基于Transformer框架的长期预测模型LAURA：实现帕金森病丘脑底核β活动自适应调控新突破

本研究针对帕金森病（PD）患者深部脑刺激（DBS）治疗中β波段（12-30 Hz）活动阈值动态调整的临床难题，开发了基于Transformer架构的LAURA预测系统。通过分析四名患者长达数月的慢性STN-LFP记录数据，实现了对丘脑底核β功率分布6天内的非线性演化预测（准确率>90%），为个性化自适应DBS（aDBS）设备的远程监控和自动调参提供了创新解决方案，标志着神经调控技术向智能化、精准化迈出关键一步。

　　

在帕金森病治疗领域，深部脑刺激（DBS）技术虽已成熟，但传统静态刺激模式难以适应患者症状的动态变化。更令人困扰的是，作为关键调控指标的丘脑底核（STN）β波段（12-30 Hz）活动会随时间发生不可预测的漂移，导致现行自适应DBS（aDBS）系统频繁出现过度刺激或刺激不足——前者可能引发长期不良反应，后者则使患者饱受运动症状复发之苦。这种困境使得患者必须定期返院进行参数调整，不仅增加医疗负担，更可能错过最佳干预时机。

来自意大利圣安娜高等研究学院（Sant'Anna School of Advanced Studies）的研究团队另辟蹊径，将自然语言处理领域的Transformer架构创新性地应用于神经信号分析。他们开发的LAURA（Learning betA-power distribUtions through Recurrent Analysis）系统，通过解码STN局部场电位（LFP）中β功率的长期演化规律，首次实现了对帕金森病患者神经活动的前瞻性预测。这项发表于《npj Parkinson's Disease》的研究，为突破当前神经调控技术瓶颈提供了全新思路。

研究团队运用三项核心技术：1）基于AlphaDBS设备的长期LFP监测（1分钟分辨率）；2）功率谱分析揭示β活动的非线性时变特性；3）构建3编码层-6解码层的Transformer模型，以206维向量表征每日β功率分布。通过分析四名植入DBS装置的PD患者数月数据，系统验证了预测模型的可靠性。

长期STN β功率演化研究
功率谱分析显示β活动存在显著的双相特征：24小时内呈现强相关性（α>1），而超过24小时则表现为无线性相关的随机波动。这种特性解释了为何现行aDBS算法难以应对长期β漂移，也为LAURA框架的时序建模提供了理论依据。

LAURA预测框架
该模型以N天β分布序列为输入（N*=2-3天），通过多头注意力机制捕捉非线性动态特征。在单参数组测试中，其加权平均绝对百分比误差（wMAPE=0.25-0.47）显著优于线性回归器（wMAPE=0.40-1.36）。更令人瞩目的是，在预测6天后的β分布时，10th和90th百分位点的识别误差始终低于10%，这对临床设定β_min/β_max阈值具有直接指导价值。

功能验证
在多参数组场景下，LAURA表现出卓越的适应性（wMAPE=0.25-0.75）。特别当β分布超出安全范围时，系统可提前预警，使临床医生能及时调整A_min/A_max刺激电流参数，避免患者陷入持续数日的无效刺激状态。

这项研究开创性地证明了深度学习在神经调控领域的转化价值。LAURA框架的临床意义体现在三个维度：首先，通过WebBioBank平台实现远程监控，大幅减少患者就诊频次；其次，为开发具有自学习能力的"智能DBS"设备奠定基础；更重要的是，揭示了慢性电刺激下基底节环路的重塑规律，为探索PD的疾病修饰疗法提供了新视角。

当前研究仍存在若干局限：LAURA仅预测β阈值而未推荐完整参数组合；临床评估仍依赖定期随访而非实时监测。研究团队已着手整合可穿戴设备数据，未来将构建更全面的"人类-算法"协同系统。随着神经接口技术的进步，这种融合时空多尺度信息的预测模型，或将成为攻克癫痫、抑郁症等神经精神疾病的重要武器。