覚醒およびゆっくりとした波の睡眠状態における人間の電気皮質造影のスケールフリー特性の特性

多くの複雑な動的システムと同様に、脳はパワーロースケーリングに続くスケールフリーのダイナミクスを示します。脳の電気活動のブロードバンドパワースペクトル密度（PSD）は、周波数範囲間で異なるログ周波数指数を使用して状態依存のパワーロースケーリングを示します。自然に発生する広く発散する神経状態、覚醒およびゆっくりとした波の睡眠（SWS）を使用して、脳の電気活動のスケールフリーインデックスの変化の性質を評価しました。AwakeおよびSWS状態中に得られた電気皮質造影（ECOG）データを特徴付ける2つの分析アプローチを実証します。データ駆動型のアプローチが使用され、利用可能なすべての周波数範囲を特徴付けました。等しいエラー状態識別器（EESD）を使用して、単一の周波数範囲は、6つの被験者すべてのデータ全体で状態を最もよく特徴付けませんでしたが、個々の被験者の目覚めとSWS ECOGデータを区別する能力は優れていました。マルチセグメントの区分的線形フィットを使用して、周波数範囲全体（0.2〜200 Hz）にわたってスケールフリーの勾配を特徴付けました。これらのスケールフリーの勾配は、特に10 Hz未満の頻度で、被験者全体で目覚めた状態とSWS状態の間で異なり、70 Hzを超える頻度ではほとんど違いを示しませんでした。個々のバリエーションが見られましたが、マルチセグメントスロープインデックスを使用した多変量最尤分析（MMLA）メソッドのほとんどの被験者で正常に分類されたECOGデータ。AwakeとSWS ECOGデータの違いを調査する際に、これらの分析技術は、単一の周波数範囲の変化がこれら2つの分岐生物学的状態の違いを最もよく特徴づけないことを示しています。計算の扱いやすさの向上により、ECOGとEEGデータを特徴付けるためのスケールフリースロープ値の使用は、臨床および研究研究で実用的な価値を持ちます。

Like many complex dynamic systems, the brain exhibits scale-free dynamics that follow power-law scaling. Broadband power spectral density (PSD) of brain electrical activity exhibits state-dependent power-law scaling with a log frequency exponent that varies across frequency ranges. Widely divergent naturally occurring neural states, awake and slow wave sleep (SWS), were used to evaluate the nature of changes in scale-free indices of brain electrical activity. We demonstrate two analytic approaches to characterizing electrocorticographic (ECoG) data obtained during awake and SWS states. A data-driven approach was used, characterizing all available frequency ranges. Using an equal error state discriminator (EESD), a single frequency range did not best characterize state across data from all six subjects, though the ability to distinguish awake and SWS ECoG data in individual subjects was excellent. Multi-segment piecewise linear fits were used to characterize scale-free slopes across the entire frequency range (0.2-200 Hz). These scale-free slopes differed between awake and SWS states across subjects, particularly at frequencies below 10 Hz and showed little difference at frequencies above 70 Hz. A multivariate maximum likelihood analysis (MMLA) method using the multi-segment slope indices successfully categorized ECoG data in most subjects, though individual variation was seen. In exploring the differences between awake and SWS ECoG data, these analytic techniques show that no change in a single frequency range best characterizes differences between these two divergent biological states. With increasing computational tractability, the use of scale-free slope values to characterize ECoG and EEG data will have practical value in clinical and research studies.