基于超图理论的多模态高阶交互分析在神经动力学与睡眠分期分类中的创新应用

这篇研究提出了一种基于超图（Hypergraph）理论的高阶交互（HOI）分析框架，用于解析多频段神经电生理信号（如iEEG/MEG）中的复杂非线性关联。通过整合相位锁定指数（PLI）构建多层超图，结合谱熵（spectral entropy）、超边中心性（hyperedge centrality）等量化指标，成功区分了啮齿类动物睡眠阶段（REM/NREM）和人类癫痫亚型，为神经动力学研究和临床诊断提供了新范式。

　　

Highlight

高阶交互（HOI）理论为揭示神经系统中复杂的多维关联提供了强大框架。与传统局限于成对交互的图论方法不同，HOI能解析多个组件间的非线性依赖关系，这一特性尤其适用于处理现代神经电生理数据（如EEG/MEG）的高维特性[1]。超图作为核心工具，通过允许单条超边连接任意数量节点，实现了对群体交互的自然建模。

Building the hypergraph

本节介绍了基于多层图构建超图的方法。每层图需共享相同的顶点集（即神经电生理记录电极），而边集则随不同频率层的连接关系动态变化。具体而言，我们以电极作为顶点，各频段（如δ/θ/α/β/γ）的相位同步性连接矩阵作为不同图层，最终整合为统一超图结构。

Results

应用该框架分析三组数据：1）大鼠颅内EEG（iEEG）在活跃觉醒（AW）、安静觉醒（QW）、非快速眼动（NREM）和快速眼动（REM）睡眠期的记录，揭示了睡眠阶段特异的HOI模式；2）人类头皮EEG数据成功区分癫痫亚型；3）MEG记录捕捉到癫痫发作的动态演变，其中谱熵被鉴定为发作起始的潜在标志物。

Discussion

超图量化指标展现出显著优势：在睡眠研究中清晰分离REM与NREM的连接模式；在癫痫领域不仅能区分发作类型，还首次通过HOI分析识别出原发性与继发性全面性癫痫的差异，提示其诊断增强潜力。该方法为理解高维神经数据中的复杂交互提供了统一且可扩展的解决方案。

Conclusion

本研究建立的超图框架通过整合多频段连接信息，实现了对神经高阶交互的系统性刻画。所提出的谱熵、超边中心性和顶点中心性等量化指标，为认知状态和病理条件的区分提供了新工具，未来有望推动脑网络分析范式的革新。