刺激前神经动力学预测TMS反应：分形维数与振荡活动的作用

《Computers in Biology and Medicine》：Pre-stimulus neural dynamics predict TMS responses: The role of fractal dimension and oscillatory activity

本研究探讨了刺激前脑电信号特征如何影响经颅磁刺激诱发电位（TEP）的振幅。研究人员通过分析健康个体的TMS-EEG公开数据集，发现刺激前较低的Gamma频段功率和较高的Alpha功率与更强的TEP振幅相关，而较低的分形维数（HFD）同样预示着更大的TEP响应。机器学习模型（R2 = 0.6867）证实了这些特征对TEP振幅的预测能力。该研究为理解大脑临界状态下的皮层反应性提供了新见解，对神经精神疾病的生物标志物开发和个性化神经调控具有重要意义。

　　

当我们用经颅磁刺激（Transcranial Magnetic Stimulation, TMS）轻轻“敲击”大脑时，大脑会如何回应？这个问题的答案远非一成不变。大脑并非被动地接受外界刺激，其内部时刻存在着复杂的自发活动。这些持续波动的背景状态，如同舞台的灯光和音效，深刻影响着大脑对TMS这支“探针”的反应强度。理解这种状态依赖性，对于揭示大脑工作原理以及发展TMS作为一种精准的神经调控和治疗工具至关重要。传统研究多关注特定频段（如Alpha节律）的功率对皮层兴奋性的影响，但大脑作为一个复杂系统，其动力学特征远不止于此。近年来，“临界性”（Criticality）理论为我们提供了新的视角。该理论认为，大脑在有序和混沌之间的临界点上运作，此时系统的适应性、信息处理能力和响应性达到最优。偏离这一临界状态，则可能与神经精神疾病的病理生理相关。那么，如何量化这种临界状态？刺激前大脑活动的复杂性能否预测其对TMS的反应？

为了回答这些问题，来自意大利帕多瓦大学的研究团队在《Computers in Biology and Medicine》上发表了一项研究，题为“刺激前神经动力学预测TMS反应：分形维数与振荡活动的作用”。该研究创新性地将表征信号复杂度的分形维数（Higuchi's Fractal Dimension, HFD）与传统的频域功率分析相结合，深入探究了刺激前大脑状态如何塑造初级运动皮层（M1）的TMS诱发电位（TEP）。

研究人员利用一个公开的TMS-EEG数据集，该数据集包含20名健康参与者。TMS作用于左侧初级运动皮层（M1）。研究核心是分析刺激前（-800毫秒至-200毫秒）的EEG信号特征，包括不同频带（Delta, Theta, Alpha, Beta, Gamma）的功率谱密度（PSD）以及HFD。随后，他们通过相关性分析和多种机器学习模型（如随机森林、梯度提升等），系统评估了这些刺激前特征对刺激后TEP振幅（以局部场电位功率eLFP量化）的预测能力。

主要技术方法概述

本研究主要基于一个已公开的包含20名健康个体的TMS-EEG数据集进行分析。关键技术方法包括：1) EEG数据预处理，使用EEGLAB和TESA工具包进行伪迹去除；2) 特征提取，计算刺激前时间窗内的Higuchi分形维数（HFD）和各频段功率谱密度（PSD）；3) 统计分析，采用置换t检验比较不同特征分位数下的TEP差异，并进行错误发现率（FDR）校正；4) 机器学习预测，使用多种回归模型（如梯度提升回归器GBR、XGBoost等）和集成学习（如投票回归器）来预测HFD和TEP振幅，并通过网格搜索进行超参数优化；5) 特征重要性分析，采用互信息（Mutual Information, MI）法评估各预测变量的贡献。

研究结果

1. 刺激前HFD对刺激后TEP的影响

研究发现，刺激前HFD值与TEP振幅呈负相关。具体而言，当刺激前神经活动具有较低的HFD（即信号复杂度较低，更趋向有序状态）时，后续的TEP振幅更大。相反，较高的HFD（复杂度高，更趋向混沌）则伴随着较小的TEP响应。这表明，大脑在相对有序的状态下，对TMS扰动更为敏感，反应更强烈。这一发现与大脑临界性框架相符，即接近有序的状态可能优化了大脑的响应性。

2. 刺激前功率频段对刺激后TEP的影响

除了HFD，不同频段的功率也对TEP有显著影响。结果显示，刺激前较低的Gamma功率和较高的Alpha功率与更强的TEP振幅相关。而Delta、Theta和Beta功率也与TEP振幅呈负相关。值得注意的是，Alpha功率的作用与其他频段相反，呈现出正相关，这凸显了Alpha节律在调节皮层兴奋性中的独特作用，可能与其抑制性功能有关。在所有频段中，Gamma功率显示出最强的判别能力。

3. 特征间的偏相关分析

为了厘清各特征间的直接关系，研究人员进行了偏相关分析。结果显示，HFD与TEP振幅的偏相关系数为R = -0.30，Theta功率为R = -0.29，表明它们是预测TEP的最重要特征。此外，Alpha功率与HFD呈强负相关（R = -0.55），而Gamma功率与HFD呈正相关（R = 0.48），揭示了振荡活动与信号复杂度之间的内在联系。

4. 基于机器学习的预测与特征重要性

机器学习模型成功利用刺激前功率特征预测了HFD（R² = 0.7092）。更重要的是，结合刺激前功率和HFD特征，机器学习模型能够准确预测刺激后的TEP振幅，最优模型（投票回归器）的R²达到0.6869。特征重要性分析（基于互信息MI）表明，Gamma功率（MI = 0.547）是预测TEP的最重要特征，其次是Beta功率（MI = 0.184）和HFD（MI = 0.179）。

研究结论与意义

本研究通过整合分形维数分析和频域振荡活动，揭示了刺激前大脑状态对TMS反应的关键调制作用。核心结论是：刺激前较低的神经信号复杂度（低HFD）和特定的振荡模式（低Gamma功率、高Alpha功率）预示着大脑对TMS扰动具有更强的响应性，即更大的TEP振幅。这支持了大脑临界性理论，表明大脑的响应性受到其内部动力学状态的精细调节。

这项研究的意义重大。首先，它提供了新的生物力学视角，将信号复杂度这一全局性指标与局部皮层兴奋性联系起来，深化了我们对大脑状态依赖性的理解。其次，研究证实了利用刺激前EEG特征（特别是Gamma功率和HFD）预测TMS反应的可行性，这为发展个体化、状态依赖的TMS治疗方案奠定了理论基础。例如，在未来临床应用中，可以通过实时监测患者的刺激前脑电特征，选择在最优的大脑状态下施加TMS刺激，以期获得最佳的治疗效果。最后，这些发现对理解神经精神疾病（如抑郁症、精神分裂症、癫痫等）中可能存在的临界状态失调提供了新的研究思路，HFD和特定频段功率或可作为评估疾病状态和治疗反应的新型生物标志物。

总之，这项工作不仅增进了我们对大脑如何响应外部扰动的基本认识，也为TMS技术的精准化和临床应用开辟了新的道路。