《Brain Topography》：Exploring Dynamic Alpha Band Connectivity in Parkinson’s Disease: A Novel Approach to Postural Control Assessment Using the BioVRSea Paradigm
编辑推荐：
本文推荐一项创新研究，针对帕金森病（PD）患者姿势控制（PC）障碍的神经机制难题，研究人员采用BioVRSea范式（整合虚拟现实和脑电图技术）开展动态脑网络状态（BNSs）研究。结果发现PD患者背侧注意网络（DAN）主导的BNS2覆盖率显著降低（PRE阶段p=0.019，MOV阶段p=0.036），提示视觉运动整合功能受损。该研究首次揭示了α波段动态脑网络连接可作为PD神经功能障碍的生物标志物，为早期诊断提供新思路。
帕金森病作为一种常见的神经退行性疾病，其典型症状包括震颤、僵硬、动作迟缓以及平衡问题。随着疾病进展，患者日常生活中执行运动任务变得愈发困难，这不仅严重影响生活质量，还显著增加跌倒风险。尽管帕金森病的运动症状尤为突出，但临床诊断仍面临挑战，部分原因在于其运动与非运动症状与其他神经系统疾病存在重叠，且早期迹象易被误认为正常衰老变化。目前，该病诊断主要依赖临床评估和一系列辅助工具，如步态分析、脑成像技术（磁共振成像MRI、正电子发射断层扫描PET）和脑电图（EEG）等。其中，EEG因其高时间分辨率、成本效益高、便携及无创等优势，在监测与运动控制和认知相关的快速神经动力学方面展现出独特价值。尤其值得注意的是，维持姿势控制这一复杂过程，需要感觉输入、运动反应和神经过程的精密整合，而帕金森病患者恰恰在这些环节存在缺陷。然而，以往大多数EEG研究主要聚焦于静息态或静态任务，对于需要连续姿势调整的动态任务中大脑活动模式的理解仍存在空白。
为了解决这一难题，研究人员开展了一项探索性研究，采用一种名为BioVRSea的创新范式来评估姿势控制。该研究旨在通过整合虚拟现实（VR）和脑电图（EEG）技术，更深入地探究帕金森病相关的神经改变。研究成果发表在《Brain Topography》上。
为了开展这项研究，作者们主要运用了几项关键技术方法。研究招募了20名自我报告存在姿势不稳的帕金森病患者和22名年龄匹配的健康对照（CTR）参与者。所有参与者均经历了BioVRSea实验范式，该范式在一个模拟海上环境的VR场景中，结合移动平台来挑战参与者的平衡能力，并同步采集多模态生物信号，本研究重点分析了EEG数据。EEG数据通过64导WaveGuard脑电帽采集，采样频率为4096Hz。数据预处理使用了EEGLAB工具箱，包括降采样至1024Hz、带通滤波（1-45Hz）、伪影剔除（采用伪影子空间重建ASR和独立成分分析ICA方法）和坏道插值。核心分析步骤包括：利用加权最小范数估计（wMNE）解决EEG逆问题，进行皮层源信号重建；将源信号划分为56个基于Desikan-Killiany图谱的感兴趣区域（ROIs），这些区域与七个典型的静息态网络（RSNs）相关联；采用相位锁定值（PLV）方法计算α波段（8-13Hz）的动态功能连接矩阵；使用k-means++聚类算法从动态连接矩阵中识别出六个大脑网络状态（BNSs）；最后，对每个BNS计算了覆盖率、出现次数、平均持续时间等指标，并分析了BNS之间的转换概率（TP），用于组间（PD vs. CTR）统计比较。
研究结果通过多个方面呈现。首先，在BNS识别与特征方面，研究成功识别出六个不同的BNS。其中，背侧注意网络（DAN）在五个BNS中占主导地位，凸显了其在任务期间维持注意力控制的关键作用。研究观察到BNS的分布和动态变化在PD组和CTR组之间存在差异。尤为重要的是，在BNS覆盖率与组间差异分析中发现，与CTR组相比，PD患者在PRE（调整后p值 = 0.019）和MOV（调整后p值 = 0.036）阶段，BNS2的覆盖率显著降低。BNS2与DAN和显著性网络（SAN）密切相关，其覆盖率的降低提示PD患者在姿势控制任务中存在视觉运动整合功能受损。其他BNS（如BNS3、BNS4、BNS5）也显示出组间差异趋势，但未达到校正后显著性水平。在BNS与静息态网络（RSNs）的关联分析中，每个BNS都被映射到特定的RSNs组合。例如，BNS1主要涉及视觉网络（VIS）和SAN；BNS2、BNS3、BNS4、BNS5、BNS6均以DAN为主要网络，但分别与听觉网络（AUD）、默认模式网络（DMN）、VIS、SAN等不同网络协同活动。这反映了不同大脑网络在复杂姿势控制任务中的特异性和协同性。关于转换概率（TP）与网络动态的分析表明，PD患者和CTR组在所有实验阶段都显示出相似的BNS间转换结构，但存在细微差别。PD患者表现出在较窄状态子集内进行反复转换的倾向，灵活性较低。值得注意的是，PD患者从BNS1到BNS4以及从BNS4到BNS1的转换概率持续高于CTR组，而CTR组从BNS4到BNS1和BNS3到BNS4的转换概率更高。这反映了PD患者大脑网络动态重组能力的改变。此外，问卷指标与BNS指标的相关性分析显示，仅在CTR组中，BNS3的出现次数与神经/肌肉劳损（NEURO）指数存在显著正相关（ρ = 0.27, p < 0.01）。然而，在两组中，BNS3的持续时间和覆盖率均与NEURO指数显著相关（CTR组：持续时间ρ=0.24, p<0.02，覆盖率ρ=0.26, p<0.01；PD组：持续时间ρ=0.21, p<0.05，覆盖率ρ=0.22, p<0.05），表明BNS3的特定模式与任务引起的神经生理反应相关。
研究结论与讨论部分强调，这项研究通过BioVRSea范式和动态EEG脑网络分析，揭示了早期帕金森病患者在完成复杂姿势控制任务时，其大脑网络状态存在特异性改变。BNS2覆盖率的显著降低是PD组的一个突出特征，这可能反映了背侧注意网络和显著性网络功能的异常，进而影响了感觉整合和注意力分配，最终导致姿势控制障碍。研究还揭示了PD患者大脑网络状态转换模式存在僵硬、灵活性下降的趋势。这些发现表明，动态α波段功能连接分析有潜力作为帕金森病神经功能障碍的生物标志物，尤其适用于特定姿势控制任务下的早期识别。该研究方法的创新性在于将高生态效度的VR姿势挑战与高时间分辨率的EEG脑网络动态分析相结合，能够捕捉到传统行为学评估或静息态检查难以发现的细微神经功能异常。综上所述，这项工作深化了我们对帕金森病姿势控制障碍背后神经机制的理解，所开发的BioVRSea范式及分析框架为未来临床评估疾病进展和干预效果提供了有价值的工具。
