"激光诱发电位(LEPs)大样本EEG数据集：揭示疼痛感知神经机制与临床诊断新工具"

本研究团队构建了迄今最大规模的激光诱发电位(LEPs)脑电图(EEG)数据集，包含678名健康受试者在不同强度(2.5-4.5J)激光刺激下的高密度EEG记录和单次疼痛评分。该数据集为探究疼痛感知的个体差异神经机制、优化EEG信号处理流程、建立临床疼痛通路损伤诊断标准提供了重要资源，相关成果发表于《Scientific Data》。

　　

疼痛作为人类重要的保护机制，其神经机制研究一直面临样本量不足的瓶颈。传统疼痛研究多基于不足30人的小样本，导致统计效力不足、效应量高估等问题。激光诱发电位(LEPs)虽能有效反映疼痛通路激活，但缺乏标准化大样本数据制约了疼痛生物标记物的开发。针对这一现状，由Xiangyue Zhao、Li Hu等组成的跨机构团队在《Scientific Data》发表了迄今最大规模的LEPs数据集，为疼痛神经机制研究和临床转化提供了重要资源。

研究团队整合9项独立实验数据，采用三种EEG采集系统(BioSemi/ANT Neuro/Brain Products)记录678名健康受试者在不同强度(2.5-4.5J)激光刺激下的脑电响应。通过标准化预处理流程(1-100Hz带通滤波、ICA去伪迹、全脑平均重参考)获得高质量LEPs数据。实验采用Nd:YAP激光器(1.34μm波长，4ms脉宽)选择性激活皮肤Aδ和C伤害性感受器，同步采集11点数字评分量表(NRS)的疼痛主观评分。

研究结果呈现三个关键发现：

1. 1.

   强度-感知关联：行为数据显示激光强度与疼痛评分呈显著正相关

   
   ，验证了刺激参数的梯度有效性。
2. 2.

   神经响应特征：LEPs典型成分(N1/N2/P2)振幅随刺激强度增加而升高

   
   ，且与主观疼痛评分显著相关。
3. 3.

   方法学创新：采用BIDS标准组织数据

   
   ，提供完整的实验范式、设备参数和预处理代码，确保可重复性。

该研究通过建立标准化的大规模疼痛神经影像数据集，解决了三个关键问题：

1. 1.

   为疼痛个体差异研究提供足够统计效力，克服了小样本研究的局限性；

2. 2.

   为临床LEPs诊断建立健康人群参考标准，有助于识别疼痛通路病变；

3. 3.

   为机器学习算法开发提供高质量数据，推动疼痛客观评估工具的进步。

研究团队特别指出，数据集已去除所有干预条件数据，专注于基础疼痛响应特征，这使其成为探究疼痛本质神经机制的理想平台。未来应用方向包括：开发基于EEG的疼痛解码算法、建立多模态疼痛评估模型、优化临床疼痛诊断流程等。通过开源数据和代码的共享，该研究将显著促进疼痛神经科学的基础与转化研究。