周兵（一作） 赵龙（二作） 李静(通讯作者)
北京大学人民医院，北京市，100044
[摘要] 目的 探讨静息态功能磁共振（rs-fMRI）比值低频震荡（fALFF）与1型发作性睡病嗜睡程度的关系。方法 26名临床确诊为1型发作性睡病的患者，采用Epworth嗜睡量表（ESS）评价其嗜睡程度，并采集颅脑静息态磁共振数据。比较不同嗜睡程度患者的脑fALFF差异，并提取差异脑区的fALFF数值，与ESS进行关联分析。结果 嗜睡程度较重的患者其右侧楔叶的fALFF值升高，且该脑区的fALFF数值与患者的主观嗜睡程度相关。结论 fALFF数值与发作性睡病的嗜睡程度相关，可以从功能影像学角度评价患者的嗜睡程度。
[关键词] 发作性睡病；静息态脑功能；磁共振成像；比值低频震荡
发作性睡病是一种中枢性嗜睡疾病[1]，根据其临床表现及脑脊液中下丘脑分泌素-1（Hcrt-1）的含量将发作性睡病分为1型和2型两个亚型，其中以1型以日间不可抑制的犯困嗜睡以及情绪诱发的肢体张力突然缺失为核心临床表现[2]。目前国际上主要依靠临床表现结合多导睡眠监测对发作性睡病进行诊断[3]。发作性睡病的嗜睡包括主观和客观两个方面，主观嗜睡主要通过量表进行评价，目前常用的主观嗜睡程度量表包括Epworth嗜睡程度量表（ESS）、Stanford嗜睡量表（SSS）等[4]，本文研究应用静息态功能磁共振技术（rs-fMRI），采用比值低频震荡（fALFF）分析方法，观察与成人发作性睡病主观嗜睡相关的脑区。
1 资料与方法
1.1研究对象
选取自2017年10月至2019年10月于北京大学人民医院呼吸睡眠中心首次就诊的发作性睡病患者，根据国际睡眠障碍分类（ICSD）-3进行诊断[5]。共入组26例成年发作性睡病患者，男性18例、女性8例；年龄18-39岁，平均年龄25岁。所有受试者同意完成此项研究，并签署知情同意书。
排除标准如下：1.合并其他睡眠障碍，阻塞性睡眠呼吸暂停、失眠；2.患有糖尿病、慢性阻塞性肺病、心脏病等内科疾病；3.患有神经系统疾病及合并外伤等造成的脑结构损伤；4.患有精神病障碍；5.酗酒及药物滥用史；6.患有先天性疾病。
1.2人口学数据采集及量表测评
人口学数据包括患者的性别、年龄、身高、体重；采用Epworth嗜睡量表（ESS）评价患者的主观嗜睡程度。
1.3脑影像数据采集
使用德国SIEMENS公司Skyra3.0T磁共振成像系统进行fMRI数据采集，静息态BOLD数据采集参数如下：TR=2030ms,TE=30ms,slice=33,FA=90°,FOV=240×240mm,矩阵=64×64,体素大小=3.5×3.5×3.5。要求患者在整个核磁共振扫描过程中睁开眼睛不能入睡，以保持完全清醒，在临床医生和技术人员的视屏监督下完成检查。
1.4静息态磁共振脑功能数据分析
采用DPARSF和SPM8软件包进行磁共振静息态脑功能数据分析。
1.4.1数据预处理
首先将静息态fMRI所采集的数据进行时间层校正，空间标准化及头动校正。依据头动校正曲线，将头动平移>2mm和转动平移>2°的数据剔除（所有受试者均符合要求）。将数据空间标准化导入到MNI标准空间，重新采样为3mm×3mm×3mm的体素，并采用6mm×6mm×6mm半高等宽平滑核进行平滑处理。
1.4.2 fALFF分析
预处理完成后，对图像中每个体素的时间序列进行带通滤波（bandpass filtered）处理,带通滤波的频率在0.01-0.08Hz,研究表明在此频率范围内的信号可以将高频噪声有效地去除。然后采用傅立叶转换（FFT）将滤波后的时间序列转换到频域范围，计算并得到信号在0.01-0.08Hz内的功率谱。用开方计算功率谱，得出低频震荡数值，并相加求总和值，最后除以全频段振幅总和值，得出fALLF结果。
1.5统计学处理
根据患者的ESS分值，以中位数将其分为两组，采用独立样本T检验对比两组不同嗜睡程度的发作性睡病患者fALFF值差异，以GRF校正后P<0.05认为差异具有统计学意义。并提取差异脑区的fALFF数值，与ESS数值进行Pearson相关分析，以P<0.05认为具有统计学意义。同时应用差异脑区的fALFF数值，对发作性睡病的主观嗜睡程度进行ROC分析。
2 结果
2.1 人口学信息
根据ESS结果得到的两组不同嗜睡程度患者的人口学信息差异如表1。
.jpg)
2.3 fALFF与嗜睡程度的相关性
右侧楔叶的fALFF数值与ESS呈正相关，相关系数 r = 0.631, P = 0.001.
2.4 fALFF对发作性睡病嗜睡程度的ROC分析
以右侧楔叶的fALFF数值为检验变量，以二值化的发作性睡病主观嗜睡程度为状态变量，进行ROC分析，结果提示采用右侧楔叶的fALFF数值可以预测发作性睡病的主观嗜睡程度，其ROC曲线下面积为0.893（P = 0.001），如图3所示。
.jpg)
3讨论
3.1 BOLD-fMRI的概念
血氧水平依赖性功能核磁扫描（BOLD-fMRI）的原理是基于血红蛋白的磁化特性，氧合血红蛋白是逆磁性物质而脱氧血红蛋白具有顺磁性[6]。基于这一原理，受试者在扫描过程中，血氧饱和度水平会影响周围水分子的横向弛豫时间，这一变化可通过磁共振T2加权像型号呈现，其中脱氧血红蛋白含量和T2信号负相关，T2信号下降往往伴随着脱氧血红蛋白含量增加。
3.2 静息态BOLD-fMRI分析方法
静息态fMRI研究获取数据的状态单一，需要一定的数据分析方法。目前，临床应用较多、相对简单的两类静息态BOLD-fMRI数据分析方法为局部功能功能活动特性分析方法和线性相关分析方法[7]。局部功能活动特性分析方法包括：低频震荡（ALFF）、比值低频震荡（fALFF）和局部一致性（ReHo）。线性相关分析方法：包括种子相关分析、等级聚类分析及独立成分分析等[8]。不同的数据处理方法其侧重性及敏感性有所不同。本文研究主要采用fALFF分析方法观察1型发作性睡病中与嗜睡程度相关的脑区。
fALFF是一种改良的ALFF方法[9]，由于脑脊液静脉血窦和大静脉在0.001-0.008HZ也可以表现出较高的低频振荡信号强度，与真正的神经元活动无法区分，而在整个频谱上脑脊液静脉血窦和动静脉在0.001-0.008HZ频段的信号只占很小比例，fALFF通过采用0.01-0.08HZ之间的信号振荡平均强度和整个频段振荡信号的比值，可去除生理噪音的影响，提高检测脑自发活动的敏感度和特异性。
3.3 fALFF与发作性睡病主观嗜睡程度的关系
很多临床诊断为发作性睡病的患者，采用常规CT或MRI检查时并未发现颅脑结构异常。随着技术的发展，血氧水平依赖性功能核磁扫描（BOLD-fMRI）已经应用到了多种神经类疾病当中，例如：强迫症、精神分裂、抑郁症等，并取得了一定的效果[10-12]。本文采集1型发作性睡病患者静息态脑功能磁共振数据，首先研究不同主观嗜睡程度的患者静息态fALFF的差异，并提取差异脑区的fALFF数值，与主观嗜睡程度评分ESS进行关联分析，并以差异脑区fALFF为检验变量，进行ROC分析，以实现对发作性睡病主观嗜睡程度的预测。本研究发现，在成年发作性睡病人群中，主观嗜睡程度较重的患者，其右侧楔叶的fALFF数值增加，且右侧楔叶的fALFF直接与ESS呈正相关，楔叶参与机体的空间定向及其他高级认知活动[13]，该脑区的静息态fALFF与发作性睡病患者的主观嗜睡程度相关，且可以作为预测患者主观嗜睡程度的一个客观影像学指标（图2、3）。
4 结论
成年发作性睡病患者右侧楔叶的fALFF与其主观嗜睡程度相关，且该脑区的fALFF数值可以作为患者主观嗜睡程度预测的影像学指标，但还需要更多样本的进一步验证。
参考文献
[1]KORNUM B R, KNUDSEN S, OLLILA H M, et al. Narcolepsy [J]. Nature reviews Disease primers, 2017, 3(16100.
[2]GOWDA C R, LUNDT L P. Mechanism of action of narcolepsy medications [J]. CNS spectrums, 2014, 19 Suppl 1(25-33; quiz 25-7, 34.
[3]SAKURAI T. Orexin deficiency and narcolepsy [J]. Current opinion in neurobiology, 2013, 23(5): 760-6.
[4]MIGNOT E J. History of narcolepsy at Stanford University [J]. Immunologic research, 2014, 58(2-3): 315-39.
[5]MEDICINE A A O S. The International Classification of Sleep Disorders. 3rd edn [J]. Darien, IL : American Academy of Sleep Medicine, 2014,
[6]GAO C, WENHUA L, LIU Y, et al. Decreased Subcortical and Increased Cortical Degree Centrality in a Nonclinical College Student Sample with Subclinical Depressive Symptoms: A Resting-State fMRI Study [J]. Frontiers in human neuroscience, 2016, 10(617.
[7]HUANG Y S, LIU F Y, LIN C Y, et al. Brain imaging and cognition in young narcoleptic patients [J]. Sleep medicine, 2016, 24(137-44.
[8]ENGSTROM M, HALLBOOK T, SZAKACS A, et al. Functional magnetic resonance imaging in narcolepsy and the kleine-levin syndrome [J]. Frontiers in neurology, 2014, 5(105.
[9]SMITHA K A, AKHIL RAJA K, ARUN K M, et al. Resting state fMRI: A review on methods in resting state connectivity analysis and resting state networks [J]. The neuroradiology journal, 2017, 30(4): 305-17.
[10]TROTTI L M, BLIWISE D L. Brain MRI findings in patients with idiopathic hypersomnia [J]. Clinical neurology and neurosurgery, 2017, 157(19-21.
[11]SPETSIERIS P G, KO J H, TANG C C, et al. Metabolic resting-state brain networks in health and disease [J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(8): 2563-8.
[12]ZHOU J, WITT K, ZHANG Y, et al. Anxiety, depression, impulsivity and substance misuse in violent and non-violent adolescent boys in detention in China [J]. Psychiatry research, 2014, 216(3): 379-84.
[13]KRECKOVA M, KEMLINK D, SONKA K, et al. Anterior hippocampus volume loss in narcolepsy with cataplexy [J]. J Sleep Res, 2019, 28(4): e12785.