基于脑电特征与机器学习解码TMS运动兴奋性的个性化预测新方法

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Decoding Motor Excitability in TMS Using EEG-Features: An Exploratory Machine Learning Approach

　　本研究针对传统经颅磁刺激(TMS)依赖静态参数、忽视个体神经生理差异的问题，开发了一种基于脑电图(EEG)特征和机器学习框架的个性化运动兴奋性状态预测方法。通过整合频谱和功能连接特征，采用嵌套交叉验证策略，在50名健康参与者中实现了71±7%的预测准确率。研究发现存在两种不同的兴奋性调控模式亚组，为个体化闭环TMS干预提供了新思路，对神经精神疾病治疗具有重要临床意义。

　　

大脑拥有惊人的可塑性能力，这种能够适应和重组神经网络的特点，为神经系统疾病的治疗带来了希望。经颅磁刺激(TMS)作为一种非侵入性脑刺激技术，在运动卒中康复和精神疾病治疗中展现出巨大潜力。然而，尽管TMS在临床中得到广泛应用，但其治疗效果仍不尽如人意，应答率往往低于50%。

问题的关键在于传统的"一刀切"方法。现有TMS干预通常采用开环系统，使用固定的刺激参数，假设预先确定的脑电图(EEG)特征能够普遍代表所有个体的高或低兴奋性状态。这种方法忽视了重要的个体神经生理差异和大脑状态的动态特性，可能限制了TMS的治疗效果。

基于此，来自德国蒂宾根大学的研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了一项创新研究，提出了一个监督机器学习框架，能够从刺激前EEG特征预测个体运动兴奋性状态。

研究人员采用了严格的方法学设计，纳入了50名健康右利手成年人，通过结合EEG-TMS记录，靶向左侧初级运动皮层(M1)。研究的关键在于使用单脉冲TMS诱发的运动诱发电位(MEP)振幅作为皮质脊髓兴奋性(CsE)的指标，并基于移动中位数滤波器将试验分为高、低兴奋性状态。

技术方法的核心包括：多模式特征提取（涵盖频谱和功能连接特征）、嵌套交叉验证策略（5×5折交叉验证）、多分类器比较（随机森林、逻辑回归、支持向量机）以及个性化特征选择方法（mRMR结合递归特征消除）。研究还进行了严格的统计验证，包括标签随机化和排列检验，确保结果的可靠性。

III. 结果

A. 解码管道的验证

研究通过标签随机化和排列检验验证了解码管道的性能。在传感器水平（64通道）配置下，随机化兴奋性标签的平均测试准确率为0.50，而使用原始标签时显著提高至0.71±0.07，证明管道能够有效区分真实的CsE状态。

不同特征集配置的比较显示，传感器和源水平配置以及传感器水平（126通道）配置达到了最高的平均准确性（0.72），但与传感器水平（64通道）配置（0.71）无显著差异。而仅使用Hjorth滤波（4个ROI）的配置性能显著较差（0.63）。

在不同实验方案的评估中，方案2组（n=32）获得了最高的准确性（0.73），其次是方案1组（n=8；0.72）和方案3组（n=10；0.68）。所有分类器（逻辑回归、随机森林、支持向量机）表现相当，无显著差异。

B. 预测性EEG特征的分析

1) 关键EEG特征的识别

对每位参与者前10个预测性EEG特征的分析揭示了明显的个体差异。传感器水平特征比Hjorth滤波特征更普遍（比例0.77 vs 0.23），局部特征主导于连接特征（0.81 vs 0.19）。左半球特征最为常见（0.48），高伽马（0.21）和低伽马（0.16）频带最常被选择。顶叶（0.26）、中央（0.21）和额叶（0.16）是最显著的大脑区域。

2) 层次聚类和显著特征

通过基于参与者特征分布的层次聚类，研究识别出两个不同的集群。集群1（54%的参与者）以感觉运动区域的Hjorth滤波特征和低频带（theta、alpha、低beta）为主。集群2（46%的参与者）主要包括顶叶区域的传感器水平特征和高频带（低和高伽马）。

IV. 讨论与结论

该研究成功开发并验证了一个监督机器学习框架，能够从刺激前EEG特征预测个体运动兴奋性状态。该方法的创新之处在于其个体化、数据驱动的方法，超越了依赖特定频率带和皮层区域的固定空间和时间滤波器的传统方法。

研究发现参与者之间存在明显的预测特征异质性，这表明个体化模型的必要性。通过层次聚类识别出的两个不同参与者群体，分别对应传统的运动兴奋性关联特征和涉及更广泛神经动态的特征模式，这一发现对理解运动兴奋性的神经机制具有重要意义。

尽管存在一些局限性，如非自适应框架、MEP振幅作为皮层兴奋性代理的局限性等，但该研究的实际应用价值显著。通过实现71%的平均预测准确率，该框架相比随机刺激时机（50%准确率）有42%的相对提升，这种改进可能增强TMS治疗协议的效果，减少治疗持续时间，优化神经精神疾病患者的治疗结果。

该研究方法还具有实用性和计算效率，适用于时间敏感的临床和研究环境。所有传感器水平特征的计算在标准实验室PC上约25分钟内完成，分类器训练和准确性评估在合理时间内完成，表明其在实际应用中的可行性。

总之，这项研究为个性化TMS干预奠定了基础，不仅对运动兴奋性状态预测具有重要价值，还为更广泛的神经调控和脑信号分类问题提供了通用平台。随着进一步的研究和优化，这种方法有望显著提高TMS在神经精神疾病治疗中的精确性和有效性。