摘要
Theta-gamma耦合（TGC）是支持工作记忆（WM）的一种神经生理机制。TGC与N-back表现（一种WM任务）相关。与TGC相似，theta和alpha事件相关同步化（ERS）和去同步化（ERD）也和WM相关。很少有研究探讨WM表现和TGC、ERS或ERD之间的纵向关系。本研究旨在确定WM表现的变化是否与6到12周内TGC（主要目的），以及theta和alpha的ERS或ERD的变化有关。包括62名60岁及以上的被试，无精神疾病或缓解型重度抑郁障碍（MDD）且无认知障碍。在N-back任务（3-back）期间使用脑电（EEG）评估TGC、ERS和ERD。在控制组中，3-back表现的变化和TGC、alpha ERD和ERS、以及theta ERS的变化之间存在相关。相比之下，在缓解型MDD亚组中，3-back表现的变化只和TGC的变化之间存在显著相关性。我们的结果表明，WM表现和TGC之间的关系随着时间的推移是稳定的，而theta和alpha ERD和ERS的变化则不是这样。
引言
研究表明大脑中特定频段的振荡活动与各种认知加工相关。这些振荡同时发生并相互作用。不同频段的两个振荡之间相互作用称为跨频耦合（cross-frequency coupling, CFC）。在相位振幅耦合（phase-amplitude coupling, PAC；CFC的一种形式）中，高频振荡的振幅受到低频振荡的相位调制。PAC的一个例子是theta-gamma耦合（TGC），其中theta振荡的相位（4-8Hz）调节了gamma振荡的振幅（30-80Hz）。有研究假设认为TGC支持工作记忆（WM）功能，特别是通过编码信息呈现的顺序。动物模型表明，gamma振荡代表需要记住的单个信息项目；theta振荡代表记忆项目的时间间隔；通过theta相位对gamma波幅进行调制，编码信息呈现的顺序。具体来说，特定的神经元亚群通过其不同的激活模式来表示单个信息项目。每个信息项目都由一个独特的gamma振荡编码，序列中后续项目由随后的gamma振荡编码。
已经在人类大脑的几个区域观察到TGC。早期研究检查了海马中TGC在记忆编码中的作用。其他研究详细说明了TGC在其他脑区的作用，例如前额叶皮层、额叶和顶叶皮层，以及基底神经节。
研究者课题组专注于WM任务期间的信息排序，特别是N-back任务。他们之前在健康成人、健康老年人、以及阿兹海默症（AD）或轻度认知障碍（MCI）患者中证明了TGC与N-back任务中信息排序之间的相关。在这些研究中，TGC也与N-back任务表现相关，正确的表现需要准确回忆所呈现字母的顺序。最近，我们证明了使用EEG测量的N-back期间的TGC和其他需要信息排序的认知任务表现之间的关联，健康老年人、MCI患者和缓解型重度抑郁症（MDD）老年人中，在TGC测量的同时没有完成上述认知任务。这些结果表明TGC和跨认知任务的信息排序之间存在特质关系，这与任务或临床症状无关。然而，迄今为止，研究TGC和WM任务之间关系的研究大多是横断研究。
ERS和ERD是与WM相关的额外的EEG特征。ERS是指，相比于刺激呈现之前的基线参考，刺激呈现后特定频段的功率增加，ERD则是指功率的减少。这些功率的变化被认为是与刺激呈现相关的神经元细胞集合的同步放电引起的。以往在N-back任务中检查ERS和ERD的研究显示了相对一致的结果：额区的theta ERS和枕区的alpha ERD。刺激呈现后theta功率的增加（即，theta ERS）与记忆编码和提取有关。因此，theta ERS可能反映了注意力需求和/或WM加工。相比之下，alpha是静息态或精神不活动期间主导的振荡活动，并且在认知激活（例如，WM任务）期间消失。因此，在像N-back这样的WM任务中，刺激后alpha功率的降低（即，alpha ERD）被认为是反映了枕区的参与，因为alpha功率的去同步化与该区域大脑活动的增加有关。
ERS和ERD的变化与年龄有关，老年人额叶theta ERS水平较低。ERS和ERD的变化也与临床症状有关，如MCI和AD。以前的研究表明，theta ERS和alpha ERD可能是WM神经生理学相关性的良好候选者，因为在WM任务中，theta ERS和alpha ERD的发现相对一致；此外，这些指标还受到年龄和临床症状的影响。然而，大多数研究探讨ERS和ERD与WM的相关都是横断研究；需要额外的纵向研究来确定theta ERS和alpha ERD是否与WM有良好的神经生理学相关性。据我们所知，迄今为止，还没有研究探讨ERS或ERD与WM表现之间的关系。因此，ERS和ERD对行为表现的影响尚不清楚。
为了更好地描述和理解EEG特征（即，TGC和theta ERS以及alpha ERD）与WM之间的关系，需要进行纵向研究，尤其是那些包括不同人群或临床试验组成部分（例如，药物治疗或其他干预措施）的研究。这些类型的纵向研究也需要一种被临床采用的生物标记物，并被视为干预的潜在目标。因此，我们进行了一项研究，以检查TGC和WM表现之间的纵向关系。我们假设，在N-back任务的3-back条件下测量的随时间变化的TGC与3-back随时间变化的表现之间存在相关。此外，我们还进行了探索性分析，以检查WM，额区theta ERS或ERD，以及枕区alpha ERS或ERD之间的纵向关系。为了实现我们的目标，我们首先对一组健康的老年人进行了分析，然后在一组缓解型MDD的老年人中进行了复制分析。
材料和方法
被试
被试都不符合重大或轻度神经认知障碍（如，MCI或AD）的诊断标准。
控制组被试
60岁以上，除了单纯的恐惧症外，不符合任何DSM-5诊断标准。排除患有严重的神经系统疾病（如，中风、癫痫等）或不稳定医疗疾病（如，未受控制的糖尿病或高血压）的被试。未服用任何精神药物，除了在一定剂量下的疼痛相关的药物。
MDD被试
60岁以上，符合DSM-IV单次或复发性MDD的终身标准，且目前处于缓解状态。采用DSM-IV结构化和临床访谈（SCID-IV）进行评估，且Montgomery-Asberg抑郁量表（MADRS）得分＜10。排除过去六个月内符合DSM-IV痴呆、终身双向情感障碍、精神分裂症、分裂性情感障碍或其他精神病性障碍、药物滥用或依赖标准的被试，以及在过去6个月内患有任何不稳定的疾病或接受过电休克治疗的被试被排除在外。
研究设计
控制组被试
被试进行N-back任务两次并记录EEG：基线和12周后（T1）（见图1）。在参加PACt-MD（Prevention of Alzheimer’s Dementia with Cognitive Remediation plus Transcranial Direct Current Stimulation in Mild Cognitive Impairment and Depression）研究的120名被试中，78名被试接受EEG测试；52名被试完成基线EEG记录；47人有可用的基线EEG数据。基线EEG数据无法使用是由于过多的噪音或者由于技术问题没有记录到。在47名基线EEG数据可用的被试中，38名记录的随后的EEG（T1），其中34名是本次分析时可用的数据（图2）。
MDD被试
所有被试都完成基线评估，包括N-back EEG。随后，被试随机1：1分配接受active tDCS或者sham tDCS治疗，为期两周，每周5天（即，10个session）。干预后14天（T1）和90天（T2）完成随访评估，包括N-back EEG（见图1）。
随机对照实验（RTC）的结果为阴性，即与sham tDCS组别相比，active tDCS组的WM或整体认知没有变化，两者的神经生理变量也没有变化。因此，本研究中将两个随机组合并为一组。共33名被试被纳入RTC。3名被试因各种原因中途退出（图3），最后剩余25名MDD患者具有可用的基线数据和至少一个随访EEG数据。
图1. MDD研究和PACt-MD研究中tDCS的研究时间线。tDCS：经颅直流电刺激；MDD：重度抑郁障碍；NP：神经心理测试；PACt-MD：使用认知校正和经颅直流电刺激预防轻度认知障碍和抑郁症的阿尔茨海默氏痴呆症。
图2. PACt-MD被试的Consort流程图。
图3. MDD被试tDCS的Consort流程图。P14：干预后14天；P90：干预后90天。
评估
临床评估
控制组被试
所有被试测试了SCID，并根据DSM 5诊断标准进行排除。测试MADRS确保其得分小于10。评估了认知测试：简明精神状态量表（MMSE）和蒙特利尔认知评估（MoCA）。
MDD被试
基线检查使用SCID。在所有时间点使用MADRS评估当前抑郁症状。使用临床痴呆评定量表（CDR）和老年人认知能力下降调查问卷（IQCODE）确认没有重大认知问题。在所有时间点施测Beck自杀意念量表以确保当前没有自杀意念。
N-back
N-back是一项连续的WM任务，被试需判断屏幕上显示的刺激与N个试次前的刺激是否相同。N在0到3之间，在不同的认知负荷下评估WM。该研究中使用3-back作为分析的主要条件，因为与其他条件相比，该条件更具有挑战性，需要更高程度的有序性和WM表现，并且因为这是MDD研究的主要结果衡量指标。在N-back过程中，黑色大写字母在屏幕中呈现250ms，随后是3000ms的间隔，要求被试在此期间做出反应，接着会呈现一个加号，表示该试次结束。屏幕上显示的刺激与三个试次前呈现的刺激匹配被标记为目标试次，不匹配则被标记为非目标试次（图4）。3-back包含400个试次，其中59个为目标试次，341个为非目标试次。要求被试他们认为屏幕上的字母与N个试次前的字母是“匹配”的按一个键，“不匹配”按另一个键。
使用d-prime (d’)计算N-back的正确率，这是一种基于击中率和虚报率的z分数敏感指数，使用下列公式计算：
d’ = z(H) – z(FA)
其中，H指击中率，FA指虚报率。由于当击中率和虚报率等于0或100时，z变换达到无穷大，所以我们使用了一种常见的调整，即0%被赋值为1，100%被赋值为99。
图4. N-back任务。显示了ERS/ERD计算的时间窗。基线参考为-700 ~ -100ms（蓝线），刺激后的期间为字符出现（0ms）到被试反应（红线）。
EEG数据采集和处理
被试再完成N-back任务时，使用64导Synamps 2 EEG系统，按照10-20电极分布系统记录EEG。参考电极是Cz后的一个电极。使用DC记录EEG，低通滤波为100Hz，采样率为20-kHz。使用MATLAB和EEGLAB toolbox进行EEG离线处理。数据处理流程和以往研究一致：首先降采样至1kHz，从刺激呈现的-1400 到 3000 ms进行分段。得到一个电极×试次的矩阵，在以下情况中epoch被赋值为0：（1）波幅大于±150 μV，（2）功率谱违反1/f幂律，（3）标准差超过所有试次平均值的三倍，（4）每个试次下超过20%的电极为0。如果一个电极下超过60%的试次为0s，则删除该电极。最后再由研究人员检查epoch并消除进一步的异常。使用ICA去除噪声，包括眨眼和肌电。分析数据的研究人员对分组情况不知情。平均每个N-back条件下去除5-7个成分。最后，使用乳突进行重参考。
Theta-Gamma耦合
首先使用二阶零相移对原始EEG信号在theta（4-7 Hz）和gamma（30-50 Hz）上滤波。接着，使用Hilbert变换计算gamma波幅和theta相位的时间序列。对每个电极×试次类型创建一个5000±150 ms的串联信号，每个epoch以刺激呈现为起点，以被试反应为结束。选择5000ms的串联信号是因为调制指数（modulation index, MI）（TGC的指标）取决于信号的长度，使用5000ms的串联信号可用确保MI的稳定性。
然后计算MI。首先，theta相位被分为18个20°的间隔。接着，通过平均每个theta相位bin中的gamma波幅，创建相位振幅分布函数。然后，通过测量从均值分布中观察到的振幅分布计算MI，如下所示：
其中，N是相位bin的数量，log(N)表示均匀分布的熵，P是根据相位bin排序的相对振幅分布，H(P)是是P分布的熵，计算公式如下：
因此，耦合越高熵值越低，这反过来导致较高的MI值。
计算每个电极的MI，然后计算右侧右侧和左侧额叶电极MI的平均值（F7/8、F5/F6、F3/4、F1/2和Fz）。根据正确和错误回答的数量，MI为所有目标试次的加权平均（例如，目标正确，TC；目标不正确，TnC）。和我们之前的工作一致，该分析中使用目标试次中测量的TGC，因为目标试次需要更高的顺序才能获得正确的表现，因此TGC水平更高。
事件相关同步化（ERS）和去同步化（ERD）
首先，从信号中去除诱发（evoked）活动，以分离诱导（induced）活动。诱发活动（例如，事件相关电位，ERP）对于一个事件既有锁时也有锁相，是由刺激呈现直接驱动的活动。而诱导活动对于一个事件既不是锁时的也不是锁相的，被认为反映了与刺激的高阶加工有关的大脑活动。在计算低频段（即，theta）的ERS和ERD时，诱发活动可以掩盖诱导活动。因此，为了从分析中减少诱发活动的影响，只关注诱导活动，我们首先对每个试次类型（例如，目标正确，TC和目标不正确，TnC）和频段（例如，theta和alpha）内的所有试次进行平均，计算每个试次类型的ERP（例如，诱发活动）。这就产生了ERPTC和ERPTnC，然后分别从TC和TnC试次中减去。去除掉诱发活动后，使用连续小波变换生成时频图；然后从这些图中提取theta和alpha频段。然后将这些时频图在不同的试次（如，TC，TnC）中平均，使用下列公式计算ERS和ERD：
其中，正值表示ERS，负值表示ERD。
平均基线功率是刺激呈现前（即，字母呈现）-700 ~ -100 ms的平均功率。刺激后功率计算的时间窗从刺激呈现开始到被试反应时的第三个分位数。第三个分位数是通过每个试次类型（TC，TnC）中每个被试对刺激的反应时间来测量的。我们使用第三个分位数而不是一个固定的时间窗口，为每名被试提供个人的ERS和ERD值。由于其他的指标（即，TGC）是在被试反应之前测量的，我们对同一时间段内的事件相关振荡变化（ERS和ERD）感兴趣。由于被试表现（即，RT）的高度可变性，为所有被试选择一个固定的刺激后时间窗口，导致许多被试大部分信号丢失。因此，通过个性化时间窗口，我们使用了整个信号，直到每个被试反应时的第三个分位数。对于RT大于第三分位数的试次，试次被削减到第三分位数；对于RT小于第三分位数的试次，通过插值数据以达到第三分位数。
找到个体化的刺激后时间窗口后，我们找到该时间窗内特定频段的最大功率，以计算ERS和ERD。通过平均额叶电极（F7/8、F5/6、F3/4、F1/2和Fz）获得额叶的theta ERS和ERD；通过平均枕叶电极（PO7/8、PO5/6、PO3/4、POZ、O1/2和Oz）获得枕叶alpha ERS和ERD。与TGC类似，我们根据正确和错误回答的数量，将ERS和ERD值作为所有目标试次（即，TC和TnC）的加权平均值进行分析。
统计分析
使用Shapiro-Wilk检验检查数据是否呈正态分布。使用独立样本t检验或卡方检验比较对照组和缓解MDD组的基线人口统计学的、临床的、神经心理学的和神经生理学的指标。
为了确定神经生理学变量的变化是否与3-back表现的变化相关，使用基线样本的平均数和标准差将所有变量每个时间点转化为z分数。然后计算随时间的得分的变化，用基线的z分数减去T1的z分数（对于PACt-MD被试和MDD中tDCS的被试），用T1的z分数减去T2的z分数（对于MDD中tDCS的被试，因为PACt-MD控制组样本没有T2的数据）。
为了解决我们的主要目标，我们使用老年控制组进行了线性回归模型，以3-back d’的变化为因变量，年龄、教育程度和3-back MI的变化为自变量。根据我们的探索性目标，还将3-back额区theta ERS、额区theta ERD、枕区alpha ERS、枕区alpha ERD也被纳入作为自变量以确定它们是否与3-back表现变化有关。作为补充分析，还考察了1-back和2-back d’的变化和1-back和2-back MI的变化之间的关系。
为了在控制组重复分析，我们还评估了缓解型MDD组的3-back表现变化是否和神经生理学变量的变化相关。因此，我们进行了线性混合模型分析，以3-back d’的变化为因变量，年龄、教育程度和3-back MI的变化为自变量；还将3-back额区theta ERS、额区theta ERD、枕区alpha ERS、枕区alpha ERD也被纳入作为自变量以确定它们是否与3-back表现变化有关。在第二个模型中，时间点（基线、T1和T2）作为重复测量因子纳入。作为补充
我们还进行了控制分析，以确定其他频段（即，delta、beta和gamma）的变化是否与3-back d’的变化相关。我们进行了三个额外的模型，以下列变量作为自变量：（1）额区delta ERS的变化、额区delta ERD的变化、枕区delta ERS的变化和枕区delta ERD的变化，（2）额区beta ERS的变化、额区beta ERD的变化、枕区beta ERS的变化和枕区beta ERD的变化，（3）额区gamma ERS的变化、额区gamma ERD的变化、枕区gamma ERS的变化和枕’区gamma ERD的变化。对于每个模型，3-back d’的变化被纳入作为因变量。
结果
人口学变量、临床数据、3-back表现和神经生理学基线数据见表1。MDD被试和PACt-MD样本的控制被试在年龄、教育、性别、3-back MI、3-back额区theta ERS或ERD或者3-back枕区alpha ERS或ERD方面没有差异。在3-back d’上，PACt-MD样本的控制被试表现好于tDCS样本中缓解型MDD被试（t(56) = 3.39, p = 0.001）。
表1.人口学变量、临床数据、N-back表现和神经生理学描述统计
*表示显著程度α < 0.05; **表示显著程度α < 0.01。除了性别，所有统计数据以平均值（标准差）表示。T1：对于tDCS，干预后14天；对于PACt-MD，约基线后8周；T2：干预后90天；d’：dprime；MI：modulation index; ERS: event-related synchronization; ERD: event-related desynchronization
控制组被试
线性回归结果表明，总体模型显著（F(7,24) = 6.23, p < 0.001）。对于主要测量指标（TGC），3-back d’的变化和3-back MI的变化相关（B = 0.74, p < 0.001, 95% CI [0.43, 1.04]；见表2和图5，图6），因此TGC的增加于更好的WM表现相关。
表2.健康被试3-back d’变化的线性回归结果
*表示显著程度α < 0.05; **表示显著程度α < 0.01。B，非标准化系数；95% CI，95%置信区间；LL，下限；UL，上限；MI：modulation index; ERS: event-related synchronization; ERD: event-related desynchronization
图5.非精神病控制组TGC变化和3-back表现变化的偏回归图
图6.地形图显示了非精神病控制组从基线到T1的MI变化。黑框表示分析中使用的额区电极。（A）从基线到T1，3-back d’增加的个体的MI的变化（n = 21）。（B）从基线到T1，3-back d’下降的个体的MI的变化（n = 8）。（C）从基线到T1，3-back d’无变化的个体的MI的变化（n = 5）。
对于探索性测量指标，3-back d’的变化和额区theta ERS（B = -0.40, p = 0.04, 95% CI [-0.78, -0.02]），枕区alpha ERS（B = 0.74, p = 0.001, 95% CI [0.35, 1.14]）以及枕区alpha ERD（B = -0.85, p = 0.002, 95% CI [-1.35, -0.34]）存在显著相关。年龄（B = 0.10, p = 0.48, 95% CI [-0.18, 0.38]）、教育程度（B = 0.23, p = 0.11, 95% CI [-0.06, 0.53]）以及额区theta ERD（B = 0.10, p = 0.54, 95% CI [-0.24, 0.44]）和3-back表现的变化不存在相关。
最后，在控制组中，3-back d’的变化和额区或枕区delta ERS或ERD的变化、额区或枕区beta ERS或ERD的变化、或额区或枕区gamma ERS或ERD的变化不存在相关。在缓解型MDD组中，3-back d’的变化和额区或枕区delta ERS或ERD的变化、额区或枕区beta ERS或ERD的变化、或额区gamma ERS或ERD或枕区的gamma ERD的变化不存在相关。3-back表现的变化和枕区gamma ERS的变化存在相关（B = -0.19, p = 0.54）。
MDD被试
对于主要测量指标（TGC）混合模型，3-back d’的变化和3-back MI的变化存在相关（B = 0.16, p < 0.001, 95% CI [0.08, 0.24]；见表3和图7，图8）。
表3. MDD被试3-back d’变化的混合模型ANOVA结果
*表示显著程度α < 0.05; **表示显著程度α < 0.01。F, ANOVA; df, degrees of freedom; MI, modulation index; ERS, event-related synchronization; ERD, event-related desynchronization
图7.缓解型MDD组TGC变化和3-back表现变化的偏回归图
图8.地形图显示了缓解型MDD组从基线到T1的MI变化。黑框表示分析中使用的额区电极。（A）从基线到T1，3-back d’增加的个体的MI的变化（n = 26）。（B）从基线到T1，3-back d’下降的个体的MI的变化（n = 15）。（C）从基线到T1，3-back d’无变化的个体的MI的变化（n = 9）。
对于探索性测量指标，3-back d’的变化或其他神经生理学变量的变化之间不存在相关：额区theta ERS（B = -0.09, p = 0.34, 95% CI [-0.27, 0.10]）或ERD（B = -0.01, p= 0.89, 95% CI [-0.15, 0.13]），以及枕区alpha ERS（B = -0.01, p = 0.85, 95% CI [-0.16, 0.15]）或ERD（B = -0.08, p = 0.29, 95% CI [-0.22, 0.07]）。
年龄（B = 0.07, p= 0.23, 95% CI [-0.05, 0.19]）和教育程度（B = -0.03, p= 0.64, 95% CI [-0.15, 0.10]）和3-back表现的变化之间不存在相关。
讨论
我们的分析得出两个主要结论：（1）在控制组和缓解型MDD组被试中，WM表现的变化与TGC随时间的变化之间存在相关，（2）非精神病老年人的VM表现的变化和额区theta ERS、枕区alpha ERS以及枕区alpha ERD存在相关，但在缓解型的MDD患者中没有。这些结果表明，无论什么条件，TGC和WM表现之间都存在纵向相关。相反，非精神病老年人的theta ERS和枕区的alpha ERS和ERD与WM表现的变化存在相关，但是在缓解型MDD被试上没有发现。这表明TGC是WM表现一个更稳定的标记，因为这种关系存在于患有或不患有MDD的老年人中，而theta ERS和枕区alpha ERS和ERD在这两组中并不稳定。
这项研究的结果与我们之前的工作一致。在一项研究中，我们检查了患有MCI和AD的被试以及非精神疾病控制被试TGC和N-back表现之间的关系。在这项研究中，TGC是N-back表现最显著的预测因子。在随后一项更大的研究中，我们复制了这些发现，并证明了MCI患者、缓解型MDD被试、MCI 缓解型MDD被试和非精神病老年被试在N-back期间测量的WM（即N-back）表现和TGC之间的横断关系。本研究结果通过证明TGC在横断面和纵向上都与WM（即N-back）表现相关，从而扩展了先前的发现，表明TGC的变化和WM（N-back）表现的变化相关。其他两项研究考察了TGC和WM表现之间的纵向关系，并且都证明了两者之间的相关。然而，这两项研究的干预仅仅在1小时或者4天之后发现两者之间的相关。本研究表明在长达3个月的时间里，WM（N-back）表现与TGC之间存在相关。在我们的样本中，随着时间的推移个体的TGC和WM（N-back）表现都发生了变化。这些结果表明，TGC和WM（N-back）表现都会随时间变化，但它们往往会一起变化，例如，随着TGC的增加，WM（N-back）表现会变好，反之亦然。这支持了TGC是支持WM表现的神经生理机制的观点。
我们的结果显示，老年人的WM表现变化与额区theta ERS和枕区alpha ERS或ERD的变化存在相关，但在缓解型MDD被试上没有发现。这些结果表明，相比于TGC，WM与ERS和ERD之间的关系在不同条件下并不稳定。以前的研究表明，额区theta ERS和枕区alpha ERD是WM神经生理学相关性指标。然而，很少有研究对theta和alpha ERS和ERD与WM表现之间的关系进行横断或纵向的探讨。因此，很难将我们的结果与这方面的其他研究进行比较。
据我们所知，关于抑郁症的ERS和ERD的研究很少。一项研究考察了抑郁症患者接受tDCS和认知情绪训练后神经生理的变化。尽管干预后被试的3-back表现得到改善，但theta ERS或alpha ERD没有变化，这表明theta ERS和alpha ERD和3-back表现的改善无关。我们的结果和这项研究的结果一致，因为两者都表明theta ERS和alpha ERD可能与WM表现的变化没有直接关系。类似地，另一项研究考察了tDCS对正经历重度抑郁发作的患者的生理作用，在一个active tDCS期间之后，额区theta功率降低，枕-顶区alpah ERD上升。然而，tDCS对行为表现没有影响。这些结果再次表明，theta ERS和alpha ERD的变化和WM表现的变化之间没有关系，特别是在抑郁症患者中。相反，第三项研究发现，相比于sham tDCS，年轻健康被试在一次anodal tDCS之后，theta和alpha功率增加，并且这些功率的变化调节了2-back表现的变化。这些结果也与我们的结果一致，因为我们的结果表明，theta和alpha功率的时间相关的变化与WM表现的变化有关，但只在控制组被试中。
总的来说，也很少有研究在WM任务期间ERS和ERD随时间的稳定性，现有的少数研究结果相互矛盾。例如，在一项研究中，顶-枕区的alpha ERD随着时间的推移相对稳定（Chronbach’s alpha > 0.8），而额区theta ERS在评估中更不稳定（Chronbach’s alpha = 0.28）。另一项研究得出了相反的结果：theta ERS在评估中更稳定，而alpha ERD则不稳定。我们的结果表明，TGC可能是比ERS或ERD更稳定的WM神经生物标记物，因为在两个样本中都发现TGC随时间推移与WM相关。
以前的研究表明，脑刺激可以增强TGC。三项研究表明重复经颅磁刺激（rTMS）后静息态TGC的增加。其中一项研究还报告静息态TGC的增加与WM表现的改善（威斯康星卡片分类测试的错误数量减少）相关。同样，在最近的另一项研究中，老年被试使用单次经颅交流电刺激（tACS）可增加TGC，并且TGC的增加与刺激后50分钟持续的WM表现的增加直接相关。在另一项研究中，WM训练与active或sham tDCS配对。与sham tDCS相比，干预增强了额顶区theta振荡和颞顶区gamma振荡之间的PAC，并且theta-gamma PAC增加解释了行为WM表现的提升。综上所述，这些研究的结果表明，使用大脑刺激提升TGC是可行的，并且提升TGC有助于认知表现的提升。我们的研究与这些结果一致，因为随着时间的推移，TGC存在个体波动，TGC的变化与WM（N-back）表现的变化相关。因此，我们的研究结果支持这样的观点，即增强TGC可能是认知障碍个体干预的潜在目标，TGC可能是WM改善的标记物。相反，theta ERS和ERD以及alpha ERS和ERD可能不是干预的好目标或标记物，因为它们似乎与MDD患者的WM表现无关，这与其他研究的结果一致。未来的研究应该继续研究TGC和认知能力之间的关系，以及大脑刺激导致TGC增加是否与随后的认知能力改善有关。
我们的发现必须根据一些局限性加以解释。我们使用了来自两个不同研究的异质样本，包括“健康”控制组个体和接受tDCS或sham tDCS的缓解型MDD个体。然而，两项研究的N-back EEG设置是相同的，神经生理变化和干预无关，样本的异质性支持了不同样本中TGC和WM表现之间关系的潜在普遍性。我们还考察了相对较短的时间内TGC和WM表现的变化；基线和最后一个时间点之间的额平均时间约为3个月。然而，其他检查TGC和WM表现之间关系的纵向研究使用了更短的时间（例如，几天）。未来的研究应该描述TGC和认知之间的长期关系（即，几个月而不是几周）。此外，尽管我们的结果表明TGC可以随时间变化，但这种变化背后的机制仍不清楚。需要更多的研究来确定观察到的TGC和WM表现变化背后的机制。两项研究中的被试都在服用精神药物，这会影响EEG活动。被试在参加研究之前必须服用稳定计量的药物，并且大多数被试在本研究的不同时间点服用相同剂量的相同药物。因此，我们期望药物对EEG信号的任何影响在一段时间内都是稳定的。最后，刺激加工相关的眨眼相关的神经活动已被证明会引起功率谱的变化。尽管我们使用ICA从数据中去除了眨眼，但是与眨眼相关的神经活动可能没有完全被去除，因为眨眼发生后神经活动仍在继续。因此，与眨眼相关的神经活动可能会导致功率谱的变化。值得注意的是，1-back和2-back的补充分析并未显示N-back表现的变化与TGC随时间变化之间的相关。我们认为TGC专门标志信息排序，而3-back条件是最具挑战性的，需要最高程度的排序。因此，随着时间的推移，TGC（指示排序）将与最具挑战性的3-back条件下的表现相关，尤其是在认知完好的老年人样本中。相比之下，我们的其他研究分析了认知障碍老年人在2-back条件下表现和TGC，其中3-back不能产生有意义的表现水平。我们不期望看到1-back表现和1-back TGC之间的相关，因为1-back本身不需要真正的排序成分，因为被试每次只需要记住一个字母。
总之，我们的研究确立了在3个月内额区TGC和变化和WM表现的变化之间的关系，TGC的增加与3-back任务更好的表现相关。另外，在患有MDD的个体中，额区theta ERS和ERD，或枕区alpha ERS和ERD与WM表现之间缺乏相关。我们研究的结果为使用TGC作为旨在改善WM表现的干预目标和标记物提供了进一步的支持。未来的研究需要更长时间来证实这些发现。
参考文献：Assessing the Longitudinal Relationship between Theta-Gamma Coupling and Working Memory Performance in Older Adults
