解码机械腕部扰动诱发的皮层响应机制：基于两步共享结构NARX模型的研究

　　（编辑推荐）本研究提出一种两步共享结构NARX（非线性自回归外生输入）建模方法，通过正交前向回归（OFR）算法与自适应多种群遗传算法融合策略，突破传统单试次建模局限，显著提升多被试数据共享特征提取精度。该方法成功应用于机械扰动下脑电（EEG）信号分析，揭示皮层响应共性模式与个体特异性机制，为脑信息编码研究提供新范式。

　　

Highlight

本研究首次通过共享结构NARX模型揭示机械腕部扰动下皮层响应的跨被试一致性规律，发现α频段神经响应与肌肉反馈的特异性关联，为理解感觉-运动整合机制提供建模新范式。

Introduction

感觉反馈引发的皮层响应在正常运动中起核心作用[1]，其通过将外部感觉信息转化为内部运动控制信号的补偿性调节来实现功能[2]。探究这一过程的机制不仅对理解正常运动控制至关重要，更为直接向大脑写入信息（这一重大研究挑战）提供了潜在途径，对深昏迷患者的康复具有深远意义。

当前研究多采用刺激-响应关系分析策略，通过精心设计的刺激观察脑电（EEG）等脑状态变化[3]。Yang等人提出无模型方法量化非线性刺激-响应关系[4]，发现外周刺激与α波段皮层响应间存在显著幅值传递的非线性系统行为。Qu等人通过分析EEG非线性特征，研究不同听觉刺激对意识障碍患者皮层响应的影响[5]。这些研究虽揭示了响应的非线性特性，但缺乏对输入-输出过程的动态描述。近期非线性建模研究表明，刺激扰动的延迟速度与加速度信号产生的互调产物，对塑造皮层响应非线性动力学具有重要作用[6]。非线性建模能更精确描述动态输入-输出过程，为感觉运动机制提供新见解。

常用非线性模型包括神经网络模型[7]、Volterra模型[8]和非线性自回归外生输入（NARX）模型[9]。神经网络模型预测性能优异但结构复杂且缺乏可解释性；Volterra模型能有效表征自回归关系，但因缺少自回归项而精度受限；NARX模型则以简约透明的结构优势展现出卓越性能。我们前期研究采用稀疏NARX模型分析主动与被动下位皮层响应差异[10]，但被试特异性模型难以提取群体共享特征。这些特征反映群体间相似属性，对未来感觉运动障碍相关的异常皮层响应临床研究至关重要，也为量化不同个体对特定刺激的一致性脑响应提供潜在工具。因此，开发跨被试共享结构模型检测方法以提取共享特征迫在眉睫。

共享结构模型使不同被试数据能用同一框架表征。深度学习中的被试无关算法与迁移学习可视为共享结构检测方法：Li等人[11]利用CNN-LSTM网络开发被试无关连续运动估计系统，实现不同被试肘关节角度估计；Long等人[12]采用LSTA-Conv网络构建多被试模型，并通过对抗知识迁移学习策略校准模型，实现多指关节角度估计。尽管深度学习结果优异，但其模型结构不透明。机制分析要求模型结构透明简约以促进临床转化研究。Diaz-Ramirez等人尝试用同一组预测变量预测多 outcomes[13]；Li[14]、Gu[15]及Wei与Billings[16]分别提出共享模型结构选择算法，利用正交前向回归（OFR）遍历候选项并选择所有数据集最小指标对应项构建共享结构模型。然而这些方法存在显著缺陷：1）使用单试次数据构建NARX模型可能忽略试次间数据关联，导致模型不准确；2）贪婪选择候选项易使结果陷入局部最优。

为克服现有方法局限，本文提出两步共享结构检测方法。第一步考虑数据相似性与OFR优势：拼接被试重复实验数据，利用OFR识别各被试回归项，增强试次间关联并建立被试初步模型；采用跨被试共享模型项构建通用目标模型。第二步为更全面描述系统，采用自适应多种群遗传算法对第一步未选中的回归项进行编码全局优化，优化结果用于补充共享结构模型。经两个仿真示例验证后，我们建立了机械扰动下共享结构模型，通过结构、参数与频域特征分析揭示皮层对外部刺激的响应机制。本文主要贡献有三：

1. 1.

   提出有效共享结构检测方法，支持被试间共享特征提取，为群体特性分析奠定基础；

2. 2.

   阐释模型结构与生理结构关联，据此推断宏观皮层响应方式，深化机体对外界干扰反应的理解；

3. 3.

   从频域视角揭示特异性皮层响应机制，不仅增强神经系统认知，更为未来脑信息写入研究铺路。

Conclusions

为揭示皮层对外部机械扰动的响应机制，本文提出建立NARX模型共享结构的两步法，凸显不同被试间共性特征。通过共享模型的结构与参数分析，我们发现皮层响应可能遵循相似神经响应模式，而被试特异性响应可能依赖于肌肉反馈信息。此外，频域分析表明，大脑可能根据感觉输入生成运动抑制信号以维持扰动前静息状态。这些发现为皮层响应机制提供宝贵见解，对未来脑信息编码研究具有潜在意义。