基于全脑连接组学的侵入式神经信号解码平台推动脑机接口与闭环神经调控的精准医疗应用

本研究针对侵入式脑信号解码缺乏标准化框架的难题，开发了开源平台py_neuromodulation，整合了多模态神经信号特征提取、机器学习解码与磁共振连接组学分析。通过对73例接受脑植入物治疗的运动障碍、抑郁症及癫痫患者长达123小时的颅内信号分析，实现了跨疾病、跨中心的运动解码泛化，揭示了抑郁症情绪解码的关键前额叶-扣带回路网络，并优化了癫痫响应式神经刺激仪的 seizure 检测参数。该研究为闭环神经调控提供了可推广的方法学基础，推动了个体化自适应神经治疗技术的发展。

脑机接口（BCI）研究正在推动闭环神经调控疗法的发展，为脑部疾病的治疗提供了前所未有的时空精准性。然而，要实现这种精准性，需要从脑信号中解码患者的动态状态，但目前缺乏一个标准化的框架来处理侵入式脑植入物记录的神经信号。机器学习在解码大脑信号方面具有巨大潜力，但面临三大障碍：依赖个体患者的短数据段、缺乏提取波形形状和非周期性活动等复杂特征的标准方法，以及未能充分考虑产生信号的底层脑网络。为了解决这些难题，研究人员开发了一个模块化的开源方法平台py_neuromodulation，旨在弥合闭环神经调控与临床BCI方法之间的差距。

本研究利用了一个名为py_neuromodulation的开源、集成和模块化平台，用于标准化和可重复地实现基于机器学习的脑信号解码算法。该平台支持从神经处理器API流式传输或从Brain Imaging Data Structure（BIDS）格式文件模拟离线流的数据处理，确保离线与在线解码性能一致。特征估计包括振荡动力学、波形形状、区域间一致性等多种最先进的信号处理算法。平台还采用了针对侵入式脑信号解码的个体化脑植入物定位方法，利用规范空间中的功能或结构连接组指纹进行跨患者解码。关键实验技术包括使用 electrocorticography（ECoG）和 local field potentials（LFP）进行信号记录，结合 fast Fourier transform（FFT）和短时傅里叶变换进行频域特征提取，以及使用逻辑回归分类器和 contrastive learning（如CEBRA）进行解码模型训练。研究队列涵盖73名神经外科患者，包括帕金森病、抑郁症和癫痫患者，总共分析123小时以上的侵入性记录数据。

侵入性神经生理学处理用于脑信号解码

研究人员开发了一个开放、集成和模块化的平台（py_neuromodulation），用于标准化和可重复地实现基于机器学习的脑信号解码算法。该平台包括多种先进的信号处理算法，可以提取振荡动力学、波形形状、区域间一致性等特征。平台还解决了脑植入物个体化定位的难题，通过基于规范空间中的功能或结构连接组指纹开发了跨患者解码方法。

具有在线验证的可泛化运动解码模型

对于运动障碍的治疗，解码意志性和病理性运动输出有潜力为不同疾病（如帕金森病或特发性震颤）提供治疗调整的关键信息。研究评估了基于ECoG的运动解码作为一个二分类问题（静止 versus 运动），无需个体化训练。结果显示，解码性能与帕金森病患者的临床症状严重程度负相关，并且治疗性DBS会显著降低解码性能。研究人员探索了三种计算方法来解决这一关键限制，包括空间外推、连接组学方法和对比学习（CEBRA）。所有三种方法在跨队列和跨疾病验证中均达到了显著高于0.5机会水平的性能，其中CEBRA方法表现最佳。在线验证表明，预训练的模型在没有个体训练的情况下实现了稳定的解码性能，甚至在进行闭环神经刺激时也保持稳定。

重度抑郁症中的情绪解码

侵入性脑信号解码的临床应用不仅限于运动解码。研究人员展示了py_neuromodulation在神经精神领域用于脑电路发现的临床潜力。通过从重度抑郁症的主要DBS靶点——膝下扣带皮层（SCC）记录局部场电位信号，解码感知情绪。结果显示，所有患者在情绪解码方面均高于机会水平，性能在刺激开始后150毫秒上升，600毫秒达到峰值。解码性能由振荡活动（包括高频活动（HFA）、低和高gamma活动）以及波形形状特征（如上升时间和 prominence）驱动。解码性能与DBS诱导的BDI评分改善相关，并且发现了一个左外侧前额叶网络，与经颅磁刺激治疗抑郁症的靶点网络有直接重叠。

癫痫中 seizure 检测参数的优化

响应式神经刺激（RNS）是一种用于治疗药物抵抗性癫痫的闭环刺激设备。研究人员通过优化RNS检测器参数，显著降低了误报率，同时保持了稳定的真阳性率，整体性能得到提高。通过连接组学方法，发现了一个与双侧颞叶、海马、扣带和枕叶皮层相关的结构连接网络，可以预测 seizure 检测性能。

本研究展示了脑信号解码在神经调控中的使用，覆盖了神经技术的关键创新领域。研究人员证明了跨疾病实体、运动类型、采集系统和队列的解码能力，提出了基于连接组学的通道选择和对比学习（CEBRA）相结合的方法，避免了繁琐的患者个体化训练。此外，研究还强调了波形形状特征在情绪解码中的重要性，并揭示了情绪解码的左前额叶网络。最后，研究展示了直接改善癫痫治疗中 seizure 检测参数的机会。py_neuromodulation平台提供了一个开源平台，有潜力民主化和标准化脑信号解码，促进闭环神经刺激与临床BCI方法的融合。

研究的意义在于为下一代神经技术的发展奠定了基础，使闭环神经刺激能够动态适应患者的个体需求。通过提供可推广的解码模型和方法，研究有望降低医疗成本，提高患者满意度，并推动精准医疗在神经疾病治疗中的应用。未来的研究可以进一步验证这些方法在更大规模的多中心合作中的有效性，并探索其在其他脑疾病中的应用潜力。