电位的指数衰减时间尺度。 定义Laplace算子 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884211&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884230&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884216&type= ，则式(1)可表示为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884224&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884235&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884227&type= 进一步，可转化为如下二阶微分方程来进行求解 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884245&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884249&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884260&type= 2）胞体膜电位的数学刻画。 采用突触后膜电位 I ( t )的加权和刻画胞体膜电位 V ( t )，即 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884263&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884256&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884267&type= 式中： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884275&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884280&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884277&type= 表示权重； V eq 为平衡电位； V rest 为静息电位； τ 为膜时间常数。 3）平均脉冲发放速率的数学刻画。 由Sigmoid函数 S (·)作用于胞体膜电位 V ( t )，则可得平均脉冲发放速率 Q ( t )，即 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884291&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884284&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884287&type= 式中： Q max 为集群的最大脉冲发放速率； θ 为发放阈值； σ 为Sigmoid函数的梯度。 Liley模型中电活动的传导过程主要由两个计算模块来完成：“平均脉冲发放速率-胞体膜电位”计算模块(记为 Q - V )与“胞体膜电位-平均脉冲发放速率”计算模块(记为 V - Q )，如 图2 图2 所示。在第1个计算模块中(蓝色虚线)，脉冲输入 Q ( t )基于式(4)转换为突触后膜电位 I ( t )，然后由式(5)得到胞体膜电位 V ( t )；在第2个计算模块中(红色虚线)，胞体膜电位 V ( t )基于式(6)转换为平均脉冲发放速率 Q ( t )。 Liley模型的数学表达见式(7)，模型输出为兴奋性神经元集群的胞体膜电位 V e 。Liley模型中所有参数的生理学含义、参考取值及单位见 表2 表2 [ 14 14 , 18 18 - 19 19 18-19 ] 。 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884321&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884323&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884326&type= 1 1 参数 1 1 生理学含义 1 1 参考取值 1 1 单位 1 1 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884337&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884343&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884340&type= 1 2 静息电位值 1 1 [－80，－60] 1 2 mV 1 1 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884352&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884365&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884355&type= 1 1 [－80，－60] 1 1 N ee 1 4 突触连接强度 1 1 [2 000, 5 000] 1 4 / 1 1 N ei 1 1 [2 000, 5 000] 1 1 N ie 1 1 [100, 1 000] 1 1 N ii 1 1 [100, 1 000] 1 1 Γ e 1 2 突触后膜电位的最大幅值 1 1 [0.1, 2] 1 2 mV 1 1 Γ i 1 1 [0.1, 2] 1 1 γ e 1 2 突触后膜电位速率常数 1 1 [0.1, 1] 1 2 （ms） －1 1 1 γ i 1 1 [0.01, 0.5] 1 1 τ e 1 2 膜时间常数 1 1 [5, 150] 1 2 ms 1 1 τ i 1 1 [5, 150] 1 1 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884359&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884372&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884362&type= 1 2 最大脉冲发放速率 1 1 [0.05, 0.5] 1 1 （ms） －1 1 1 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884382&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884394&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884385&type= 1 1 [0.05, 0.5] 1 1 （ms） －1 1 1 θ e 1 2 发放速率阈值 1 1 [－55，－40] 1 2 mV 1 1 θ i 1 1 [－55，－40] 1 1 σ e 1 2 Sigmoid函数的陡度 1 1 [ 2 2 , 7 7 ] 1 2 mV 1 1 σ i 1 1 [ 2 2 , 7 7 ] 1 1 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884396&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884390&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884398&type= 1 2 平衡电位 1 1 [－20, 10] 1 2 mV 1 1 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884408&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884411&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884403&type= 1 1 [－20, 10] 1 1 P ee 1 2 丘脑投射速率 1 1 [0, 10] 1 2 （ms） －1 1 1 P ei 1 1 [0, 10] 模型关键参数的自动选择与估计方法 1 在Liley模型中，对模型行为影响较大的参数称为模型关键参数。如何从众多模型参数中自动选择出关键参数并对其进行分析，显然对于理解模型行为具有重要意义。本节给出一种数据驱动的模型关键参数的自动选择与估计方法，具体步骤可总结为如下算法1。 算法1 　给定脑电信号 S ，记 θ =( θ 1 ， θ 2 ，…， θ N )为模型参数，其中 N 为参数的总个数。 步骤1 　估计模型参数的后验分布。采用Welch方法计算脑电信号 S 的功率谱，记为 P ；通过对线性化Liley模型的传递函数进行傅里叶变换，进而计算模型的理论功率谱 [ 19 19 ] ，记为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884414&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884416&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884415&type= ( θ )。 记 π ( θ j )( j =1，2，…， N )为第 j 个参数的先验分布，采用马尔科夫蒙特卡洛算法估计参数 θ j 的后验分布，即 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884417&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884418&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884421&type= 其中 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884438&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884440&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884442&type= 式(8)～(9)的更多细节可见文献[ 19 19 - 20 20 19-20 ]。 步骤2 　选择模型关键参数。首先，针对每一参数 θ j ，计算其后验样本的均方根偏差 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884433&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884443&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884444&type= 式中： M 为参数 θ j 后验样本的总量； http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884437&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884451&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884453&type= 、 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884459&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884471&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884462&type= j 分别为参数 θ j 第 i 个后验样本及后验样本均值。 进一步，为了比较不同参数样本内部的离散程度，计算参数 θ j 后验样本的相对均方根偏差 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884467&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884474&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884485&type= 式中： θj max 、 θj min 分别表示参数 θ j 可取的最大值与最小值。显然，RRMSD θ j 的值越小，参数 θ j 后验分布范围相对更集中，即从脑电数据 S 中所获得的信息越多。 最后，按照从小到大的顺序对 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884486&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884501&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884488&type= 进行排序，并选择排序前 q %的参数作为模型关键参数，记为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884493&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884496&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884506&type= 。 步骤3 　确定模型关键参数的最优取值。针对上述所选择出的模型关键参数 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884513&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884531&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884514&type= ( r =1，2，…， T )，按照式(12)确定其最优取值 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884519&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884535&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884526&type= 实验结果及分析 1 脑电数据集 2 本文所使用的脑电数据来自于Kermanshah医科大学睡眠障碍研究中心临床采集的失眠脑电数据集 [ 21 21 ] 。该数据集的具体信息见 表3 表3 。 1 1 受试者状态及个数 1 1 年龄范围 1 1 性别 3 1 整夜多导睡眠监测（PSG）记录 1 1 采样率/Hz 1 2 健康受试者（11个） 1 2 27～57.8岁 1 1 男性6 1 4 14通道脑电信号 (C4A1，C3A2，F3，F4，C3，C4，A1，A2，O1，O2，F3A2, F4A1，O1A2，O2A1) 1 4 6通道眼电信号 (EOG1，EOG2，EOG1A1，EOG2A1，EOG1A2，EOG2A2) 1 4 3通道肌电信号 (EMG，EMG1，EMG2) 1 4 256 1 1 女性5 1 2 失眠患者（11个） 1 2 30.8～57.2岁 1 1 男性2 1 1 女性9 上述数据集中，每30 s脑电片段的睡眠状态评估结果均由睡眠专家根据AASM准则 [ 22 22 ] 进行了标注。针对健康受试者与失眠患者，分别随机选取450个REM睡眠期的30 s单通道脑电片段，并计算其功率谱。所选脑电通道为F4 [ 23 23 ] 。 图3(a) 图3(a) 和 图3(b) 图3(b) 分别展示了所选健康受试者和失眠患者的脑电片段对应的频谱图。从图中黑色椭圆圈标记处可以看出，相比于健康受试者，失眠患者脑电alpha节律所在频段(8～13 Hz)对应的功率谱值较大，这也验证了失眠患者REM期脑电alpha节律活动增强的结论。 影响脑电alpha节律活动的模型关键参数选择及其分析 2 本小节基于上述所得脑电片段的功率谱，结合本文所提算法1，确定影响脑电alpha节律活动的模型关键参数及其最优取值。 首先，以一个脑电片段为例对以上过程进行说明。 图4(a) 图4(a) 展示了来自“失眠患者1”的REM期10 s脑电片段，主要表现为alpha节律的发放。采用该脑电片段估计Liley模型中22个参数的后验分布，并对每个参数后验分别计算相对均方根偏差(RRMSD)。进而对RRMSD按照从小到大的顺序进行排序，并选择排序前5%(这里将算法1中的参数 q %设置为5%)的参数作为模型关键参数。 图5 图5 展示了所得的参数后验分布(红色)、先验分布(蓝色)及参数后验样本的RRMSD。从图中紫色椭圆圈标记处可以看出，参数 γ i 后验分布范围相对更小，对应的RRMSD值最小(RRMSD γ i =0.012)。由此说明，参数 γ i 从该数据中获得了更多信息，对于调节alpha节律活动具有重要作用，即为模型关键参数。 基于参数 γ i 的后验分布，由式(12)求得最优值 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884583&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884619&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=44884585&type= 并将其代入式(7)计算模型输出，得到模拟脑电信号，如 图4(b) 图4(b) 所示。 图4(c) 图4(c) 所示为真实脑电信号与模拟脑电信号(即模型输出)对应的功率谱。由 图4 图4 可以看出，模拟脑电信号与真实脑电信号的整体表现相似，尤其在频域特性方面。 其次，随机选取80个来自失眠患者的REM期30 s脑电片段，计算所有模型参数后验样本的RRMSD值，所得结果如 图6 图6 所示。可以看出，相比于其他参数，参数 γ i 后验样本的RRMSD值整体较小(图中红色框标记处所示)。由此可见，参数 γ i 确为对脑电alpha节律活动影响最大的关键参数。结合其生理学含义，可以得出：抑制性突触活动强度的变化可以影响失眠患者脑电alpha节律活动。 失眠患者脑电alpha节律活动增强的机制假设 2 本小节面向健康受试者与失眠患者，分别根据其脑电片段估计对应的参数 γ i 最优取值，并据此分析比较二者之间的差异性，进而给出失眠患者脑电alpha节律活动增强的一种机制解释。 随机选取80个来自健康受试者的REM期30 s脑电片段以及80个来自失眠患者的REM期30 s脑电片段。 图7 图7 展示了由这些脑电片段所得到的参数 γ i 最优取值的箱线图。从图中可以看出，相比于健康受试者，由失眠患者脑电片段得到的参数最优值整体偏高，即抑制性突触后膜电位的衰减速率是增加的，进而抑制性突触活动的强度是下降的。基于此，本文给出一种机制假设：抑制性突触活动强度的降低可诱导失眠患者REM期脑电alpha节律活动的增强。 结语 1 本文从计算神经科学的角度出发，结合Liley神经计算模型与临床失眠脑电数据，对失眠患者REM期脑电alpha节律活动增强现象进行了内在机制上的解释。具体地，设计了一种基于马尔可夫蒙特卡洛的Liley模型关键参数的自动选择与估计方法；采用临床采集的失眠患者脑电数据，通过数值实验验证了所提方法的有效性，确定了影响alpha节律发放的模型关键参数，并据此给出了失眠患者REM期脑电alpha节律活动增强的机制假设：抑制性突触活动强度的降低会诱导alpha节律活动的增强。所得结论对于通过调节alpha节律的发放来改善失眠患者睡眠质量并控制病情发展，具有一定的指导作用和临床价值。 参考文献 方光战 . 大鼠睡眠分期及脑电标度行为研究 [D]. 西安 : 电子科技大学 , 2010 . 大鼠睡眠分期及脑电标度行为研究 WOLPERT E A . A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects [J]. Archives of General Psychiatry , 1969 , 20 ( 2 ): 246 - 247 . A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects ROTH T . Slow wave sleep: Does it matter? [J]. Journal of Clinical Sleep Medicine , 2009 , 5 ( S2 ): S4 - S5 . Slow wave sleep: Does it matter? DANG-VU T T , MCKINNEY S M , BUXTON O M , et al . Spontaneous brain rhythms predict sleep stability in the face of noise [J]. Current biology , 2010 , 20 ( 15 ): R626 - R627 . Spontaneous brain rhythms predict sleep stability in the face of noise KIM A , LATCHOUMANE C , LEE S , et al . Optogenetically induced sleep spindle rhythms alter sleep architectures in mice [J]. Proceedings of the National Academy of Sciences , 2012 , 109 ( 50 ): 20673 - 20678 . Optogenetically induced sleep spindle rhythms alter sleep architectures in mice 于兰 , 贾占玲 . 睡眠与睡眠障碍 [M]. 长春 : 吉林人民出版社 , 2006 . 睡眠与睡眠障碍 牛思南 . 中西医治疗失眠症的研究进展 [J]. 中文科技期刊数据库(引文版)医药卫生 , 2022 ( 10 ): 308 - 310 . 中西医治疗失眠症的研究进展 NIU S N . Research progress of Chinese and Western medicine in the treatment of insomnia [J]. China Science and Technology Journal Database(Citation Edition) Medicine and Hygiene , 2022 ( 10 ): 308 - 310 . Research progress of Chinese and Western medicine in the treatment of insomnia ZHAO W , VAN SOMEREN E J W , LI C , et al . EEG spectral analysis in insomnia disorder: A systematic review and meta-analysis [J]. Sleep Medicine Reviews , 2021 , 59 : 101457 . EEG spectral analysis in insomnia disorder: A systematic review and meta-analysis DECO G , JIRSA V K , ROBINSON P A , et al . The dynamic brain: From spiking neurons to neural masses and cortical fields [J]. PLoS Computational Biology , 2008 , 4 ( 8 ): e1000092 . The dynamic brain: From spiking neurons to neural masses and cortical fields WENDLING F , BENQUET P , BARTOLOMEI F , et al . Computational models of epileptiform activity [J]. Journal of Neuroscience Methods , 2016 , 260 : 233 - 251 . Computational models of epileptiform activity 张瑞 , 潘敏 , 李斯卉 , 等 . 基于J&R模型的神经集群模型综述 [J]. 西北大学学报(自然科学版) , 2019 , 49 ( 1 ): 12 - 18 . 基于J&R模型的神经集群模型综述 ZHANG R , PAN M , LI S H , et al . A review on neural mass models based on J&R model [J]. Journal of Northwest University (Natural Science Edition) , 2019 , 49 ( 1 ): 12 - 18 . A review on neural mass models based on J&R model JANSEN B H , RIT V G . Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns [J]. Biological Cybernetics , 1995 , 73 ( 4 ): 357 - 366 . Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns WENDING F , BARTOTOMEI F , BELLANGER J J , et al . Epileptic fast activity can be explained by a model of impaired GABAergic dendritic inhibition [J]. European Journal of Neuroscience , 2002 , 15 ( 9 ): 1499 - 1508 . Epileptic fast activity can be explained by a model of impaired GABAergic dendritic inhibition LILEY D T J , CADUSCH P J , DAFILIS M P . A spatially continuous mean field theory of electrocortical activity [J]. Network: Computation in Neural Systems , 2001 , 13 ( 1 ): 67 . A spatially continuous mean field theory of electrocortical activity SUFFCZYNSKI P , KALITZIN S , DA SILVA F H L . Dynamics of non-convulsive epileptic phenomena modeled by a bistable neuronal network [J]. Neuroscience , 2004 , 126 ( 2 ): 467 - 484 . Dynamics of non-convulsive epileptic phenomena modeled by a bistable neuronal network STEYN-ROSS D A , STEYN-ROSS M L , SLEIGH J W , et al . The sleep cycle modelled as a cortical phase transition [J]. Journal of Biological Physics , 2005 , 31 ( 3/4 ): 547 - 569 . The sleep cycle modelled as a cortical phase transition LOPOUR B A , TASOGLU S , KIRSCH H E , et al . A continuous mapping of sleep states through association of EEG with a mesoscale cortical model [J]. Journal of Computational Neuroscience , 2011 , 30 ( 2 ): 471 - 487 . A continuous mapping of sleep states through association of EEG with a mesoscale cortical model BOJAK I , LILEY D T J . Modeling the effects of anesthesia on the electroencephalogram [J]. Physical Review E , 2005 , 71 ( 4 ): 041902 . Modeling the effects of anesthesia on the electroencephalogram HARTOYO A , CADUSCH P J , LILEY D T J , et al . Parameter estimation and identifiability in a neural population model for electro-cortical activity [J]. PLoS Computational Biology , 2019 , 15 ( 5 ): e1006694 . Parameter estimation and identifiability in a neural population model for electro-cortical activity MOUSSAOUI S , CARTERET C , BRIE D , et al . Bayesian analysis of spectral mixture data using Markov chain Monte Carlo methods [J]. Chemometrics and Intelligent Laboratory Systems , 2006 , 81 ( 2 ): 137 - 148 . Bayesian analysis of spectral mixture data using Markov chain Monte Carlo methods REZAEI M , MOHAMMADIH , KHAZAIE H . EEG/EOG/EMG data from a cross sectional study on psychophysiological insomnia and normal sleep subjects [J]. Data in Brief , 2017 , 15 : 314 - 319 . EEG/EOG/EMG data from a cross sectional study on psychophysiological insomnia and normal sleep subjects BERRY R B , BROOKS R , GAMALDO C E , et al . The AASM manual for the scoring of sleep and associated events [J]. Rules, Terminology and Technical Specifications, Darien, Illinois, American Academy of Sleep Medicine , 2012 , 176 : 2012 . The AASM manual for the scoring of sleep and associated events QU W , KAO C H , HONG H , et al . Single-channel EEG based insomnia detection with domain adaptation [J]. Computers in Biology and Medicine , 2021 , 139 : 104989 . Single-channel EEG based insomnia detection with domain adaptation 10.16152/j.cnki.xdxbzr.2023-03-005 O29 国家自然科学基金面上项目（12071369）；陕西省重点研发计划项目（2019ZDLSF02-09-02）；中国博士后科学基金面上项目（2022M722580）；陕西省自然科学基金青年项目（2023-JC-QN-0028） 2022-11-15 2023-06-25 2023-06-26 2023 39049129 西北大学学报（自然科学版） 3 53