文摘

之前的研究表明,不同频段振动与工作记忆等认知过程相关联(WM)。脑电图(EEG)连贯性和图论可以用来衡量功能性大脑不同区域之间的联系和信息之间的相互作用不同的神经元集群。同时,发现更好的个人认知能力显示更强的静息状态的WM网络的小世界特性。然而,对保留的神经同步阶段期间(即持续的WM任务。在线WM)通过培训,全脑网络水平。因此,结合脑电图连贯性和图论分析,本研究调查了WM网络的拓扑变化前后训练基于整个大脑和构造微分网络不同的频带振动(即。θ,α和β)。结果表明,WM训练后,受试者的WM网络聚类系数较高和较短的最优路径长度比以前训练在保留期内。此外,额θ的增加同步振荡似乎反映了WM提高行政能力和更成熟的资源部署;增强α振荡的同步frontoparietal和fronto-occipital地区可能反映了在延迟增强抑制无关信息的能力,注意内存的指导;增强β振荡的同步在颞顶叶和frontoparietal地区可能表明活动内存维护和准备memory-guided关注。发现可能添加新的证据的神经机制WM任务相关的网络拓扑属性的变化模式。

1。介绍

工作记忆(WM)是一个在线系统,维护信息为了完成一项任务或目标,执行的操作和处理保留信息。从信息处理的角度来看,内存由三个阶段组成:编码,保留和提取。保留信息的能力在WM是保持良好的基础认知状态(1]。基于保留阶段期间在线WM WM行为表现可以预测谱熵(2),和融合特征组成的谱熵和Lempel-Ziv复杂性可以有效地分类工作记忆负载(3]。WM在人类认知的核心作用,再加上其有限的能力,导致当前试图改善WM功能通过培训。WM训练可能会影响大脑功能之间的连接网络覆盖的任务。凯利等人表明,普遍做法WM任务可能导致永久性增强静息状态frontoparietal连接(4]。几个功能性磁共振成像(fMRI)研究表明WM培训如何影响大脑活动以各种方式,包括区际变化、解剖改变,和功能连通性变化(5]。然而,功能磁共振成像和较低的时间分辨率不能透露的次秒级时间精度要求的神经机制的整合和协调处理不同功能区域之间在网上WM。这些函数可以由振荡(即同步。,correlation between neuronal activities of frequencies over a millisecond range of time), modulating interactions between neurons and regulating the communication of information between networks [6]。研究表明,不同频段振动有关大脑中与情绪记忆等认知过程(7,8]。在神经生理学方面,个体神经元同步振荡是火灾经常在人口振荡频率像时钟9]。振荡的同步记录下头皮脑电图可用于定义不同的大脑区域之间的相互作用在相对较高的时间分辨率10]。

在区域层面上,两个常见的模式是利用基于脑电图研究WM。一是一个感兴趣的区域(ROI)或多个ROI选择研究振荡频带。例如,颅内脑电图研究表明,θ振荡是一个WM的关键中介,θ的力量,改变背外侧前额叶皮层(DLPFC),背ACC(通道),海马与维护信息的能力在WM [11]。在犒赏WM,川崎和山口发现前额θ的振幅增加滞留期间的体积呈正相关,视觉工作记忆(VWM),表明它参与了地方VWM同步。此外,额β振荡活动被认定为犒赏活动(12]。在短期记忆的一项研究中,Sauseng等人发现顶叶α振荡阻止外部输入干扰正在进行的WM任务(13]。此外,α的神经同步振荡抑制无关的信息处理WM (14]。基于局部场电位,张等人在WM分析大脑网络的动态特性。实验结果表明,cross-frequencyθ之间的耦合和伽马增加学习的日子,WM中发挥了重要作用[15]。即低频神经振荡可以支持在一个大范围的信息处理和交互神经集群(16]。瞬态或短期频率同步可以用来进行信息交互、信息集成和任务之间的协调大脑不同区域或不同神经集群在某些脑区(17]。

另一个是同步等不同的大脑区域之间的关系可以通过脑电图测量一致性研究激活多个脑区(18]。EEG相干主要是衡量相位一致性,表明成对脑区之间的功能连接。强一致性反映了神经元的同步振荡,而这些神经集群之间的弱一致性表示独立活动(19]。使用EEG相干,Murias等人发现,自闭症的一些大脑区域人口过于连接,虽然一些大脑区域不够连接(18]。此外,脑电图的研究阿尔茨海默病的一致性表明,α频带相干temporo-parieto-occipital地区的阿尔茨海默氏症组显著降低(20.]。在另一项研究中,EEG相干结果表明,大脑的右半球在正常对照组更紧密地连接在认知过程中,和前额叶和顶叶区域的激活是明显高于中度抑郁的人21]。在WM任务,增加连贯性θ频段的额叶区和降低高阿尔法值频率的相干乐队前地区反映中央执行功能的需求增加WM [22]。

然而,认知训练干预可能影响不仅改变一个或多个地区,而且集成和分离的变化在整个大脑或子网在网上WM。不同的神经影像学方法,如fMRI和经颅磁刺激(TMS),表明,额叶和顶叶区域中进行在线WM [23]。同时,θ,α和β振荡参与大脑不同区域之间的相互作用,表明信息的动态处理在WM任务的性能(24]。早期的研究者认为,WM可能位于大脑的特定区域,但这一观点受到了挑战。最近的研究表明,WM并不局限于一个特定的大脑区域,因为一个地区将无法完成所有的内存存储和处理个人生活,工作,和其他的经历。WM作为一个复杂的认知系统,不能通过依赖于一个固定的神经通路,包括数以百万计的神经元的交互和集成多个脑区。

大脑的拓扑网络图论网络指数可以量化的区分认知状态在个人与个人之间的认知能力(25]。在神经病理学研究中,抑郁的青少年的大脑静息状态的网络健康对照组相比明显受损与图论分析(26]。李和他的同事们调查了癫痫的脑电图网络和聚类分析在不同的频段,报道,脑电图的同步网络增强在preictal状态相比有更高的网络特征发作状态(27]。玉等人提出,癫痫发作期间当地cross-frequency耦合效率显著降低在θ和阿尔法网络。(28]。使用EEG相干分析,另一项研究发现,轻度抑郁患者偏离的功能网络的小世界网络的最短路径长度(21),这表明大脑网络建设基于EEG相干的图论是一个有效的方法来区分轻度抑郁患者和健康的病人。基于图论的一致性分析,兰格等人计算了静息状态脑电网络的小世界特性之前和之后的WM培训。结果表明,更好的WMθ表示更高权力的认知能力和更强的小世界拓扑(23]。另一项研究发现,同步加强与提高记忆负载在frontoparietal地区已知构成行政在记忆力和注意力功能(8]。根据认知神经可塑性的研究在开发期间,同步振荡活动的皮质网络成熟的一个重要指标。在参与WM执行控制任务相关振荡,激活在额叶和顶叶区域更为明显和集中在成人比儿童和青少年(29日]。因此,脑振荡的同步变化在任务执行阶段通过训练可能揭示WM的可塑性机制。

因此,利用图论构建脑电图WM大脑网络,我们能够研究神经信息的传输和集成在网上WM。我们最好的知识,对所涉及的神经通路网络训练之前和之后WM。大脑的持续的活动提供了强有力的证据表明,这个活动反映特征在WM的保存期。许多大脑区域的皮质和皮质下也表现出了类似的持续活动,并且形成了一个大脑记忆的网络信息交互支持WM信息的处理和传递(30.]。我们假设训练在WM性能的影响可以从神经振荡的变化观察活动之前和之后的训练。因此,图论分析是基于EEG相干构造微分WM前后连贯网络培训。我们首先采用EEG相干方法分别获得相干矩阵θ,α,β,全频率WM训练之前和之后。然后,网络属性WM训练之前和之后的变化研究了图论分析。因此,不同频带的统计差异网络训练之前和之后。在目前的研究中,WM训练的可塑性研究从整个大脑网络的角度来看,这可以提供进一步支持振荡行为的新概念理解WM培训期间在线WM。

2。材料和方法

2.1。主题

二十右手正常男性受试者(平均年龄21岁)参加了实验。没有任何认知障碍或精神和神经系统疾病。实验伦理委员会批准重庆邮电大学。所有受试者参与了实验读事先知情同意的形式并签署它。实验结束后,受试者收到相应的赔偿他们的时间和精力。

2.2。刺激和设计

受试者被要求保持放松在整个实验过程中,尽可能抑制任何广泛的运动。他们被要求执行延迟WM任务三个层次的困难(2、4、8项)在两个交易日。两会的实验内容是一样的,唯一不同的是,受试者完成第一次会议没有培训和完成第二次会议在收到短记忆训练。

实验过程是刺激,行为结果被E-Prime记录(http://www.pstnet.com/eprime.cfm)。一个固定的交叉( )显示在屏幕的中心,每个会话包括60试验(使用内存加载项困难的三个层次)。在实验中,受试者被要求限制眨眼睛,眼球转动,头部动作和相应的刺激做出反应。

首先,50毫秒的固定横闪,表明实验开始。此后,记忆序列提出了200 ms(编码期间)。记忆序列由一个随机组成的大写英文字母a到Z三个难度水平(容易:2项,介质:4项,和困难:8项)。他们用相同的概率随机出现。然后,经过3000毫秒延迟间隔(停留时间),给出了测试序列(英文字母)作为调查项目为100 ms在屏幕上。在这一点上,受试者被要求判断测试序列出现在前面的记忆序列。如果调查项目没有出现在前面的记忆序列,受试者按下“F”键用左手食指。如果有,受试者按下“J”键用右手食指。

2.3。脑电图记录和预处理

64 -通道NeuroScan系统被用来记录受试者的脑电图数据(Quik-Cap,带通滤波:0.05 -100赫兹;采样率:1000赫兹;和阻抗小于5公里Ω),Cz电极作为参比电极在线脑电图收购。

EEG数据的离线处理主要包括rereferencing、数据分割、工件去除,过滤和基线校正。Rereferencing意味着脑电图记录被无限rereferenced使用参考电极正常化技术(31日,32];细分意味着脑电图数据提取100 ms发病前的记忆序列100毫秒后受试者的反应发生;工件去除意味着electronystagmogram(小城镇)和肌电(EMG)被淘汰的盲源分离技术。与此同时,数据段电压振幅范围超过±100μV被移除。脑电图记录被过滤的带通0.5 -45 Hz。数据的基线修正使用内存数组开始前的100 ms。上述预处理后,每个主体的脑电图数据有120试验(60试验为每个会话)。最后,停留时间为每个审判(3000毫秒)提取进行后续分析。

2.4。行为得分

当受试者进行了反应时间和反应准确性的任务,他们要么牺牲准确率交换反应速率或牺牲速度获得反应精度高(33]。在延迟WM匹配任务中,-准确率权衡法则的问题出现。因此,我们签署了剩余使用时间(SRT)为主题的表现分34]。SRT是用于测量的速度和精度之间的平衡科目时执行任务。SRT得分规则定义如下: 在哪里代表总数的试验,表明单个试验的反应准确性(RACC: 0表示反应错误,1表示正确的响应),和表示的最大允许的反应时间 - - - - - -审判。表示反应的延迟。SRT总得分是每个试验评分的总和。换句话说,试验的正确反应,其余时间增加了SRT总分计算,和其余的时间减去错误反应试验。通过上述过程,每个主题收到了SRT得分。

2.5。相干矩阵结构

EEG信号的相干反射的时域信号的相关性两个脑区在不同的频段。两个信号之间的相干函数和计算如下: 在哪里EEG信号的频率;和表示汽车信号的功率谱和 ,分别;和代表信号之间的互功率谱的模量和 。 相干系数,表明在两个电极EEG信号的基本特征(如脑电图的一致性振幅、频率和相位)。相干系数范围从0到1。系数值为0表示,这两个信号和绝对不同步;也就是说,他们是完全独立的22,30.]。相干系数等于1,意味着这两个信号和是同步的,相干系数值在0和1之间,意味着有部分相干(22,30.]。

图1显示了流程的连贯性网络和差网络基于一个配对 - - - - - -测试。首先,降低音量导体效应降到最低,19个电极被选为WM大脑网络的节点。然后,功率谱密度在θ(4 - 7赫兹),α(8 - 12 Hz),β(13-30 Hz)频带利用韦尔奇的提取方法。之后,一致性是用来测量19的任意两个电极之间的关系。换句话说,相干系数关系的强度(即表示。,functional connection) between paired nodes and was taken to represent the edges of the brain networks before and after WM training. The coherence matrix was a 对称矩阵。全频带相干矩阵的训练之前和之后,选择一个合适的阈值进行二值化。获得微分矩阵引起WM培训θ,α和β频段,配对 - - - - - -测试是用于分析统计(即相应的元素。,coherence values) in the coherence matrix of each subject before and after the training. Finally, the statistical network (binary network) before and after the WM training was obtained to examine whether the subjects’ coherence coefficient between two nodes before and after training was significantly different ( ,罗斯福校正)。

2.6。网络属性

用于构建图形分析前后的大脑网络WM训练,和网络拓扑性质测定最优路径长度( ),聚类系数(CC),当地的效率( ),全球效率( ),学位(度)和小世界网络的属性(35- - - - - -37]。网络属性定义如表所示1在下面。

3所示。结果

3.1。行为分析

图2显示了行为分析的受试者前后WM培训。根据统计结果配对 - - - - - -测试中,会话1的平均反应时间显著大于会话2 ( , ),而响应的准确性( , )在会话2和SRT分数显著高于会话1 ( , )。

3.2。网络性能分析

首先,适当的阈值被选中binarize相干矩阵训练之前和之后在WM的保存期。确保WM大脑网络的节点之间的连通性,阈值的选择原则是最大阈值没有孤立节点。如果相干系数值小于给定的阈值,二进制矩阵元素是0,表明或连接两个节点之间的相关性弱;也就是说,大脑节点之间的信息交互不是频繁;相干系数的值是否大于或等于给定的阈值,矩阵的元素是1,表明两个电极信号之间的相关性或连接牢固;也就是说,大脑节点之间的信息交互是接近。图3说明了WM相干网络属性的变化之前和之后的训练。

在图3(一个),16 20受试者在WM大脑相干网络最优路径的长度明显短训练后(阶段2)。此外,成对的统计结果 - - - - - -试验表明,最优路径长度之间的WM网络会话2和会话1明显不同( , ),20个项目,相干网络的平均路径长度在会话中的会话2比1。如图3 (b),15 20受试者的全球效率在WM相干网络会话2低于在会话1;统计测试的结果显示,全球效率之间的WM网络会话2和会话1明显不同( , ),和全球20个受试者的平均效率在WM网络会话中的会话2高于1。

在图3 (c),16个受试者的WM网络的聚类系数增加训练后(会话2);一个配对的结果 - - - - - -试验表明,聚类系数之间的延迟WM网络会话2和会话1显然是不同的( , ),和20个受试者的平均聚类系数WM网络会话中的会话2大于1。图3 (d)显示16个受试者的WM网络会话的本地效率2在会话高于1。配对的结果 - - - - - -试验表明,在当地有一个明显的差别效率之间的延迟相干网络会话2和会话1 ( , ),和当地20受试者的平均效率的WM网络会话中的会话2大于1。

图3 (e)说明了16个受试者20度的WM网络会话2高于在会话1;的结果 - - - - - -试验表明,明显有不同程度的WM网络之间的会话2和会话1 ( , ),和20受试者的平均程度的WM网络会话中的会话2大于1。从图3 (f),可以看出,所有20受试者的总WM网络小世界属性( ),和17的20个受试者的WM网络小世界属性会话2比这些会话1;一个配对的结果 - - - - - -试验表明,有一个明显的差异WM网络的小世界特性之间的会话2和会话1 ( , ),和20个受试者的平均小世界属性会话2比,在会话1。

3.3。不同统计网络

的配对 - - - - - -测试是用来获得统计上的相干矩阵对应元素θ,α和β频段振动前后的培训。也就是说,如果有显著差异的相干值20受试者的WM WM训练之前和之后两个节点之间的网络( ,罗斯福校正),统计矩阵的对应元素被设置为1,如果没有显著差异,统计矩阵的元素被设置为0。最后,统计(二进制)矩阵θ,α和β频段WM训练之前和之后获得;因此,θ的网络差,α和β频段。数据4和5显示一致性的统计矩阵和微分网络θ,α和β频段振动前后WM培训。

基于图论的分析,我们知道,网络是由许多节点(或感兴趣的区域)和成对的节点之间的边,其中某些节点中心的角色。如果这些节点被毁,整个网络将无法正确处理和传输信息,所以这些节点被认为是网络的中心节点。反映出一些重要的大脑区域中心节点的结构或脑功能网络,与大脑功能区域交互执行认知任务有效(38]。

节点度和介数是最常用的方法来定义微分网络的中心节点之前和之后的WM培训(39]。本研究利用节点度定义微分网络的中心节点之前和之后的WM培训。表2显示节点度的19个电极微分网络WM训练之前和之后的三频段振动(θ,α和β)。

从统计结果,网络差的θ频段振动,F3, Fz,和F4电极的中心节点,10度,15日分别和12。微分网络的α频段振动,Fp2, P7, P3, Pz, P8, O1,电极和O2的中心节点,13度,11日,9日,8日,15日,12日和12。β频段频率微分网络,F3, F8, T7, C4, T8,第七页,和P3电极的中心节点,8度,10日,8,9,7,8,分别和7。

4所示。讨论

行为结果表明,索引(ACC、RT和SRT)在线WM训练后明显高于之前的训练。脑电图分析基于网络水平表明,在线WM网络聚类系数较高和较短的最优路径长度在训练后完整的频率。θ网络,节点中增加同步训练后额叶区域。阿尔法网络,远程信息交互在fronto-occipital frontoparietal叶训练后增加。测试网络、同步frontoparietal和颞顶之间主要是训练后增加。这些结果表明,行为性能和网络功能都提高了WM培训。

4.1。行为表现在网络训练之前和之后WM

行为统计分析的结果在图2显示,受试者的平均响应速度更快,训练后平均响应的准确性科目训练后明显高于前培训。此外,SRT是明显高于pretraining行为得分,暗示短期WM训练可以提高个人的一致结论WM行为表现(40- - - - - -42]。

4.2。全频段网络训练之前和之后

在目前的研究中,WM网络的两个节点之间的关系被EEG相干测量,和不同的网络属性的更改之前和之后的训练是通过图论分析(图3)。

数据的统计结果3(一个)和3 (b)显示在最优路径长度有显著差异和全球WM网络训练之前和之后的效率。即网络的最优路径长度低于之前的训练,训练后显示的信息传输效率训练WM网络更有效率。全球效率显著高于训练后在训练之前,说明全球信息,全球信息传播能力强。数据的统计结果3 (c)和3 (d)确认20受试者的聚类系数和当地效率优于那些没有培训,提出了增强的大脑网络连接,更严格的网络节点之间的信息交互,和更密集的地方训练WM网络的信息传输能力。密集的大脑网络的连接和最优路径长度短训练后可能确保高效的WM信息处理和传输。从统计图3 (e),它可以指出记忆训练后网络的节点度明显大于pretraining记忆的网络,这表明有更多的连接和更频繁的节点之间的信息交互记忆训练网络。图3 (f)说明训练和未经训练的WM网络的小世界特征表示。,与一个随机网络相比,WM保留期间大脑网络有较高的聚类系数和类似的最优路径长度。统计结果表明,小世界属性( )网络训练后的比那些在训练之前,这表明网络有效地完成了WM信息的处理和传递成本相对较低的连接。

之前的研究表明,静息状态网络WM训练后显著降低聚类系数和规范化的最短路径长度(43]。这是与我们的任务状态的结论相反,支持降低最短路径长度和聚类系数增加。可能是由于空间不一致 - - - - - -实验范式在先前的研究不同于数字延迟匹配模式在目前的研究中。一项研究表明,更高的全球网络集成和模块化显著预测更好的性能在视觉空间WM,当数值WM优越与高度集中的大脑网络课程(44]。在目前的研究中,采用数字WM培训,提高当地培训后的任务执行的效率进一步证明数字WM改善后培训的能力。或者它可能是由于不同的大脑休息和任务状态之间的网络模式。我们专注于拓扑属性的更改任务状态之前和之后的训练而不是在静息状态与多个培训。

4.3。前后三个频段微分网络培训

从上面的讨论中,个体WM可能通过训练来提高。总的来说,训练有素的WM网络的特性优于未经训练的WM网络的网络特性,表明个体WM是塑料。

先前的研究表明,不同频段振动相关脑区之间的信息交换和认知处理(45]。记忆被认为主要依赖的程度同步神经元之间,在WM尤为重要。通常情况下,α,β,θ振荡参与记忆的过程。探索动态变化对大脑网络的WM训练,本研究构建微分矩阵(图4(图)和差网络5θ),α和β频段之前和之后培训的基础上,保留期间在线WM。

与以前的报告一致(46,47),我们的研究结果表明,额叶θ增强在线WM训练后(图中可观察到5)。θ的同步振荡帮助协调多个脑区神经之间的沟通,有利于保持短期记忆。θ网络在目前的研究中,节点度F3, Fz,和F4电极增加WM训练后,指着增加下额叶节点之间的连贯性和occipital-parietal节点θ频段后WM培训。先前的研究基于该地区水平发现θ频段是增强在不同的地区。例如,先前的研究表明θ在壁耦合振荡在WM[中央执行功能的一个标志22,48]。此外,相关信息的优先级在WMθ振荡在外侧前额叶皮层49]。额θ增强主要是表现明显高的WM任务。阐明θ频段的角色在WM维护,托斯等人认为,θmidfrontal振荡的可能依据积极维护过程特别容易老化的影响(50]。一般来说,是被广泛接受的额θ振荡主要是执行功能相关的WM [51- - - - - -53]。一些研究推测,前额θ活动似乎反映出通用任务需求,比如注意力资源部署在WM [54]。然而,分歧可能是由于这样的事实,相关研究在区域层面是有限的。因此,目前的结果基于全脑网络水平建议额θ的增加同步振荡的保存期似乎反映了WM增强执行力的培训和训练后更成熟的资源部署。

阿尔法网络,节点度的大小在额叶(Fp2),顶叶(P7 P3, Pz, P8),和枕(O1、O2)电极明显比这更大的训练后在训练之前,表明增加配对fronto-occipital网络中节点之间的一致性在WM训练后α频段。此外,它还涉及“自上而下”的远程集成frontoparietal大脑区域之间的信息处理。这是与以往的研究一致。先前的研究发现,α振荡也被证明是特别重要的在自顶向下的视觉处理和视觉注意力55]。在一个实验调查虚拟仪器性能,研究人员发现,α频段的特征一致性模式主要涉及“自上而下”的信息处理的激活。在这里,感官的输入来自多个皮质区域。因此,自上而下的信息处理可以被视为一个蒸馏的瞬时激活皮层,指导未来的行动在哪里生成的新感觉输入的选择(45]。此外,α振荡occipital-parietal皮层与suppression-independent相关信息(56,57),和增强α振荡与抑制有关的感官领域投入保护内部的注意力从外部干扰WM保留期间(58]。因此,增加α振荡在frontoparietal和fronto-occipital地区同步训练本研究可能反映了在延迟增强抑制无关信息的能力,注意记忆指导后培训。

我们发现测试网络的节点度额(F3, F8),颞(T7、C4和T8)和顶叶(P3、P7)电极被WM训练显著增加,表明增加连贯性成对的节点之间在颞顶叶和frontoparietal地区β频段后WM培训。斯坦等人报道,颞叶和顶叶区域之间的同步的低β频段多通道语义处理期间增加。和他们的研究结果发现同步激活在额叶和顶叶皮层后WM停留时间(59]。此外,Daume等人提出了增强β振荡同步从内侧颞叶(MTL)在WM temporal-occipital视觉区域停留时间(60]。他们的结果是符合我们的研究基于全脑网络水平。早期研究与β振荡之间的同步temporal-occipital WM保存期(地区61年]。只要当前认知状态维护,β振荡的同步可以改善(62年]。进一步的研究表明β的影响振荡之间的同步MTL和postaudiovisual地区(包括颞上沟(STS)和侧枕复杂(LOC))强调β振幅作为核心作用在维持视觉对象表示在腹侧流60]。更重要的是,高β权力与长记忆时间(63年]。此外,以往的研究报道前额β振荡之间亲密的因果关系失调和记忆形成64年]。因此,增强β振荡在颞顶叶和frontoparietal地区训练后可能表明活动内存维护和准备memory-guided WM滞留期间的关注。

5。结论

本研究结合脑电图连贯性和图论分析和检查由WM培训基于全脑网络拓扑变化。振荡活动的我们提供了一个新的概念来理解WM培训保留期间在线WM从整个大脑网络的角度。总的来说,频带振动同步与滞留期间的具体认知机制。未来的工作可以探索更有效的培训效果是否可以通过调整频段振动同步在WM训练。

数据可用性

模拟和分析数据用于支持本研究的发现可以从相应的作者。

的利益冲突

没有利益冲突。

确认

本研究是国家自然科学基金支持的中国(# 61671097)和重庆的基础科学和前沿技术研究项目(没有。cstc2017jcyjBX0007)。