导读

目的：睡眠纺锤波的改变与认知障碍有关。这一发现增加了人们对识别基于睡眠的认知和神经退行性疾病生物标志物(包括睡眠纺锤波)的兴趣。然而，围绕纺锤波定义和算法参数设置的灵活性带来了方法上的挑战。本研究的目的是描述纺锤波检测参数设置如何影响纺锤波特征与认知之间的关联，并确定与认知关联最强的参数。

方法：成年患者(n=167，49±18岁)在接受夜间诊断性多导睡眠监测记录疑似睡眠障碍后，完成NIH工具箱认知测试(NIH Toolbox Cognition Battery )。本研究在Luna(一个开源的纺锤波检测器)中探索了七个参数的1000种组合，并使用检测到的纺锤波的四个特征(振幅、密度、持续时间和峰值频率)来拟合线性多元回归模型，以预测认知得分。

结果：纺锤波特征(振幅、密度、持续时间和平均频率)与预测最佳纺锤波参数的原始流体认知得分(r=0.503)和年龄调整流体认知得分(r=0.315)的能力相关。相对于慢速纺锤波，快速纺锤波表现出更好的性能。无论参数设置如何，纺锤波特征对总体认知的预测能力较弱，对晶体认知的预测能力较差。

结论：通过对纺锤波检测参数的探索确定了流体认知研究的最佳参数，并揭示了参数相互作用对慢速和快速纺锤波的作用。本研究结果支持睡眠纺锤波作为基于睡眠的流体认知生物标志物。

意义：随着睡眠研究的兴起，为了研究睡眠纺锤波及其在各种神经精神疾病中的作用，自动纺锤波检测算法已成为越来越流行的研究工具。然而，自动纺锤波检测器参数的选择可能会影响被检测的纺锤波子集，并且它们与认知网络的相关性尚不清楚。这项研究证实，检测到的纺锤波及其与认知研究的功能相关性取决于所使用的参数设置。本研究结果为其他研究提供了参考纺锤波检测参数，并强调了在纺锤波与认知关联的研究中优化参数设置和解释相互作用的重要性。

引言

脑健康是一个新兴的研究重点，它描述了“在没有明显影响正常脑功能的脑疾病的情况下，在特定年龄保持最佳的大脑完整性以及心理和认知功能”。由于睡眠障碍和神经认知疾病与老年人发病率和死亡率的升高有关，睡眠已成为一种越来越受欢迎的大脑健康治疗目标。睡眠宏观结构的变化，包括睡眠效率和持续时间的降低，夜间清醒和睡眠碎片化的增加，这些都与衰老有关，且增加了患认知障碍的风险。

最近发现，与年龄相关的睡眠微观结构变化比睡眠宏观结构变化更明显。这些发现引发了使用EEG信号提取睡眠微特征的研究热潮，特别是睡眠纺锤波，作为神经退行性疾病和精神疾病的电生理学标记。纺锤波是非快速眼动(NREM)第二阶段睡眠的标志，其特征为11-16Hz的间歇性波动，持续0.5-3s。纺锤波机制在记忆巩固和睡眠感觉缺失中起着重要作用，是信息的载体波，有助于睡眠本身的衔接。尽管在个体间的差异很大，但纺锤波是一种NREM EEG“指纹”，具有较高的遗传性和较强的夜间稳定性。

虽然有时可以从视觉上识别纺锤波，但文献中定义的纺锤波频率范围是从8-12Hz之间开始，到15-17Hz之间结束。在临床实践中，纺锤波检测的主要用途是对NREM睡眠进行评分。然而，使用纺锤波分析作为精确工具来识别结果的电生理标记，需要更严格的和生理相关的标准。

根据EEG的地形和频率分布，将纺锤波进一步分为“慢速”和“快速”两种类型。慢纺锤波优先出现在额叶区域，而快纺锤波则集中在中央和顶叶区域。目前纺锤波检测的黄金标准是对脑电图的目视检查。然而，专家手动检查费时、易出错、主观性较强、仅限于小样本数据集。相比之下，自动检测方法允许重复分析，并且正在被逐渐优化。但这种方法缺乏对纺锤波定义的共识，并假设纺锤波的生理意义与当前可视化的黄金标准相关。此外，它忽略了自动检测算法的特定参数设置和纺锤体的生理相关性之间的潜在联系。本研究假设参数设置会影响睡眠纺锤波特征和认知之间的关联。为了评估这一假设，本研究使用认知测量作为黄金标准，并确定了与认知表现最相关的纺锤波检测参数。

研究方法

被试

被试来自马萨诸塞州总医院睡眠实验室的167名成年患者(≥18岁)，在接受夜间诊断性多导睡眠图(PSG)后完成了认知测试。排除标准包括痴呆或学习障碍的任何基线诊断；先前接受过认知测试；由于英语不流利或运动、视觉或听力障碍而无法完成测试。苯二氮卓类药物的使用不纳入排除标准。然而，鉴于它们能够增加纺锤体的活性，本研究对此进行了敏感性分析，以量化苯二氮卓类药物使用对总体结果的影响，且在PSG检查当晚要求被试报告药物使用情况。

认知测试

所有参与者都完成了NIH工具箱认知测试，该认知测试包含七个子测试，每个子测试测量一个认知子领域。流体认知分为五个子测试：维度变化卡片排序(DCCS)、侧翼抑制控制与注意(ICA)、列表排序工作记忆(LSWM)、模式比较处理速度(PCPS)和图片序列记忆(PSM)测试。另外两个子测试分为晶体认知和评估语言：图片词汇(PVT)和口语阅读识别(ORR)测试。为每个单独的子测试和三个综合认知指标(总认知、流体认知和晶体认知)生成绝对(未校正)和年龄校正标准分数。分数越高，表示每个认知领域的认知功能越好。在成人中，单个子测试显示出良好的重测信度，综合得分显示出良好的内部一致性、优秀的重测信度以及较强的收敛效度和区别效度。

EEG记录与信号处理

诊断性PSG过程中采集了6个通道的EEG和ECG记录。EEG信号以512Hz的频率记录，并被分割成不重叠的30s时间段，由有执照的睡眠技术人员按照美国睡眠医学会的标准手动评分。每个时间段都会被贴标签：清醒(W)，快速眼动，非快速眼动阶段1 (N1)，非快速眼动阶段2 (N2)，或非快速眼动阶段3 (N3)。一名睡眠神经学家手动审查和检查睡眠分数以进行质量控制。

研究者从以双侧乳突为参考的中央通道(C3-M2和C4-M1)和单个ECG通道中提取EEG信号。EEG和ECG信号重采样至256Hz，并用零相位带通滤波器分别在0.3~35Hz和0.3~40Hz范围内进行滤波。此前的一项研究表明，去除心电干扰后的EEG信号纺锤波密度更高。因此，本研究对EEG信号进行了ECG校正。为了去除ECG伪影，研究者计算了被试的瞬时心率，使用3s的窗口大小对其进行平滑，并使用Pan-Tompkins算法检测R峰。然后将R峰与EEG对齐，以创建一个平均信号，然后从EEG信号中减去。然后通过平均0.5s的间隔来检索被试的平均EEG特征，并减去任何与R峰一致的EEG特征。

ECG校正后，对EEG信号进行0.1~20Hz的带通滤波处理。然后检测并去除伪迹。最后，为了去除任何极端异常值，迭代设置异常值检测的阈值，以去除每四个时间段总指标(均方根和三个Hjorth参数)均值±3个标准差的时间段。仅纳入NREM阶段2的睡眠时段进行分析。

自动纺锤波检测

使用Luna(http://zzz.bwh.harvard.edu/luna/)生成睡眠纺锤波特征。Luna的自动纺锤波检测组件依赖于先前发表的Morlet小波变换。选取7个参数进行探索：(1)周期参数，周期参数在较高值时提高频率分辨率，在较低值时提高时间分辨率；(2)目标频率(fc)；(3)纺锤波质量度量(q)；(4)纺锤波检测的乘法阈值；(5)最小纺锤波持续时间(min)；(6)最大纺锤波持续时间(max)；以及(7)纺锤波之间的最大秒数，除非生成的纺锤波大于max参数（合并），否则它们应被视为单个纺锤波并因此合并。

统计分析

对所有可能的参数值进行配对得到29393280个可能的组合，使用基于蒙特卡罗的选择对1000个随机组合进行抽样，并对每个设置运行Luna来提取纺锤波特征。之所以选择这种参数组合选择方法，是因为不可能探索所有可能的参数组合，而且系统网格搜索实验的效率比随机抽样要低。在初步研究之后，对500个组合进行了第二次探索性分析。对每个患者的两个通道(C3-M2和C4-M1)的纺锤波特征进行平均。研究者先验地选择了四个感兴趣的纺锤波特征用于认知能力预测：纺锤波振幅、密度、持续时间和平均纺锤波频率。在分析之前，所有认知测量都进行了标准化(Z变换)。

利用这些特征，研究者拟合了一个线性回归模型来预测NIH工具箱中每个子测试和总体综合未校正标准分数上的认知表现。皮尔逊相关被用来比较测量的认知得分与优化回归模型预测的认知得分。为了避免过拟合，研究者使用10折交叉验证来评估模型的性能。最后，在整个数据集上重新拟合模型，以获得一组整体模型系数。并使用自举法重复1000次。

然后采用改进的百分位自举法比较模型之间的皮尔逊相关性。该方法首先要确定皮尔逊相关值最大的模型，然后应用自举法计算最佳模型与其他模型差异的置信区间。如果置信区间不跨零，则认为最佳模型更好。本研究的第一个目标是使用绝对(未校正)分数进行数据分析，确定最能测量纺锤波和认知之间原始关联的纺锤波检测参数，而不考虑其他因素。第二个目标是在调整年龄后，通过使用年龄校正分数来确定纺锤波和认知之间的独立关联，以解释在考虑了年龄因素后，纺锤波特征可解释的认知变化。

为了研究参数相互作用在模型性能中的作用，研究者使用降维工具t-SNE（t分布随机邻域嵌入）直观地检查了参数组合的分组行为；还研究了纳入纺锤波特征回归系数是否会改变t-SNE分组行为。最后，研究者将这些t-SNE图与第三个仅包含每个组合的平均纺锤波特征的图进行了比较。为了确定可视化的最佳超参数，通过改变T-SNE中的perplexity参数，并可视化地选择最佳值。所有其他参数设置都为默认选项。在可视化后，对495个选定的参数组合进行了分析。通过散点图对12.5Hz和14.5-16Hz的最佳组合的纺锤波特征进行了视觉检查，以年龄和认知表现为依据。

为了评估在认知障碍患者中的结果，研究者回顾了2009年至2017年在马萨诸塞州总医院睡眠实验室获得的多导睡眠图，并确定了患有痴呆和轻度认知障碍(MCI)的患者。利用性能最佳和最差的模型提取纺锤波特征(振幅、密度、持续时间、频率)。使用Cuzick趋势检验研究了纺锤波特征与认知障碍状态之间的关系。使用睡眠心脏健康研究(SHHS)进行外部验证，韦氏记忆量表(WMS)数据不完整或被诊断为认知障碍的被试被排除在分析之外。共476名被试被纳入验证数据集。对初始阶段随机选择的1000个参数组合以及最佳、默认和最差组合参数进行模型性能评估。

在检查连续变量之间的关联时，采用皮尔逊相关。根据置信区间定义估计相关的统计显著性，格式为X [Y，Z]。为了确定离散变量之间的关联，使用统计显著性p值＜.05的Cuzick趋势检验。所有的统计分析都是使用Python内置代码(https://www.python.org/)执行的。用于生成图片和完整回归分析的源代码可在https://github.com/mghcdac/spindle_optimization上获得。值得注意的是，Luna为纺锤波检测提供了推荐的默认参数值。研究者在这项工作中的目标是确定参数空间的哪一部分与认知的相关性最大化，而不是具体评估Luna默认参数。尽管如此，参考参数代表了一个重要的参考点，因此本研究提供了与默认参数的比较。

结果

NIH工具箱的所有子测试和综合测试中按年龄划分的认知测试和表现的得分分布情况分别如图1和图2所示。

图1.患者在NIH工具箱认知测试上的表现。

图2.将NIH工具箱认知各子测试和复合测试上的表现按年龄划分。以上是每个子测试和综合认知测量绝对分数(N=161)的散点图。晶体分数与年龄呈正相关，流体分数与年龄呈中度至强负相关。

总体性能趋势

对于流体智力，632/1000模型显著预测认知得分，并有95%的置信区间不包含相关或回归系数的零假设值。其中286个(45.25%)模型具有中等相关(≥0.4)。性能最佳模型(0.501[0.175，0.595])的纺锤波检测器参数如下：周期=6，中心频率(fc)=15.5Hz，质量度量(q)=0.3，阈值=5.5，最小纺锤波持续时间=0.4s，最大纺锤波持续时间=2.6s，合并=0.7s。模型细节和性能分别如表1和图3所示。

表1

在检查每个流体子测试后，发现在Flanker ICA测试中，具有相似性能的34/62(55%)模型具有快速纺锤活性，LSWM为116/280 (41%)，DCCS为221/290 (76%)，PCPS为262/458 (57%)，PSM为337/528(64%)。每个子测试的最佳性能模型分别如表1和图3所示。

就晶体智力而言，所有模型对综合和子测试分数的预测都很差。性能最佳的参数组合的预测与真实综合分数(−0.38[−0.47,0.06])、PVT(−0.39[−0.48,0.06])和ORR(−0.35[−0.45,0.01])呈负相关(图3)。

图3.睡眠纺锤波能适度预测流体认知，而对晶体认知的预测不佳。

对于总智力，299/1000模型能显著预测认知得分。在这些模型中，3个(1%)显示中等相关值(≥0.4)。性能最佳模型(0.407[0.066，0.495])的纺锤波检测器参数为：周期=7，中心频率(fc)=14Hz，质量度量(q)=0.7，阈值=6，最小纺锤波持续时间=0.4s，最大纺锤波持续时间=3.5s，合并=1s。模型细节和性能分别如表1和图3所示。使用改进的百分位自举法来比较所有模型的皮尔逊相关，发现性能最佳模型显著优于301个(30%)模型。在699个具有相似性能的模型中，203个(29%)具有快速纺锤体活性(FFT平均＞13Hz)的特征。

使用线性回归评估苯二氮卓类药物对认知的最佳参数组合的潜在影响。苯二氮卓的使用系数(25.00[−0.20，43.54])及其与预测评分(−25.34[−45.30，0.67])的相互作用无统计学意义。同样，AHI(呼吸紊乱指数)对最佳参数组合认知的影响在其模型系数(−9.33[−38.00，20.04])或与预测得分(7.47[−20.98，34.40])的相互作用方面不显著。虽然统计上不显著，但苯二氮卓类药物的净效应为负，因此与较差的认知预测相关。

分离参数设置与性能趋势

为了了解是什么驱动特定参数组合在预测流体认知时的表现，本研究进行了探索性预测分析。第一个探索性问题是参数之间的相互作用是否可以忽略不计。在目视检查时，某些参数设置始终表现出较差的性能(相关系数小)，例如fc＜11.5Hz。Cuzick趋势检验显示，在周期、中心频率和最小纺锤波持续时间的参数值上，性能有显著的趋势(周期：p=.002；中心频率：p＜2.2e-16；最小持续时间：p=.02；最大持续时间：p=.46；质量指标：p=.22；阈值：p=.19；合并：p=.87)。

参数设置和交互的影响

t-SNE图显示，在不同参数值下，预测认知较差(相关系数小)和预测认知较好(相关系数大)的模型之间存在离散边界(图4A)，并且随着回归系数的增加和仅使用平均纺锤波特征时，描绘效果略有改善(图4B和C)。

图4.t-SNE可视化显示了由皮尔逊相关值定义的低性能模型与高性能模型之间的离散边界。

研究者使用了平行坐标图使参数相互作用可视化。对于慢速纺锤波组合，观察到模型性能在fc=12.5Hz时达到峰值。当fc＞12Hz时，最小纺锤波持续时间＜6s和阈值＞4的组合通常对应着较好的模型性能。周期和fc之间也可以看到存在反比关系：对于较高的fc值，模型性能在较低的周期下越好；对于较低的fc值，模型性能在较高的周期下越好。对于最大纺锤波持续时间、q或合并设置，没有发现明确的参数相互作用或模型性能模式。

因为q没有显示任何趋势，也没有任何缺失值，所以在这些运行中，它被设置为零。此时性能最佳模型显示性能略有提高0.504[0.198，0.594])，并具有以下参数：周期=5，fc=15，q=0，阈值=5，最小纺锤波持续时间=0.4s，最大纺锤波持续时间=3.9s，合并=0.7。最终检验表明，当fc=12.5，周期=12，阈值＞4.5和最小纺锤波持续时间＜0.5s时，慢速纺锤波模型性能始终达到峰值(图5B)。当fc＞14Hz时，快速纺锤波参数组合的限制较小，相关性较大。在14.5Hz下，当周期=7、阈值＞4.5且最小纺锤波持续时间＜0.5s时，性能有所改善。当fc在15-15.5Hz之间，周期=5，最小纺锤波持续时间＜0.5s时，性能达到峰值。在fc=15.5Hz时，阈值＞4没有观察到明显的区别，而与fc=15Hz时的5.5相比，阈值=5时的改善最小(图5C)。

图5.由皮尔逊r值定义的不同参数组合的模型性能。

纺锤波的主要预测特征

平均纺锤波特征随频率的分布可参见补充材料。当检查每个中心频率的最佳参数组合时，发现测量频率值(FFT)和中心频率(fc)设置之间的差异大于14Hz(表2)。这些组合检测到纺锤波基于平均FFT的中心频率约为14Hz。

表2

从表2的前五个参数组合检测到的纺锤波特征与年龄的关系显示，纺锤波密度在快速和慢速纺锤波频率下随年龄的增长而下降。在老年患者中，尽管纺锤波密度降低，但与年轻患者相比，快速纺锤波的频率略高，并且在流体认知测试中较差的表现(相关性较小)与较高的快速纺锤波FFT平均值有关(图6)。

图6.按中心频率(fc)划分的前5个回归模型的纺锤波年龄特征。

年龄调整后的性能趋势

对于第二个目标，研究者使用年龄校正分数来评估所有参数组合。对于流体智力，141/1500模型(1000个初步组合和500个探索性组合)显著预测认知得分，并且有95%的置信区间不包含相关系数或回归系数的零假设值。其中29个(20.56%)模型的相关值中等(≥0.3)。性能最佳模型(0.315[0.109，0.402])的纺锤波检测器参数为：周期=8，中心频率(fc)=15Hz，质量度量(q)=0，阈值=5.5，最小纺锤波持续时间=0.2s，最大纺锤波持续时间=3.9s，合并=0.7s。使用修正的百分位自举法来比较所有模型的皮尔逊相关性，发现性能最佳模型的表现明显优于859个(86%)非显著模型。在其余141个精度无显著差异的模型中，110个(78%)具有快速纺锤活性(FFT平均＞13Hz)的特征。在检查流体子测试时，本研究只发现了DCCS测试的一个重要模型，其特征是快速纺锤体活性。所有模型与Flanker ICA的相关性都很差；包括相关性最强的模型(−0.34[−0.45，0.05])。LSWM的最佳性能模型(最大相关系数)呈现显著性趋势(0.25[−0.02，0.36])。

比较最佳设置和默认设置的性能趋势

当使用绝对评分时，以下默认参数组合可产生更好的预测性能(相关系数更大)：总分(0.32 [0.02，0.42])，流体智力(0.43 [0.11，0.52])，LSWM(0.31[0.04，0.42])，PCPS(0.37[0.05，0.47])，PSM(0.37[0.05，0.48])。相比之下，晶体智力(−0.18[−0.41，0.10])、PVT(−0.21[−0.41，0.08])、Flanker ICA(0.26[−0.04，0.38])、DCCS(0.27[−0.004，0.378])和ORR(−0.09[−0.36，0.11])检验的模型性能较差(相关系数小)。使用改进的百分位自举法来比较所有模型的皮尔逊相关，研究者只发现在晶体认知和PVT得分上的最佳性能参数模型和默认参数模型之间存在差异：总分(−0.09[−0.6,0.05])，流体(−0.08[−0.35，0.21]),晶体(−0.37[−0.56，−0.06])，PVT(−0.43[−0.60，−0.01])，Flanker ICA(−0.10[−0.37,0.09])，LSWM(−0.06[−0.33，0.20]),DCCS(−0.18[−0.45，0.13])，PCPS(−0.09[−0.40，0.19])，PSM(−0.09[−0.39，0.23])，ORR(−0.28[−0.56，0.11])。

当使用年龄调整分数时，所有默认参数组合都显示出较差的性能(相关系数小)：总分(0.15[-0.16，0.27])，流体(0.23[-0.09，0.34])，晶体(−0.06[−0.37，0.16])，PVT(−0.095[−0.38，0.14])，Flanker ICA(0.05[-0.23，0.20])，LSWM(0.10[-0.19，0.23])，DCCS(0.03[-0.28，0.20])，PCPS(0.27[-0.06，0.38])，PSM(0.22[-0.10，0.34])，ORR(−0.08[−0.35，0.13])。使用改进的百分位自举法来比较所有模型的皮尔逊相关，研究者发现最佳性能模型和默认参数模型之间没有差异。

认知障碍患者的表现趋势

为了评估在认知障碍患者中的结果，研究者比较了原始非痴呆数据集以及215名痴呆和308名MCI患者数据集中表现最好和最差的模型生成的认知障碍状态和纺锤波特征之间的关系。纺锤波特征分布如图7所示。Cuzick趋势检验显示，当选择最佳参数组合(密度：p＜2.2e-16；持续时间：p=.03；频率：p=8.5e-11；振幅：p=3.8e-08)，所有纺锤波特征都有显著趋势。对于性能最差的组合，纺锤波密度和振幅有显著趋势(密度：p=6.7e-06；持续时间：p=0.30；频率：p=0.54；振幅：p=5.9e-07)，尽管所有组的密度值都接近于0(图7)。

图7.按认知障碍状态分布的最佳和最差参数组合的纺锤波特征。

讨论

本研究的主要发现是，认知和睡眠纺锤波特征之间的关联强度取决于所使用的纺锤波检测参数和所测量的认知类型。具体而言，纺锤波特征根据纺锤波检测参数值可变地预测流体认知，并且无论选择什么参数，都不能很好地预测晶体认知。总体认知模型(与纺锤波特征之间)存在较弱的关联，当使用年龄调整分数时，这种关联变得不显著。流体认知和子测试的模型性能进一步受到纺锤波类型(快vs慢)的影响。快速纺锤波特征通常表现出更好的流体认知预测性能。在五个流体认知子测试中，只有工作记忆表现出对慢速纺锤波特征的偏好，59%的重要模型源自慢速纺锤波特征。当使用年龄调整分数时，快速纺锤波特征和慢纺锤波特征之间的性能差距扩大，78%的流体模型具有快速纺锤波特征，而使用绝对分数时，这一比例为60%。最后，研究了慢速纺锤波类型和快速纺锤波类型参数之间的相互作用。总的来说，本研究结果证明了自动纺锤波检测的参数设置会影响流体认知的预测效果，并强调了在使用自动纺锤波检测器时考虑参数相互作用的重要性。

最佳和默认检测器设置的性能趋势

当预测绝对分数时，研究者发现在本研究的样本量下，最佳(0.503)和默认(r=0.427)参数组合之间没有显著差异。当选择默认参数设置时，预测年龄调整分数的模型在所有认知测试中都显示出较差的性能，因此当使用默认参数时，考虑年龄后由纺锤波特征解释的认知变化较小，尽管本研究的样本量上发现的差异不具有统计学意义。预测绝对分数和年龄调整分数的目的是不同的，前者评估睡眠纺锤波和认知之间的关联，而后者试图评估纺锤波特征对认知的独立贡献。总的来说，本研究发现改变参数设置会导致观察到的关联具有可变性，如表现出更高或更低的性能，尽管默认参数通常代表了整体关联。

晶体认知和流体认知

当使用优化的参数来最大化相关系数时，自动纺锤波检测器提取的纺锤波特征能够适度预测(r=0.503)流体智力。流体智力是依赖于使用逻辑或抽象思维来识别模式的能力。相比之下，纺锤波特征无法准确地预测晶体智力，晶体智力衡量的是通过经验和教育获得的知识和技能。虽然最佳的晶体认知模型在预测分数和真实分数之间显示出中度负相关，但相关性并不显著。值得注意的是，流体智力和晶体智力是密切相关的，其反映了更高阶的一般认知能力。虽然这两种结构是相互关联的，但出于研究和治疗目的，它们通常被单独评估和报告，并且被认为受到脑健康的不同方面的不同影响。本研究对流体模型性能的发现与前人研究一致，即纺锤波特征与流体认知之间存在显著相关。

流体认知和纺锤频率

在具有等效性能的流体认知模型中，360(60%)具有快速纺锤波活性(FFT平均＞13Hz)。同样，每个流体子测试模型通常都有利于快速纺锤波活性。这一观察结果在DCCS(测量认知灵活性)中最为明显，其中76%的最佳性能模型源自快速纺锤波特征。当使用年龄调整分数进行分析时，所有表现最佳的模型都来自DCCS测试的快速纺锤波特征。同样，98%的PCPS模型和92%的PSM模型源自快速纺锤波特征。相比之下，所有模型对Flanker ICA和LSWM年龄调整评分的预测都很差，尽管后者在使用慢速纺锤波时具有显著性趋势。此外，本研究的发现也与AD和MCI中快速纺锤波(相对健康对照组)显著减少的证据相一致。在与衰老相关的睡眠微观结构变化以及AD和MCI的认知衰退中，快速纺锤波也显示出了其优势作用。

结论

当使用自动纺锤波探测器检测大脑健康时，应考虑参数设置和相互作用，因为它们会调节检测到的纺锤波特征及其生理意义。通过将认知测量作为调整纺锤波检测参数的黄金标准，纺锤波特征与预测流体认知分数的能力显著相关(r=0.503)。本研究的分析进一步确定了两个空间参数，它们分别表现出弱和中等的预测性能。相对于慢速纺锤波特征，快速纺锤波特征显示出更好的性能，未来的研究需要进一步评估这些纺锤波类型之间的功能差异。

原文：Noor, A. , Sun, H. , Wolfgang, G. , Ye, E. M. , LW Dümmer, & Tesh, R. A. , et al. (2022). Optimal spindle detection parameters for predicting cognitive performance. Sleep. Doi: 10.1093/sleep/zsac001