危险心理状态的脑电图微观状态 (DEMETER)

• 研究目的：脑电图微状态转化整个大脑神经元网络的静息态时间动态。 在这里，研究人员的目的是看看脑电图微状态异常是否可以构成精神疾病的标志。

• 方法：将包括六组，每组 21 名参与者。 将有五组患有精神疾病的参与者（高危精神状态 - ARMS、首发精神病 - FEP、精神分裂症 - SCZ、重度抑郁症 - MDD 和自闭症谱系障碍 - ASD）和一组健康对照。 我们的主要目标是测试各组之间在休息和睡眠期间的平均值差异，针对表征每个微观状态（持续时间、频率、占用时间）的每个变量，以及其次是脑电图连通性测量（体感诱发电位）、皮质兴奋性（α波段功率）以及韵律和会话语言测量。

  • 关于微观状态测量：将记录 64 个通道的五分钟闭眼静息态脑电图（作为包括下面描述的感觉运动任务的更大任务的一部分）。 将使用 Python 上的 MNE EEG 软件完成最少的预处理，其中包括 0.5 至 40 Hz 之间的带通滤波器、参考平均值以及伪影的视觉和自动校正。 每个记录都将由临床神经生理学家进行视觉重新分析，以确保它确实是 α 主导的静息节律，没有任何残留伪影。 微观状态分析将使用 Pycrostates 包完成。 将为每个参与者确定全局场功率（GFP）。 通过修改的 K 均值聚类，仅保留 GFP 峰值处的 EEG 地形来确定微状态的地形。 对于每个受试者，将提取相同数量的 GFP 峰并将其连接成单个数据集以进行聚类。 综合得分将用于计算最佳簇数。 生成的聚类将被反向拟合到每个单独的地图。 将使用时间平滑来确保低 GFP 的峰间噪声周期不会中断准稳定片段的序列。 对于每个受试者，将为每个微状态类别计算三个参数：发生频率（“发生”）、时间覆盖范围（“覆盖”）和平均持续时间。 出现次数是给定微状态每秒出现的平均次数。 覆盖率（以 % 为单位）是在给定微观状态下花费的总分析时间的百分比。 平均持续时间（以毫秒为单位）是给定微观状态以不间断方式存在的平均时间（时间平滑后）。
  • 关于语言测量：每个参与者都会接受训练有素的实验者的半结构化访谈。 参与者和采访者均佩戴耳机 AKG-C544L 电容式麦克风，通过 AKG MPA VL 幻像适配器连接到 Zoom H4n Pro Handy 录音机。 语音以 44000 Hz（16 位）的采样率进行数字记录。 嘴和麦克风之间的距离尽可能保持恒定（2 厘米），以确保声音响度水平一致。 采访在安静的房间进行，以限制环境噪音；两个相互作用者放置得尽可能远，以防止串扰（即 采访者的讲话被参与者的麦克风捕捉到，反之亦然）。 从录音中获得的 .wav 文件使用 Praat 软件进行注释，然后使用 Praat 和 R 进行分析。使用 Prosogram 工具（一组 Praat 脚本，开源）和来自程序图工具。 使用新的 Praat 和 R 组合脚本提取轮流变量。
  • 关于感觉运动整合测量：使用视觉触觉任务研究感觉运动整合。 在每次试验中，坐在屏幕前的参与者都会收到视觉指令（屏幕右侧或左侧的点）。 该任务包括根据视觉指令，用相应手的食指按下位于身体两侧的两个按钮之一。 将振动触觉刺激器（连接到由放大器调制的 Arduino 电子卡的小型扬声器）应用于双手的第一背侧骨间肌。 在视觉指令之前 400 毫秒，两只手中的一只手在一只手上接收 100 毫秒的触觉提示（振动）。 该提示或多或少取决于块的可靠性。 在某些区块中，它相当可靠，因为 90% 的试验一致地呈现振动和视觉指令（指示同一只手）。 另一种情况是仅由 50% 的一致试验组成，在这种情况下，触觉提示不可靠。 中间执行两个具有 70% 一致情况的块。 最后，在任务开始和结束时呈现不包含任何触觉提示的基线块。 90% 和 50% 块的顺序是随机的。 触觉和视觉刺激是通过 MATLAB 脚本生成的。 每个块包含 100 个试验，总共 500 个试验。 在整个任务过程中，使用 64 通道 EEG 帽（来自 Biosemi）记录脑电图 (EEG) 数据，以记录大脑电活动。 该装置与眼动仪相连，以控制参与者在每个区块期间将十字固定在屏幕中心。
  • 关于多维自我和情景记忆任务（任务设计：Laboratoire Mémoire、Cerveau et Cognition）：在基线时，参与者将接受自我报告的问卷调查，评估他们在 8 个领域的最低自我意识（内感受意识的多维评估 - 版本 2） ）和 5 个领域的叙事自我意识（田纳西州自我概念量表 - 简短形式，现在）。 他们将接受神经心理学测试，评估他们的视觉情景记忆表现（韦克斯勒记忆量表 III 中的家庭照片）。 他们将在 4 个领域的视觉模拟量表（情绪视觉模拟量表）上评估他们当前的情绪状态。 在虚拟现实中的两次导航课程中，其中包括在虚拟城市中漫步，参与者遇到日常生活事件，这些事件旨在偶然编码在情景记忆中，与不同程度的自我参照相关联，之后，参与者将被提交给自我报告的问卷评估他们在 4 个领域的体现感（体现问卷）、他们在 4 个领域的存在感（Igroup 存在问卷）以及他们在 2 个领域的网络病（模拟器病问卷）。 他们将在视觉模拟量表（情绪视觉模拟量表）上再次评估他们当前的情绪状态。 最后，参与者将接受两项情景记忆测试：自由回忆任务和识别任务。 免费回忆将基于20分钟的口头访谈，在此期间参与者将被要求回忆他们记得在虚拟城市中遇到的所有事件。 对于每个事件，他们将被要求系统地、最精确地回忆：事件是什么、在导航过程中发生的地点和时间、发生在两个导航中的哪一个中（来源）、谁是根据哪个导航的所指对象评估该事件的个人意义、该事件的客观（感知）和主观（现象学）细节，以及该事件是否生动地重演或感觉仅仅是熟悉（记住/知道程序）。 识别测试将在计算机上进行，并使用 Python 模块 Neuropsydia 进行编程。 所有 32 个遇到的事件以及 16 个未遇到的诱饵混合在一起将以随机顺序成功显示在计算机屏幕上。 对于每个事件，将成功提出几个问题，参与者将在几个命题中点击他们认为正确的答案：他们是否遇到过该事件（是/否），如果是，则发生在哪里（图片上的几种可能的本地化位置）事件发生的区域）、事件发生时间（按时间顺序用两个其他事件替换该事件）、导航（第一次或第二次导航）以及谁是参照物（我/其他）。 对于每个事件，参与者还将对从 0 到 100 的范围进行评分：事件的重温或熟悉程度（100 = 记住，0 = 知道），记忆的视角（100 = 第一人称视角，0 =第三人称视角），其活泼性、保真度、情感强度、相关身体感觉的强度、情景自我参照和语义自我参照。

对于所有变量，研究人员将应用重复测量方差分析，并使用以下对比：

1. “ARMS、FEP、SCZ、ASD、MDD”与“健康受试者”（微观状态作为一般精神病理学的标志进行测试）；
2. “ARMS、FEP、SCZ”与“ASD、MDD”（微观状态作为精神病的特定标记进行测试；同样，将测试该特征对抑郁症和 ASD 的特异性）
3. “ARMS”与“FEP”与“SCZ”（微观状态作为进化标记进行测试）；

4. 最后，根据 UHR 转变为精神病的比率，可以对“UHR-T”与“UHR-NT”进行比较（微观状态作为精神病的预测标记进行测试。所有受试者都将进行深入的表型分析，包括神经心理学、精神病理学、神经软体征量表、结构 MRI 以及遗传和表观遗传测量。

   • 假设：与对照组、MDD 和 ARMS 相比，EEG 微观状态 C 和 D 的不平衡预计在整个精神病谱系和 ASD 中更加明显，并且与体感、内感受和语言特征的异常相关。