《Neurocomputing》：Decoding Pre-movement Neural Activity from Thalamic LFPs for Adaptive Neurostimulation in Tremor Patients
编辑推荐：
本研究针对震颤患者运动前神经活动解码的临床需求，创新性地采用机器学习方法分析丘脑局部场电位（LFP）和头皮脑电图（EEG）信号。研究人员通过逻辑回归、梯度提升决策树和卷积神经网络等模型，成功实现了运动前430ms（LFP）和840ms（EEG）的早期预测，个体化解码模型显著优于跨患者模型，多频带特征联合使用提升了解码性能，为开发基于神经信号提前触发的自适应深部脑刺激（aDBS）系统提供了重要理论依据。
对于深受震颤疾病困扰的患者而言，深部脑刺激（DBS）技术无疑是一道曙光。自1997年美国食品药品监督管理局批准DBS治疗特发性震颤以来，针对丘脑腹中间核的DBS已成为药物难治性震颤的有效疗法。然而，传统持续DBS存在明显局限性：不仅可能引起言语障碍和姿势不稳等刺激相关副作用，长期疗效也会逐渐减退。更令人困扰的是，即便采用能够响应震颤发作的自适应DBS，患者仍然会在运动起始阶段经历短暂的震颤爆发——因为从检测到震颤到刺激生效之间存在不可避免的时间延迟。
这一临床困境催生了一个创新思路：能否在运动实际发生之前，就通过解读大脑的"运动意图"信号来提前触发刺激？理想情况下，这种"先发制人"的干预策略可以在震颤相关振荡完全形成前就将其阻断，从而避免初始震颤爆发。实现这一愿景的关键在于开发能够实时解码运动前神经活动的高效算法。
近日发表在《Neurocomputing》上的研究为此提供了重要突破。牛津大学的研究团队开展了一项开创性工作，他们试图回答一个核心问题：能否利用机器学习从震颤患者的丘脑局部场电位和头皮脑电图中解码出运动前的神经活动，从而为自适应神经刺激系统提供更早的触发信号？
研究人员招募了11名接受DBS手术的震颤患者（包括9名特发性震颤、1名直立性震颤和1名震颤为主型帕金森病患者），在手术后的外部化期间同步记录了丘脑LFP和头皮EEG信号。患者执行了一系列上肢运动任务，如倒米粒、插钉板和握泡沫球等，同时通过表面肌电确定运动起始时间。研究团队构建了完整的信号处理流程，采用因果滤波确保与实时处理兼容，并提取了包括频谱特征、时域统计量、Hjorth参数、自回归系数和倒谱系数在内的多维度特征。
研究采用了四种机器学习算法进行系统对比：逻辑回归（LR）、梯度提升决策树（GBDT）、卷积神经网络（CNN）以及结合手工特征的卷积神经网络（FeatCNN）。所有模型在留一交叉验证框架下进行训练和评估，重点区分运动前500毫秒窗口与静息期。
主要研究结果
3.1. 运动前周期解码性能
研究发现，所有模型均能显著区分运动前周期与静息期。GBDT模型表现最优，在LFP和EEG数据上的平均AUC分别达到0.68。时间分辨解码分析显示，基于LFP的信号在运动前430毫秒即可实现高于随机水平的解码，而EEG信号更是提前到840毫秒。有趣的是，虽然固定时间窗内的AUC值在LFP和EEG之间无显著差异，但EEG在更早时间点显示出解码能力，表明两种信号模态在运动前神经活动检测中具有不同的时间特性。
3.2. 跨患者变异性调节模式
研究观察到明显的患者间变异现象。患者特异性模型的解码性能显著优于跨患者模型，当训练数据中包含其他患者数据时，测试集AUC反而下降。这一发现强调了个性化解码策略在自适应DBS系统中的重要性。时间频率分析揭示了不同患者在不同频带（如θ、α、β和γ波段）的调节模式存在显著差异，进一步支持了需要根据个体神经特征定制解码模型的观点。
3.3. 振荡特征对解码的贡献
通过单独评估各频带的解码效能，研究发现多频带联合使用显著优于任何单一频带。低β波段（13-20Hz）和γ波段（30-100Hz）分别解释了全波段模型变异的20%和17%，而两者结合可解释48%的变异，表明这些频带携带互补性信息。这一发现驳斥了仅依赖传统"震颤波段"（如β波段）的观点，强调了多频带整合策略的价值。
计算效率评估
研究还评估了各算法在推断阶段的计算成本。特征提取步骤中，全特征集需187毫秒，而仅使用频谱特征则降至5毫秒。CNN模型因无需手工特征提取，总处理时间仅1毫秒，显示出在资源受限的植入式设备中的应用潜力。
讨论与意义
这项研究系统论证了从震颤患者丘脑LFP解码运动前神经活动的可行性，为开发预适应DBS系统奠定了坚实基础。研究结果表明，个体化、多频带的机器学习方法能有效捕捉运动准备阶段的神经相关性，支持通过定制化模型开发自适应神经调控疗法。
值得注意的是，基于EEG的解码比LFP提前约410毫秒检测到运动意图，这一发现具有重要临床意义：它提示非侵入性EEG可能作为侵入性LFP的补充或替代信号源，尤其在需要极早预测的场景中。同时，患者间变异性的存在强调了个性化解码模型的必要性，一刀切的方案可能无法满足临床需求。
在技术路径选择上，研究发现虽然GBDT模型精度略高，但CNN模型在计算效率上具有明显优势——这对于未来在植入设备上的实时应用至关重要。多频带贡献分析则指出，成功的解码系统需要整合广泛频带信息，而非仅关注特定振荡模式。
当然，研究也存在一定局限性，如样本量较小、缺乏实时验证等。未来工作需扩大样本规模，探索多模态信号融合（如LFP-EEG联合解码），并在自由活动场景下验证算法鲁棒性。
总体而言，这项研究为震颤的精准神经调控提供了新思路，推动DBS从"响应式"向"预适应式"演进，最终有望为患者带来更自然、更高效的治疗体验。随着脑机接口技术和机器学习算法的不断进步，基于神经信号提前触发的自适应DBS系统有望成为震颤疾病治疗的新标准。
