对皮层-肌肉子网络的重建和动态分析揭示了视觉运动控制中特定任务的神经协调机制

《Journal of the Neurological Sciences》：Reconstruction and dynamic analysis of corticomuscular subnetworks reveal task-specific neural coordination in visuomotor control

本研究提出了一种新型皮层-肌肉子网络重建与分析框架，结合部分转移熵（PTE）和NMF分解与k-means聚类，探究了不同视觉反馈条件下的动态皮层-肌肉-皮层网络，揭示了任务特异性子网络特征与行为表现的相关性。

　　在行为神经科学领域，理解视觉与运动协调（visuomotor coordination）是推动研究进展的重要方向，尤其对于揭示日常活动中精细手部控制的神经机制具有重要意义。然而，目前关于这类协调机制在大脑与肌肉网络中的动态组织方式仍存在诸多未知。为了深入探讨这一问题，研究者们提出了一个创新性的框架，用于重建和分析在视觉运动任务中同时记录的脑电图（EEG）和肌电图（EMG）信号所反映的皮层-肌肉子网络（corticomuscular subnetworks）。该方法不仅能够捕捉大脑与肌肉之间的双向信息流动，还通过引入新的分析手段，进一步揭示了不同反馈条件下神经协调策略的差异。

视觉运动协调涉及大脑与肌肉系统之间的复杂互动，这种互动依赖于实时的环境信息整合。在实际任务中，如抓握力跟踪（grip-force tracking），视觉反馈在指导运动行为方面发挥着关键作用。然而，当缺乏视觉反馈时，个体仍然能够通过本体感觉（proprioceptive feedback）来完成任务，这表明了神经协调机制的灵活性与适应性。研究团队通过实验设计，将被试者置于有视觉反馈和无视觉反馈两种条件下，观察其在完成抓握力跟踪任务时的神经活动变化。实验对象为十五名右利手的健康受试者，平均年龄为22.80 ± 1.01岁，其中九名男性和六名女性。所有受试者均无神经系统疾病史，并在实验前签署了知情同意书。

实验过程中，研究者利用EEG和EMG信号记录了大脑和肌肉系统的激活情况。通过引入部分转移熵（Partial Transfer Entropy, PTE）这一模型无关的度量方法，构建了动态的皮层-肌肉-皮层网络（cortico-muscular-cortical networks），以更全面地刻画大脑与肌肉之间的双向信息流动。与传统的线性模型相比，PTE能够更有效地捕捉非线性依赖关系，从而避免了由于间接影响或共同来源而造成的误差。此外，研究团队还采用了非负矩阵分解（Non-negative Matrix Factorization, NMF）对动态网络进行分解，随后利用k-means聚类方法对激活模式进行重组，从而识别出与特定任务相关的子网络。

研究结果表明，在无视觉反馈条件下，实验中识别出了八个激活模式，而在有视觉反馈的条件下，仅发现了其中的三个，这些子网络涉及更多的连接。进一步分析发现，那些包含传出连接（efferent connections）的子网络特征与有视觉反馈时的抓握力跟踪准确性存在显著相关性，而包含传入本体感觉反馈（afferent proprioceptive feedback）的子网络则与无视觉反馈时的跟踪表现密切相关。这一发现揭示了在不同反馈条件下，大脑如何通过不同的子网络配置来实现精细的运动控制。

相较于传统的全网络分析方法，该研究提出的子网络重建技术在处理网络分割问题时表现更为优越。传统的网络分解方法往往会导致过度分割，从而使得子网络的解释变得模糊。为了解决这一问题，研究团队将NMF分解与基于激活模式相似性的子网络重组相结合，不仅提升了分析的准确性，还增强了对任务特异性神经协调模式的理解。此外，该方法首次将任务状态下的动态皮层-肌肉-皮层网络进行分解，为后续研究提供了新的视角。

值得注意的是，动态网络分析不仅限于描述神经连接的静态结构，还强调了这些连接随时间变化的动态特性。在实际的神经任务中，神经活动并非一成不变，而是根据任务需求和环境反馈不断调整。因此，通过动态网络分析，研究者能够更精确地捕捉神经协调模式的演变过程，从而揭示大脑如何在不同条件下协调多个区域的活动以实现高效的运动控制。例如，在眼-手指协调任务中，动态网络分析已被用于识别任务阶段之间的特定神经变化（Zhang et al., 2022）。同样，在本研究中，通过构建动态皮层-肌肉-皮层网络，研究者能够更深入地理解视觉反馈和本体感觉反馈在运动控制中的作用机制。

在分析子网络特征时，研究团队不仅关注其结构特性，还进一步探讨了这些特征与行为表现之间的关系。通过统计分析，发现任务特异性子网络的某些特征与跟踪误差存在显著相关性，这表明了这些子网络在运动控制中的功能意义。这种将神经网络结构与行为表现相结合的分析方法，为理解神经系统的功能机制提供了重要的工具。此外，研究还发现，不同反馈条件下所涉及的神经协调策略存在显著差异，这进一步支持了神经网络在任务执行过程中具有高度适应性的观点。

本研究的主要贡献体现在三个方面。首先，通过构建基于PTE的动态皮层-肌肉-皮层网络，研究者能够更全面地刻画大脑与肌肉系统之间的双向信息流动。这种动态网络不仅能够反映神经活动的即时状态，还能够揭示其随时间变化的特征。其次，研究团队开发了一种新的子网络重建算法，该算法结合了NMF分解与基于激活模式相似性的子网络重组，从而更有效地识别出与特定任务相关的神经协调模式。这种方法在处理复杂的多通道EEG-EMG系统时表现出更强的适应性和解释力。最后，该研究揭示了在不同反馈条件下，大脑如何通过不同的子网络配置来实现高效的运动控制。这一发现不仅拓展了我们对视觉运动协调机制的理解，也为相关神经疾病的临床研究和治疗策略提供了新的思路。

在实际应用层面，该研究的方法具有重要的推广价值。首先，它能够为神经康复领域提供新的工具，帮助评估和改善患者的运动协调能力。例如，在中风或帕金森病等神经系统疾病中，患者的视觉运动协调能力常常受到损害，通过该方法可以更精确地识别其神经网络的变化，从而为个性化治疗方案的制定提供依据。其次，该方法在脑机接口（brain-computer interface, BCI）领域也具有潜在的应用前景。BCI技术依赖于对大脑信号的准确解析，而动态网络分析能够提供更丰富的信息，有助于提高系统的响应速度和控制精度。此外，该方法还能够用于研究运动员或专业人员的神经协调机制，为运动训练和技能提升提供科学依据。

从理论角度来看，本研究不仅拓展了我们对神经网络动态组织方式的理解，还为行为神经科学提供了新的分析框架。传统的网络分析方法往往侧重于静态结构，而忽视了网络随时间变化的特性。相比之下，动态网络分析能够更全面地反映神经活动的复杂性和多样性。这种分析方法的引入，使得研究者能够更深入地探讨大脑如何在不同任务条件下动态调整其网络结构，以适应外部环境的变化。此外，研究还揭示了不同反馈条件下神经网络的组织方式存在差异，这表明了大脑在处理不同类型的信息时，可能采用不同的协调策略。

在实验设计方面，研究团队采用了严格的控制条件，以确保实验结果的可靠性。被试者在有视觉反馈和无视觉反馈两种条件下完成相同的任务，这使得研究者能够比较不同反馈条件下神经网络的变化。此外，实验过程中采用了标准化的设备和操作流程，以减少外部变量对结果的影响。通过这种方式，研究团队能够更准确地捕捉到与任务相关的神经活动模式，从而为后续分析提供高质量的数据支持。

在数据分析方面，研究团队采用了多种统计方法，以确保结果的科学性和可重复性。首先，通过PTE构建动态网络，研究者能够更准确地捕捉神经活动的非线性特征。其次，利用NMF分解和k-means聚类方法对子网络进行识别和重组，使得研究结果更具解释力。最后，通过统计分析，研究者进一步探讨了子网络特征与行为表现之间的关系，为理解神经协调机制提供了重要的证据支持。

此外，该研究还强调了多模态信号融合在神经网络分析中的重要性。EEG和EMG信号分别反映了大脑和肌肉系统的活动，而将这两种信号进行融合分析，能够更全面地揭示神经-肌肉系统之间的互动关系。这种多模态分析方法不仅提高了数据的丰富性，还增强了对神经机制的理解深度。例如，在某些任务中，大脑活动可能无法完全反映肌肉的运动状态，而通过结合两种信号，研究者能够更准确地捕捉到神经-肌肉系统之间的协同作用。

在神经机制研究方面，该研究为理解视觉运动协调提供了新的视角。以往的研究主要关注于特定脑区的活动，而忽视了整个网络的动态组织方式。相比之下，本研究通过构建动态网络，能够更全面地反映大脑如何协调多个区域的活动以完成复杂的运动任务。这种网络层面的分析方法，不仅有助于揭示神经系统的整体工作模式，还能够为个体差异的研究提供新的思路。

从临床应用的角度来看，该研究的方法具有重要的实践意义。例如，在康复治疗中，了解患者的神经协调模式可以帮助制定更有效的训练方案。通过分析不同反馈条件下神经网络的变化，研究者可以更准确地评估患者的运动能力，并根据其神经活动特征调整康复策略。此外，该方法还能够用于评估神经疾病的进展和治疗效果，为疾病的诊断和治疗提供新的工具。

在方法学层面，本研究提出了一种创新性的网络分析框架，为未来的神经科学研究提供了新的方法论支持。通过将PTE与NMF分解相结合，研究者不仅能够更准确地捕捉神经活动的非线性特征，还能够通过子网络重组提升分析的可解释性。这种方法的提出，标志着神经网络分析从静态到动态的转变，为更深入地理解神经系统的工作机制提供了新的路径。

综上所述，本研究通过构建动态皮层-肌肉-皮层网络，揭示了视觉运动协调过程中神经网络的动态组织方式。研究结果表明，不同反馈条件下大脑采用不同的协调策略，这种差异可能与任务需求和环境条件密切相关。此外，研究团队提出的新方法不仅提高了网络分析的准确性，还增强了对任务特异性神经协调模式的理解。这一研究不仅拓展了我们对神经网络动态特性的认识，还为相关领域的理论研究和实际应用提供了重要的支持。未来的研究可以进一步探索该方法在其他类型的神经任务中的适用性，以及其在临床和工程领域的潜在应用价值。