认知控制能力是大多数日常任务中的关键能力，与年龄相关的认知控制能力下降威胁到个人的独立性。作者之前在老年人和年轻人中都发现，经颅交流电刺激（tACS）可以改善认知控制，在远离受刺激部位和频率之外的神经区域观察到效果。在这里，作者评估延伸至刺激部位以外的神经活动的网络级变化，并评估了为这些效应服务的解剖学途径。作者研究了在老年人连续三天进行认知控制视频游戏干预时，使用前额叶（F3-F4）theta（6Hz）或对照（1Hz）tACS挽救衰老认知控制的潜力。通过EEG测量无tACS基线的额后相锁值（PLV）的每日变化评估功能连接性。使用基线时收集的MRI扩散成图数据测量结构连接性。theta tACS改善了多任务处理性能，个体增益反映了每日PLV变化的差异，其中thetat ACS加强了PLV，而对照tACS降低了PLV。theta tACS组增强的alpha-beta PLV与下纵束和胼胝体的完整性呈正相关，进一步解释了多任务处理增益。这些结果表明，theta tACS可以通过加强功能连接性，特别是在较高频段，来改善衰老中的认知控制。然而，功能连通性增益的程度受限于白质结构束的完整性。鉴于高龄与白质完整性降低有关，在高龄之前使用tACS作为一种治疗方法是最好的。
1. 引言
认知控制是指高级执行功能和复杂的目标导向过程。它对于大多数日常活动至关重要，这一重要过程在整个生命周期中都会下降，最终导致失去独立性。在衰老过程中，无法忽视干扰因素，特别是在多任务处理时，越来越增加了认知控制的下降。由于轻度认知障碍和阿尔茨海默病而导致认知能力下降的老年人是社会最大的经济负担之一，此外还有数十亿小时的家庭提供的援助。事实上，成功地针对衰老过程中的认知能力下降可能导致比疾病根除更大的经济影响。因此，在迅速老龄化的人口中恢复失去的认知控制能力并保持独立，对公共卫生至关重要。
在此，作者研究了使用无创神经刺激增强认知训练如何影响衰老时认知控制下的大脑连接性。同步神经活动是长距离大脑网络连接的核心机制，皮质振荡的相位反映了神经元活动的时间。重要功能（如视觉、注意力）是通过遥远但功能相关的神经元之间的相位同步实现的，具有不同的感觉和认知功能在不同的频率范围内工作。在认知控制中，额叶中线theta（3-7Hz）振荡被认为是由前扣带回与海马体同步产生的，使跨大脑区域的沟通成为可能。同样，认知控制中与年龄相关的认知能力下降与额叶中线theta振荡的下降有关。这种重要的联系强调了额叶中线theta振荡是对抗年龄相关认知衰退的目标。阐明这种干预改善老龄化认知的机制，有可能通过纠正认知能力的丧失和预防脆弱老龄化人群的衰退来提高生活质量。
与年龄相关的认知能力下降与皮质体积减少有关，特别是在前额叶皮质（PFC），这是支撑认知控制的关键区域。此外，白质完整性的恶化在老年人中很常见，特别是在较长的束中，从而降低了整个大脑中解剖连接质量。鉴于这些解剖学上的变化，功能连接在整个生命周期中也会发生变化也就不足为奇了，因为局部和区域间的动态都在衰老中被破坏。因为结构和功能连接对于维持认知至关重要，寻求改善老龄化认知的干预措施应确定并针对连接机制。识别这种机制的意义是巨大的，因为异常的连接模式也是许多临床疾病的基本特征。
同步脑节律的一种方法是通过无创经颅交流电刺激（tACS）。tACS以特定的频率诱导神经振荡，并且安全、可容忍和具有成本效益。当TACS成功同步脑节律时，功能连接性增加，这表明有望在整个生命周期内增强和挽救工作记忆。在年轻人中，PFC theta tACS也显示有希望改善持续注意力，这与加强背侧注意力网络中的alpha（8-12Hz）连接有关。在PFC theta tACS之后也观察到抑制控制的改善，但仅出现在theta频率与个体的峰值频率匹配时，这类似于工作记忆研究的结果。tACS最近的成功，在优化影响大脑网络时，为开发针对临床诊断涉及认知控制的个体的治疗方法奠定了基础。
作者以前在健康的老年人中证明了认知控制视频游戏训练范式的效用，其中多任务表现的改善与内侧PFC（即额叶中线theta）活动的增加以及内侧PFC和后部区域之间的同步有关。鉴于观察到的内侧PFC theta效应和额叶中线theta在认知控制中的重要性，作者接下来调查了内侧PFC的单次假控制theta tACS是否会增强年轻成年人的认知控制。与对照tACS（假）相比，接受theta tACS（6Hz）的参与者表现出增强的性能，并增加了宽波段EEG功率-特别是在beta（12-30Hz）频段内的后部区域。在一项后续研究中，作者在老年人的认知控制训练期间将theta tACS应用于内侧PFC。接受theta tACS（6Hz）的参与者比接受对照tACS（1Hz）的参与者表现出更大的行为增益，并且与年轻人类似，表现出后beta波段活动的增加。然而，群体差异并不像年轻人那样强烈。使用tACS诱导电场的个体化模型，作者发现与年龄相关的皮质萎缩减弱了到达皮质的刺激量，解释了老年人在表现结果方面的一些变化。
作者之前评估theta tACS对衰老影响的报告侧重于预先登记的假设，将tACS对表现的影响与区域神经解剖学和神经生理学联系起来。在此，鉴于已知的老年人大脑连接的可变性，作者认识到了网络级分析的重要性。因此，作者报告了新的分析，以确定结构和功能连接是如何在老龄化的认知控制训练中促进tACS的效果以及效果的频率特异性。作者缩小了分析范围，以研究训练期间观察到的行为和区域间神经变化，以及接受相同训练和刺激时间的活跃theta和对照tACS组之间的行为和区域间神经变化。基于作者以前的研究结果表明，在额叶theta tACS之后，后部频谱活动的波段变化，作者测试了以下假设：额叶theta tACS后的个体认知控制增益将与额后宽波段功能连接的增加有关，这反过来又与长距离白质束的完整性有关。支持这一假设的是最近的报告，将老年人中保存的白质与由alpha和gamma波段的长距离功能连接介导的认知控制保存联系起来。作者的发现：1）为额叶tACS如何影响长距离神经同步提供机理上的见解，2）促进应用研究，以挽救有进一步下降风险的老年人的认知控制，以及3）为衰老中的电生理脑网络模型提供信息。
2. 材料和方法
2.1 参与者
40名老年人（26名女性/14名男性；M±SD年龄，6Hz：66.45±4.99岁；1Hz：67.85±5.41岁）完成了为期一周的认知控制训练范式。所有受试者年龄在60至78岁之间，没有神经或精神疾病史（例如癫痫发作），没有脑肿瘤史，没有服用调节大脑兴奋性的药物（例如精神安定药、抗抑郁药、兴奋剂、催眠药），没有弱视、斜视或色盲，叶没有心脏起搏器。在入选前，所有参与者都完成了面对面的神经心理学筛查，其中包括：加州语言学习测试II、动物流利度、数字符号、患者健康问卷、Delis-Kaplan执行功能系统追踪、数字和数字-字母、斯特鲁普，日常认知测量，石原色缺失测试，身体评估（椅子坐姿和站立速度），听力和视力。所有参与者在12项神经心理学和身体功能评估中，每项的评分均在标准化分数的2SD范围内。蒙特利尔认知评估（MoCA）评分范围为23至30，并且在tACS组之间没有显着差异（M±SD，6Hz：27.05±2.50；1赫兹：26.05±2.67；p=0.25）。所有参与者都签署了由加州大学旧金山分校机构审查委员会批准的知情同意文件。参与者每小时获得20美元的参与和50美元的奖金来完成研究。
2.2 NeuroRacer范式
NeuroRacer认知控制视频游戏是使用OpenGL Utility Toolkit（GLUT；http://www.opengl.org/resources/libraries/glut/）开发的，作为一个多任务挑战，评估视觉辨别（标志匹配），同时执行视觉运动跟踪（驾驶汽车）。视觉运动跟踪驾驶任务要求参与者控制一辆不断移动的汽车在道路中心以固定的速度在黄色和红色的边界内行驶，同时道路水平转弯并上下山移动。视觉辨别标志匹配任务要求参与者用右手拇指按下同一控制器（Logitech控制器，美国）上的按钮。参与者被要求仅对带有绿色圆圈目标的标志做出反应，而忽略所有其他分散注意力的非目标（即带有蓝色和红色物体、五角星和正方形以及非绿色圆圈的标志）。这些标志每2-3s出现在汽车上方，在第一天的阈值测定期间，确定回应和被算作正确的窗口。
2.3 实验过程
参与者完成了为期一周的培训模式（图1）。第一天（星期一）开始进行结构性磁共振成像（见磁共振成像方法第2.6节）。然后，参与者完成了适应性NeuroRacer阈值化程序，在NeuroRacer训练期间同时进行的视觉运动和视觉辨别任务中独立评估他们的技能水平。难度的阈值是为了在每项任务上保持75-80%的准确性，并对应于250-1000ms之间的反应窗口（M±SD，6Hz：431±47ms；1Hz：545±41ms）。最后，参与者在各自的难度级别上分别完成了两次视觉运动和视觉辨别任务，以评估训练和神经刺激之前的反应时间（RT）。第二、第三和第四天（周二至周四）开始设置与所有后续任务配对的EEG/tACS设备。每天，参与者完成16次NeuroRacer的运行，在第8和第9次运行之间有30分钟的休息时间。为期一天的随访（星期五）从设置EEG开始，包括8次没有tACS的NeuroRacer运行。
图1.实验范式。A）从周一到周五的任务顺序。星期一的任务包括基线NeuroRacer阈值和MRI测量，没有tACS。接下来的三天包括8次EEG和tACS NeuroRacer多任务评估。周五有8次EEG和tACS的NeuroRacer测试，没有tACS。B）脑电图电极位置用黑色标记，tACS刺激位置用橙色标记（F3-F4）。在非tACS运行期间，刺激电极记录脑电活动。C）每个训练环节的任务时间表。周五的训练只包含8次NeuroRacer的运行。D）在NeuroRacer运行过程中的刺激时间，有tACS（上）和EEG记录（下）。
2.4 神经刺激方案
参与者被随机分配到两种tACS条件（6Hz或1Hz）之一，因此每组有20名参与者。tACS通过Starstim设备（Neuroelectrics，西班牙）提供的3.14cm2的电极放置在双侧PFC（F3，F4；10-20系统），峰值为2mA，电流在刺激开始和结束时上升和下降了10s。刺激运行时，在参与者进行NeuroRacer训练时提供tACS。在应用tACS的日子里（周二至周四；tACS1-3），两组都在每天的第3-6次和第11-14次跑步中接受TACS。在没有tACS的运行中（运行1-2，7-10，15-16），参与者经历了10秒的上升，然后立即回落，这时的EEG被记录为没有tACS伪影。在16次运行后，参与者填写了一份调查表，对潜在的副作用进行评分，从0到10：头痛、颈部疼痛、头皮疼痛、刺痛、瘙痒、烧灼感、警觉性、困倦、注意力不集中、急性情绪变化和磷光体。
2.5 EEG采集和预处理
电生理数据是用凝胶电极Starstim32通道系统（Neuroelectrics，西班牙）收集的，采样率为500Hz。在设置期间，在开始数据收集之前，会根据需要目视检查和调整通道。在NeuroRacer期间监测通道，如果它们因任何原因而失真，则在每次运行之前进行调整。一个电极用作眼电图（EOG）通道，其余31个通道分布在头皮上（P8、T8、CP6、F8、AF4、C4、P4、AFz、Fp2、Fp1、Fpz、Fz、F4、Cz、PO8、PO3、O1、Oz、O2、PO4、Pz、PO7、FCz、P3、C3、F3、AF3、F7、CP5、T7、P7；10-20系统；图1B）。在NeuroRacer运行期间充当EEG，其中EEG是在没有tACS情况下记录的。
预处理是使用定制的MATLAB（MathWorks，Natick，MA）脚本和FieldTrip工具箱进行的。原始EEG数据首先通过0.5-50Hz双通巴特沃斯无限脉冲响应滤波器进行带通。然后，NeuroRacer数据被分割成符号开始时的2sepochs，并对平均EEG信号进行去重、去趋势和重参考。在进行独立成分分析之前，去除了噪声过大的通道（比所有通道的平均值高2SD，平均去除量：4.71，SD：2.59，IQR：4）和噪声过大的试验（±500μV）。接下来，作者去除了被眨眼和肌肉运动污染的成分（平均去除：2.27，SD：1.49，IQR：2）。如果检测到残余噪声为±75μV（每次运行的平均试验移除量：27.05，SD：22.01，IQR：29.19），则将试验标记为排斥试验。作者对所有标记为排斥反应的试验和渠道进行了审查，以确保阈值是合适的。在试验被拒绝后，缺失的通道与相邻通道的平均值进行插值。
作者选择不进行头皮表面拉普拉斯滤波器，以与这些数据的先前报告保持一致，并且因为拉普拉斯可以减少长距离相干测量。如下所述（第2.7.2节和第2.7.4节），对基线以来EEG的变化进行了分析。这是EEG研究中对个体变化的常用方法，也是作者以前用于分析刺激效应的方法，无论EEG头帽密度或预处理程序如何。其他结果是基于基线EEG和行为之间的相关性。没有基于EEG信号的解剖来源提出任何声明。
2.6 核磁共振成像数据收集
所有数据均由西门子3T MAGNETOM Trio MRI收集。在所有基线测量和tACS（星期一）之前，获得了高分辨率的T1（1.4×1.4×1.4mm体素大小，FOV=270×270mm，TR=2300ms，TE=2.75ms，FA=9°）和T2（1.4×1.4×1.4mm体素大小，FOV=270×270mm，TR=4000ms，TE=207ms，FA=160°）扫描。接下来，将扩散加权成像（DWI）数据作为10个初始非扩散加权图像（b=0s/mm2），然后是96张扩散加权图像（b=2500s/mm2，TR=2420，TE=72.2，FA=85°）。
2.7 分析
2.7.1 行为
为了评估NeuroRacer在整个训练和随访过程中的表现，作者计算了所有目标验的RT。值得注意的是，作者之前关于这些数据的报告侧重于预先登记的d-prime（d'）作为区分能力指标，这些指标仅在单独预先确定（阈值）RT窗口内计数，并且此窗口之外的所有响应都被标记为不正确。此处，作者专注于目标检测RT，以完全捕获整个研究中的行为改进，而没有任何二元正确或不正确的限制。由于所有参与者在初始训练日（星期二）的前两次NeuroRacer运行中都接受了verum刺激，因此作者平均了这些运行的平均RT分数，以作为训练变化的基线。所有未应用tACS的NeuroRacer运行的表现被平均在一起，以获得每个tACS日（周二至周四：tACS1-3）和一天随访（周五）的表现衡量标准。这种方法确保了tACS伪影不会污染EEG信号，并能够对行为和EEG数据的变化进行可比的评估。
2.7.2 脑电图
为了评估tACS和认知控制训练对功能连接的影响，为没有tACS的情况下计算了相锁值（PLV）（运行1-2，7-10，15-16）。PLV表示在同一时间窗口中出现的两个信号之间的相位协方差，并且仅考虑相位，这使得PLV独立于幅度的差异。PLV被选中是为了与其他研究小组的先前衰老研究保持一致，以及作者之前的神经刺激和认知训练研究一致。频谱分解是使用多分频方法对每个通道进行的，如FieldTrip中实现的那样。将2s试验数据段从零填充到10s以最小化滤波引起的边缘伪影，并且通过在每个频率（3-50Hz，1/4Hz小数带宽，取整）上以10ms为增量滑动500ms窗口来计算多锥体时间频谱。与NeuroRacer以前的分析一样，PLV分析的时间窗口被限制在征兆发生后的300-500ms。在所有额部（AFz、AF3、AF4、Fz、F3、F4）和后部（Pz、P3、P4、P7、P8、PO3、PO4、PO7、PO8、Oz、O1、O2）通道之间计算PLV，然后跨通道求平均值，从而得出每个时间和频率的一个PLV值。值得注意的是，PLV仅在额叶和后部区域之间进行分析，因为作者的假设与长距离相干性有关，并且PLV的局部测量容易受到体积传导的影响。为了进行分析，在200ms的多任务处理时代中，在规范频段对PLV进行平均：theta（3-7Hz），alpha（8-12Hz），beta（13-29Hz）和gamma（30-50Hz）。至关重要的是，作者报告PLV变化评分（通过减去多任务基线NeuroRacer运行）和统计数据，以评估tACS对体积传导混杂的影响和控制，这在几天之间没有变化。
2.7.3 扩散加权成像
使用大脑功能磁共振软件库（FSL；Analysis Group，FMRIB，Oxford，United Kingdom）对DWI数据进行预处理。脑提取工具用于去除非皮质组织。涡流校正用于校正头部运动和涡流畸变。接下来，应用DTIfit来计算每个个体的分数各向异性（FA）图。FA图被输入到基于区域的空间统计（TBSS）中，通过与公共空间对齐（FMRIB58_FA；FA>阈值为0.2）来创建平均FA骨架。用约翰霍普金斯大学的FSL白质图谱为感兴趣的区段创建白质掩膜。作者分析了8个候选束，4个关联束（半球内，前后：上纵束（SLF），下纵束（ILF），额枕束（FOF），扣带回（CG））和4个共生束（半球之间，左右：前胼胝体（AC），胼胝体(CCB)、大钳(FMa)、小钳(FMi)）。鉴于作者之前的观察，前额theta tACS会影响NeuroRacer期间的后部频谱活动，因此选择了关联束，而小脑束被选中是因为tACS是双侧应用的。
2.7.4 统计分析
除非另有说明，否则所有分析都是使用JASP统计软件进行的。分析侧重于RT成本，其计算为多任务RT和基线单任务RT（前tACS）之间的差异。当注意力被分配到两个任务之间时，RT成本是RT衰减的敏感指标，降低RT成本意味着多任务处理性能的提高。通过关注RT成本，此方法还可以控制各个前tACS阈值之间的差异。
为了研究所有参与者的年龄和白质束之间的关系，作者分别在四个关联（SLF，ILF，FOF，CG）或四个分生（AC，CCB，FMa，FMi）中以年龄为因变量和FA作为预测因子进行了逐步线性回归。此外，作者使用随机，FSL非参数包络推断工具对组间FA进行了探索性分析，以衡量基线FA的任何潜在组间差异。多重比较使用p<0.05的无阈值聚类增强进行校正。为了研究所有参与者的PLV和多任务RT之间的基线关系，作者以原始基线多任务RT为因变量，以四个频段（theta，alpha，beta和gamma）的基线PLV为预测因素进行逐步线性回归。
RT成本的组别差异由5个时段（基线，tACS1，tACS2，tACS3，随访）×2组（6Hz，1Hz）混合重复测量方差分析（rm-ANOVA）和事后独立样本t检验确定，取决于会话和组之间的显着相互作用。这些分析确定了小组差异最大的时段（即θtACS效应），并确定该时段为所有后续分析的重点。PLV的组水平变化（计算为多任务基线NeuroRacer运行的变化）由4个频率（theta，alpha，beta和gamma）×2组（6Hz，1Hz）混合rm-ANOVA和事后独立样本t检验确定，取决于频率和组之间的显着相互作用。在频率主效应的情况下，事后测试对比了每对波段。
为了研究单个白质微观结构对PLV变化的贡献，作者进行了逐步线性回归，将每个PLV频段的变化分别作为因变量，四个关联和四个共生束中的FA分别作为预测因子。这些分析是按theta tACS组进行的，以确定导致theta tACS组PLV增加的束。接下来，为了研究功能和结构连接措施对theta tACS组行为增益的综合贡献，作者进行了两次以RT成本变化为因变量的多元回归，以及从后续线性回归中识别为预测因子的4个PLV频率的PLV变化和单个关联或共生束。最后，为了研究无论tACS治疗如何，PLV变化对行为增益的贡献，作者对所有参与者进行了逐步线性回归，其中RT成本变化作为因变量，PLV在四个频带的变化作为预测因子。
逐步回归用于提取因变量的最强预测变量，如果存在的话，总是从四个预测因子（联想或小脑束的FA，各频段的PLV）中选择。这种有原则的探索使显著性测试成为可能，同时最大限度地减少了多次比较。对于每个逐步回归，作者使用分步生成的模型研究了预测变量对因变量的影响，方法是删除与因变量相关性最低的预测变量，p>0.1。这个过程在每一步都继续进行，进一步去除预测因子，只有在模型中不再有满足p>0.1的消除标准的预测因子时才停止。作者报告预测因子在p<0.05时显著的模型的结果，并为最终模型提供统计数据。对于每个逐步回归和多元回归，作者报告统计量（t）、显著性（p）、非标准化回归系数（b）、95%置信区间（CI）、最终模型中预测变量解释的方差（R2）和标准化残差（Std.Residual），用于评估截止值为±3的数据正态分布。Bootstrapping确定未标准化回归系数（b）和95%CI（1000次迭代），在JASP中实现。
3. 结果
3.1 基线测量
作者首先研究了年龄与白质完整性之间的关系。以四个关联束（SLF、ILF、FOF、CG）为预测因子的逐步线性回归显示，ILF中年龄与FA之间存在显著的负相关（t=−2.53，p=0.016，b=−403.15，95%CI=[−712.31，−47.67]，R2=0.16，Std.Residual=[−1.93，1.52]）。以四个共生束（AC、CCB、FMa、FMi）为预测因子的逐步线性回归也显示AC中年龄与FA之间存在显著的负相关（t=−2.56，p=0.015，b=−255.58，95%CI=[−412.30，−50.31]）和FMa（t=−2.16，p=0.038，b=−340.91，95%CI=[−595.02，−16.40]，R2=0.31，Std.Residual=[−2.05，1.67]）。这些结果与白质微观结构年龄相关下降的文献一致。重要的是，随机化的输出表明，在p=0.05的阈值下，tACS组之间没有FA差异。
接下来，作者评估了基线多任务处理性能（原始RT，在多任务训练之前）是否与基线PLV相关。以多任务RT为因变量的逐步回归和四个频段（theta，alpha，beta和gamma）中的PLV作为预测因子，揭示了基线RT与theta PLV之间存在显著的负相关（t=−2.19，p=0.035，b=−0.27，95%CI=[−0.52，−0.07]，R2=0.12，Std.Residual=[−1.75，2.37]；图2A），支持作者之前的发现以及选择theta作为应用于内侧PFC的有效频率。与RT成本没有显着的逐步相关性，这意味着theta PLV预测了多任务RT，但没有预测RT被同时执行两个任务的具体影响程度。
图2.A）所有参与者的数据都包含在逐步回归模型中，基线多任务RT的因变量与基线thetaPLV的显著预测因素。P值由显著的逐步模型产生。黑色趋势线代表两组，参与者以颜色编码，表示他们以后将接受的tACS治疗（橙色，6Hz；灰色，1Hz）。B）多任务与单一任务相比，在每个环节的RT上的成本。接受6Hz tACS治疗的小组比接受1Hz tACS治疗的小组有更快和更大的收益。P值产生于时间×组的交互作用。后续分析显示，在tACS2的RT成本变化上有显著的组别差异（用小星号表示）。C) tACS2上各PLV频段的组别变化。theta tACS增加了PLV，控制tACS减少了PLV。P值产生于tACS组的主效应
3.2 theta tACS提高了多任务处理
为了确定与对照tACS相比，theta后最大多任务处理增益的时段，作者进行了混合的rm-ANOVA，以每日RT成本为因变量，以时段为主体内因子（基线，tACS1，tACS2，tACS3，随访）和以tACS组为主体间因子（6Hz，1Hz）。rm-ANOVA时段的主要效应（F4,152=60.26，p<0.001），使得多任务训练后性能得到改善。重要的是，重要的时段×小组互动（F4,152=2.62，p=0.037）确认6Hz tACS导致增益大于1Hz tACS（图2B）。受试者间组间主要效应不显著（p=0.10）。作者进行了独立样本t检验以确定每日组差异，并在tACS2上观察到最大组差异（星期三；38=2.19，p=0.035，Cohen's d=0.69）。tACS3效应略有显著（t38=1.98，p=0.055，Cohen's d=0.63）。在基线（p=0.91）或tACS1（p=0.12）或随访（p=0.12）时，RT成本在两组之间没有显着差异。出于这个原因，作者使用来自tACS2的数据作为示例会话，以确定行为增益中潜在的群体差异的连接度量。
3.3 thetatACS增加功能连接性
为了确定theta tACS是否增加了EEG中的功能连接性，作者使用tACS2作为示例时段，对PLV频率（从多任务基线NeuroRacer运行的变化）的主体内因子和tACS组的主体间因子之间进行了混合的rm-ANOVA。rm-ANOVA揭示了频率的显著主效应（F3,108=3.05，p=0.032）和组（F1,36=6.71，p=0.014），没有频率×组相互作用（p=0.691）。alpha PLV比gamma PLV增加更多（t=2.83，p=0.034，Cohen's d=0.46，其他p≥0.114）。如图2C所示，theta tACS增加了PLV，而对照tACS减少了PLV。相同的rm-ANOVA与基线PLV的主体内因子的混合证实，在tACS干预之前没有显着的组差异（F1,36=1.15，p=0.290）。
3.4 功能连接的个体变化与大脑结构有关
接下来，作者以tACS2为示例，通过评估基线白质FA对PLV变化的贡献，研究了结构和功能连接之间的关系。具体而言，作者试图确定支持theta tACS组中PLV增加的白质束（见图2C）。出于这个原因，作者对6Hz和1Hz tACS组进行了单独的逐步线性回归。在6Hz tACS组中，以thetaPLV的变化为因变量，以四个关联束为预测因子的逐步回归显示，ILF中与FA存在显著的正相关（t=2.81，p=0.012，b=10.06，95%CI=[5.12，13.31]，R2=0.33，Std.Residual=[−1.94，1.47]）。在alpha PLV变化的因变量（t=3.13，p=0.007，b=8.81，95%CI=[2.76，14.12]，R2=0.38，Std.Residual=[−1.66，1.39]），beta PLV（t=3.98，p=0.001，b=10.88，95%CI=[4.99，16.49]，R2=0.50，Std.Residual=[−2.33，1.78]），和gamma PLV（t=2.69，p=0.016，b=11.03，95%CI=[2.08，20.66]，R2=0.31，Std.Residual=[−2.78，1.66]）。以四个共生束作为预测因子重复这种方法，发现CCB中FA与FA和theta PLV变化的因变量有显着的正相关（t=3.41，p=0.004，b=8.79，95%CI=[4.38，16.70]，R2=0.42，Std.Residual=[−1.68，1.44]），alpha PLV（t=3.16，p=0.006，b=7.21，95%CI=[1.29，11.80]，R2=0.38，Std.Residual=[−1.87，1.32]），和beta PLV（t=3.34，p=0.004，b=7.83，95%CI=[2.29，12.81]，R2=0.41，Std.Residual=[−2.30，1.80]）。如图3所示，PLV（tACS后）增幅最大的参与者在基线（tACS前）的FA值最高。相比之下，对1Hz组的相同分析没有显示显着的关联。
图3.Theta、alpha、beta和gammaPLV的变化是基线ILF（A）和CCB（B）完整性的函数。P值代表ILF或CCBFA对6Hz组PLV变化的最终模型的预测意义。插图表示MNI空间中的神经束掩码。请注意，CCB显示为绿色。
为了确保基线FA而不是基线PLV预测tACS诱导的PLV增加，作者进行了验证性协方差分析（ANCOVAs），每个PLV频率有一个ILF或CCBFA作为协变量。首先，作者将每个PLV变化评分因变量替换为tACS2 PLV，并将基线PLV作为协变量输入。其次，作者输入组作为主体间因素。在ILF区域的每个ANCOVA中，组和FA都存在显着的相互作用（theta F1,30=14.27，p<0.001，alpha F1,30=12.07，p<0.001，beta F1,30=12.62，p=0.001，gamma F1,30=5.88，p=0.022）和在CCB区域（theta F1,30=16.65，p<0.001，alpha F1,30=11.53，p=0.002，beta F1,30=9.82，p=0.004，gamma F1,30=4.51，p=0.042）。
3.5 与大脑结构相关的功能连接的个体变化预测多任务处理收益
事后多元回归分析检查了6Hz组中的多任务处理增益是否通过PLV和单个大脑结构的变化进行双重预测。以RT成本变化为因变量，以ILF或CCBFA和PLV-FA相互作用为预测因子的4个波段的PLV变化进行多元回归。为了评估大脑结构（白质FA）和功能（PLV）的双重贡献，作者只关注PLV变化和FA的相互作用。ILF模型显示，基线时ILF FA较大的个体在alpha波段显示出更大的多任务处理增益和PLV的增强（t=2.56，p=0.034，b=798.68，95% CI=[−2442.16，11，759.65]，R2=0.74，Std.Residual =[−1.39，1.91]）。beta波段与PLV强化的相互作用略有显著性（t=−2.29，p=0.051，b=−706.54，95% CI=[−110，028.94，1482.53]）。CCB模型显示，基线时CCB FA较大的个体在alpha中显示出更大的多任务处理收益和PLV的增强（t=3.42，p=0.009，b=734.09，95% CI=[−807.95，17，265.38]，R2=0.78，Std.Residual =[−1.49，1.69]）和beta波段（t=−2.67，p=0.028，b=−584.31，95% CI=[−7923.12，2441.01]）。在这两个模型中都没有其他相互作用达到显著性（p>0.13）。alpha和beta PLV的变化，以及ILF和CCB中的FA变化，共同占tACS2上多任务处理增益变异性的65.1%。
3.6 无论tACS治疗如何，功能连接的个体变化都能跟踪多任务的收益
最后，作者试图确定PLV的增加是否与所有参与者的多任务处理改善有关，无论tACS频率如何。以多任务RT为因变量，以四个频段的PLV为预测因子的事后逐步回归显示，所有参与者的RT成本变化与alpha PLV的变化之间存在显着的负相关（t=−2.48，p=0.018，b=−0.76，95% CI=[−1.35，−0.24]，R2=0.15，Std.Residual =[−2.97，1.57]；图4）。这一结果表明，加强alpha PLV支持衰老的多任务处理收益，并提出了一种行为表现改善的功能机制，这种机制不是tACS所特有的。
图4. 包含在所有参与者的逐步回归模型中的数据，关于RT成本变化的因变量和每个频率预测器的PLV变化。只有alpha-PLV是RT成本变化的一个重要预测因素。黑色趋势线代表两组，参与者的颜色编码只是为了可视化他们所接受的tACS治疗（橙色，6 Hz；灰色，1 Hz）。P值只列出了显著的预测因素。
4. 讨论
作者提出的神经测量方法强调了多模态大脑连接在老年人tACS后的认知控制（多任务）收益中的作用。首先，作者证实该样本中的高龄与白质完整性降低有关。在tACS干预之前，作者还观察到thta PLV预测了基线的多任务RT，支持了作者之前的发现以及选择theta作为应用于内侧PFC的有效频率。接下来，与对照（1 Hz）tACS相比，在theta（6 Hz）上应用的tACS导致多任务处理能力的更大改进。theta tACS增加了额后功能连接，这是通过基线PLV的变化来测量的，而对照tACS降低了PLV。theta tACS后波段功能连接的个体增加与白质完整性呈正相关，特别是在ILF（theta-gamma波段，枕颞关联束）和CCB（theta-beta波段，主要半球间共生束）内。重要的是，theta tACS之后的单个多任务处理收益是由ILF和CCB中alpha和beta PLV以及基线FA的变化双重预测的。总之，这些功能和结构因素有助于解释theta tACS如何在衰老中拯救多任务处理。因此，这些结果表明，与tACS相关的多任务处理的改善与额叶-后叶功能连接的增加有关，而连接的增加在基线白质完整性更强的人中更大。
这一发现扩展了最近的报告，即老年人认知控制的个体差异与白质完整性有关，由alpha和gamma波段的功能连接（特别是PLV）介导。作者建议theta tACS可以通过加强功能连接来改善脆弱老龄化人群的认知控制，特别是在alpha-beta范围内，并且增益的程度受到个体结构白质完整性的限制。鉴于高龄与所有参与者的白质完整性降低有关，作者推测，部署tACS作为治疗手段可能最好在与年龄有关的结构恶化之前作为预防措施来使用。然而，作者注意到，鉴于样本量，白质完整性和PLV对行为的相互作用应被视为初步的，并且需要进一步的研究来复制这些结果。theta tACS组中20名参与者的样本量限制了对全因子效应的分析，这些效应检查了年龄，白质完整性和PLV对行为的影响。
认知训练和神经刺激干预受到微妙和不可靠结果的困扰。作者之前的结果通过考虑区域神经解剖学和神经生理学的个体差异来告知一些这种变异性。然而，最近在理解认知的细微差别机制方面取得的进展，例如功能连接，以及结构和功能连接如何影响年龄和疾病，阐明了维持远程大脑网络预防认知能力下降的重要性。在这里，作者证明了远程功能连接和白质完整性都会影响衰老过程中神经刺激相关的认知控制训练增益的程度。这些结果，与最近关于成功针对基于连通性的认知机制的其他报告相结合，被证明是可靠的。
作者从这些数据中获得的初步报告表明，区域神经解剖学和神经生理学都预测了tACS可以挽救认知控制的程度，这与本研究相关，因为它强调了强调了保留大脑结构对tACS衰老功效的重要性。在这里，观察到的大脑连接中的结构- 功能关系扩展了基于保存的结构MRI指标与认知能力之间关联的神经认知衰老理论。作者的研究结果通过证明老年人的大脑健康之间的联系（由大脑连接与tACS在改善认知表现方面的功效）之间的联系来扩展这一文献。在多任务处理中，个体行为增益在老年人中最大，基线时ILF和CBB完整性更高，训练期间alpha-beta功能连接性增加更多。
这种结构-功能关系如何与tACS的功效相关，揭示了一种认知控制的机制，可以作为目标来对抗与年龄有关的认知衰退的有害影响。鉴于与年龄相关的白质完整性恶化和功能连接导致认知能力下降，任何维持或挽救大脑连接的努力都应该对抗认知能力下降。尽管这项研究受到头皮脑电图空间分辨率的限制，需要使用与特定额叶和后脑区域无关的复合功能连接测量，但两个白质束始终作为PLV，ILF和CCB中个体增益的预测因子出现。鉴于NeuroRacer的视觉检测要求，作者观察到ILF中的影响是合乎逻辑的，ILF是支持沿腹侧视觉蒸汽的物体处理的枕颞关联束。同样，由于作者应用了双侧PFC刺激，因此作者也观察到CCB的影响是合乎逻辑的。最后，作者注意到，尽管白质完整性随着年龄的增长而降低，但包括ILF在内的几个区域，这种关系在CCB中并不显着。这表明，基于tACS的高龄干预在刺激两个半球时可能是有效的，利用CCB对年龄相关退化的弹性及其在促进功能连接中tACS相关变化中的作用。需要进一步的研究来直接测试这一假设。
值得注意的是，theta tACS不仅在theta波段增加了PLV，而且还增加了alpha到gamma波段的PLV。事实上，在作者之前使用theta tACS和NeuroRacer的研究中，作者一直观察到额叶theta tACS导致光谱活性的宽带增加，对后beta功率的影响最大。目前的结果将发现从后向活动扩展到额后功能连接，阐明了alpha和beta波段，并将这些变化与多任务处理增益联系起来。与目前的结果特别相关的是，先前的研究将PFC theta tACS后的持续注意力增益与增加背心网络中的theta功率和alpha PLV相关联。增加的额后连接也可能反映默认模式网络的变化，因为以前的研究将PFC theta tACS后的工作记忆增益与默认模式区域之间的连接性增加联系起来。总的来说，作者的结果与研究表明theta tACS可以根据任务提出的要求来训练大脑网络，将认知控制期间的theta tACS与远离受刺激部位和受刺激范围之外的频率的神经区域联系起来。然而，很明显，需要进一步的研究来了解与认知控制相关的不同频率的功能连接的特定作用，以及为什么对额叶theta活动的操纵导致不同频段的网络级变化。
最后，作者注意到，如果作者的样本包括更大、更异质的人群，例如那些有轻度认知障碍的人群，那么基线神经解剖学因素可能已经预测了疾病的严重程度和对神经刺激干预的反应。事实上，有许多神经系统疾病会导致认知控制缺陷，例如创伤性脑损伤，中风和与年龄相关的轻度认知障碍，因此可以从加强大脑网络的干预措施中受益。此外，老龄化研究经常区分年轻和年长的成年人。作者招收的是年龄较小的成年人（60-78岁），而不是年龄最大的同龄人（80岁以上）。如果作者包括一个更全面的年龄和认知能力样本，作者推测结构-功能关系在预测干预效果方面将更加重要。作者的结果表明，寻求改善认知控制的干预措施应该针对功能连接并考虑个体大脑结构。未来的研究应该研究具有更大皮质萎缩或白质微观结构较弱的老年人如何仍然受益于有针对性的干预措施，例如持续时间更长的干预措施或调整刺激的剂量和频率，目的是拯救最需要的人的认知。
总而言之，目前的研究提出了一种微妙的机制，通过认知训练和神经刺激与个体大脑结构相互作用，影响功能连通性，从而在衰老过程中获得认知控制。鉴于越来越多的老年人面临认知能力下降的风险，确定昂贵的药物干预的替代方案或补充将为社会带来显着的财政和时间资源效益。一旦方案成功优化以产生可靠的结果，神经刺激干预措施向公众推广的潜力就很大。
参考文献：Structural and functional network mechanisms of rescuing cognitive control in aging
