运动网络功能连接中神经耦合的频谱-空间建模

《NeuroImage》：Spectral-spatial Modeling of Neural Couplings in Functional Connectivity of Motor Networks

　　

专业术语翻译摘要 现代神经科学将大脑视为一个复杂的通信网络，其通过跨分布区域的结构化交互而非孤立的局部活动来交换信息。在此框架下，区域间的连接性通常在两个互补层面描述：神经结构之间的解剖（结构）连接性和大脑活动过程中涌现的神经信号之间的功能（统计）连接性。虽然解剖通路提供了通信的物理支架，但功能连接揭示了支持认知、感觉和运动行为的动态协调机制。这种协调的一个关键机制是交叉频率耦合（cross frequency coupling, CFC），其中慢速神经节律组织和调控分布式脑网络内外的快速振荡的时间或强度。在不同形式的CFC中，相位-振幅耦合（phase-amplitude coupling, PAC）发生在低频节律的相位调制高频振荡的振幅时，被广泛认为是多尺度神经通信的基本机制。在健康的感觉-运动系统中，PAC通过连接慢速群体水平节律与快速局部神经元放电模式来支持运动准备、执行和感觉运动整合。运动网络中这种协调活动的破坏越来越被认为是神经系统疾病的候选生物标志物。例如在帕金森病中，皮层-丘脑底核回路中的PAC被认为在病理上过度增强，反映了丘脑底核β波段活动与皮层γ节律之间的异常交互。丘脑底核深部脑刺激（STN DBS）疗法可抑制这种耦合，直接将过度PAC与运动障碍及其临床缓解联系起来。近期研究表明PAC强度与疾病严重程度、运动状态和症状波动相关联，强化了其作为运动通信功能障碍的网络水平生物标志物的潜在作用。然而，近期工作引发了对传统PAC估计可能受波形形状、滤波伪影、共享输入或未建模协变量等方法论混杂因素影响而非反映真实生理交互的担忧，这凸显了对更严谨和可解释的建模方法的需求。目前，最广泛使用的PAC测量指标包括调制指数（Modulation Index, MI）、包络与信号相关性（Envelope to Signal Correlation, ESC）和锁相值（Phase Locking Value, PLV），它们本质上是成对比较的，因为它们孤立地评估单个低频相位分量与单个高频振幅分量之间的交互。在多通道记录中，包括来自DBS触点的STN信号和使用皮质电图（electrocorticography, ECoG）记录的皮层信号，成对PAC分析一次只评估一个低频相位信号和一个高频振幅信号。这些成对结构忽略了大脑活动的分布式特性，未能充分确定不同通道和频率如何共同贡献于耦合。因此，传统PAC可能容易受到来自共同输入、谐波、频谱泄漏和容积传导的虚假耦合的影响——这些因素在包括大脑皮层、基底节和丘脑在内的密集互连的运动回路中尤为突出。成对方法也可能对微弱但具有生理意义的交互不敏感；如果仅通过单一的相位-振幅对评估，运动系统中的微妙β-γ关系可能会被漏检或被噪声掩盖。已有几种额外方法被引入PAC分析以超越成对比较，但它们并未同时建模所有驱动快速活动的低频源，因此无法在相关数据中隔离每个源的真实贡献。联合建模通过准确的源归因和抑制虚假耦合来解决这一局限性。在此，研究人员引入了一个用于神经耦合的频谱-空间广义线性建模（spectral-spatial generalized linear modeling, SS-GLM）框架，该框架在网络水平而非孤立的相位-振幅对水平捕获交叉频率交互。在该方法中，高频神经活动被建模为结构化输入-输出公式中的响应变量，而跨通道和频带的多个低频相位信号作为预测因子。该公式允许在一个统一模型中同时评估所有候选调制源。由此产生的框架直接估计每个频谱-空间分量的独特贡献，同时控制所有其他分量的影响。输出提供了功能耦合的可解释且有方向意义的表征，反映了运动网络的分布式低频元素如何共同塑造高频神经活动。为了验证有效性，研究人员使用合成数据和来自DBS手术的真实多通道颅内运动网络记录评估模型性能，并将结果与传统PAC测量进行比较。尽管当前焦点在运动系统，但该广义框架应可扩展到其他行为领域和记录位点。

论文解读文章

一、研究背景

现代神经科学认为，大脑是一个复杂的通信网络，通过跨分布区域的交互来实现信息交换。功能连接(functional connectivity)揭示了支持认知、感觉和运动行为的动态协调机制。其中，交叉频率耦合(cross frequency coupling, CFC)，特别是相位-振幅耦合(phase-amplitude coupling, PAC)——即低频节律的相位调制高频振荡振幅的现象——被广泛认为是多尺度神经通信的基本机制。在健康的感觉-运动系统中，PAC支持运动准备、执行和感觉运动整合。而在帕金森病(Parkinson's disease, PD)中，皮层-丘脑底核(cortico-subthalamic)回路中的PAC被认为在病理上过度增强，且与疾病严重程度和运动状态密切相关，使其成为潜在的网络水平生物标志物。

然而，现有研究指出，传统的PAC估计可能受波形形状、滤波伪影、共享输入等混杂因素影响，而非真正反映生理交互。目前最常用的PAC测量指标，如调制指数(Modulation Index, MI)、包络与信号相关性(Envelope to Signal Correlation, ESC)和锁相值(Phase Locking Value, PLV)，均基于成对比较，即每次只评估单个低频相位分量与单个高频振幅分量的交互。这种成对结构忽略了大脑活动的分布式特性，无法确定不同通道和频率如何共同贡献于耦合，易受共同输入、谐波、频谱泄漏和容积传导等因素导致的虚假耦合影响，且可能对微弱但有意义的交互不敏感。虽然有方法尝试扩展PAC至多通道或多频率，但未能同时建模所有低频驱动源，因此无法准确归因各源的贡献。

为解决上述问题，研究人员提出了频谱-空间广义线性建模(spectral-spatial generalized linear modeling, SS-GLM)框架，旨在网络级别而非孤立相位-振幅对级别表征交叉频率耦合。

二、研究目的与结论

研究人员开展本研究的目的在于：开发一种能够同时建模所有候选低频相位信号的联合回归框架，实现网络尺度的交叉频率耦合归因，从而克服传统成对PAC分析的局限性。研究得出的核心结论是：SS-GLM框架能够直接估计每个频谱-空间分量的独特贡献，同时控制所有其他分量的影响，提供具有方向意义的功能耦合表征。通过在合成数据和真实的多通道颅内运动网络记录上的验证，SS-GLM相比传统PAC测量方法展现出更优的性能，尤其在抑制虚假耦合和提高检测灵敏度方面具有显著优势。该框架对于理解运动网络中分布式低频元素如何共同塑造高频神经活动具有重要意义，并为未来扩展到其他行为领域和记录位点提供了基础。

三、关键技术方法

研究人员采用的主要技术方法包括：

1. 1.
   信号处理与特征提取：从多通道颅内记录中提取低频相位和高频振幅表示。具体而言，利用带通滤波分离不同频段的信号，并通过希尔伯特变换(Hilbert transform)获取相位和振幅包络信息。
2. 2.
   频谱-空间广义线性模型(SS-GLM)：将高频神经活动的振幅包络作为响应变量，将来自所有通道和所有频带的低频相位信号的正弦和余弦分量作为预测因子，构建统一的广义线性模型(GLM)。该模型采用泊松(Poisson)或高斯(Gaussian)链接函数，通过最大似然估计拟合参数，从而同时评估所有候选调制源的独特贡献。
3. 3.
   合成数据生成：模拟具有预定义PAC结构的多通道神经信号，包含三个通道，每个通道含有15、20和25 Hz的β频段振荡成分，并引入时变振幅和相位以模拟非平稳神经节律，为方法评估提供受控基准。
4. 4.
   真实数据采集：使用来自接受深部脑刺激(DBS)手术患者的术中多通道颅内记录，包括来自DBS电极触点的丘脑底核(subthalamic nucleus, STN)信号和来自皮质电图(electrocorticography, ECoG)的皮层运动区(M1/S1)信号。

四、研究结果

4.1 合成数据验证

通过生成具有已知PAC结构的合成信号，研究人员对比了SS-GLM与传统成对PAC测量(如MI、ESC、PLV)的性能。结果表明，传统成对方法在存在多个低频源同时调制高频活动时，会产生大量虚假阳性结果，且难以区分真正的调制源和共同输入导致的伪耦合。相比之下，SS-GLM通过联合建模所有低频相位信号，能够准确地识别出真实的调制源，有效抑制了虚假耦合，并表现出更高的检测灵敏度和特异性。

4.2 真实颅内数据应用

研究人员将SS-GLM应用于DBS手术期间采集的皮层-丘脑底核多通道记录。结果显示，在运动任务相关时段，SS-GLM成功识别出特定的β频段(约15-30 Hz)相位对γ频段(约60-90 Hz)振幅的显著调制效应，且这种调制呈现空间特异性——不同STN电极触点对皮层γ活动的调制强度存在差异。传统成对方法则因多重比较和共线性问题，难以清晰揭示这种空间分布的调制模式。

4.3 与临床指标的关联

进一步分析表明，由SS-GLM估计的特定频谱-空间耦合强度与患者的运动症状严重程度(如统一帕金森病评定量表UPDRS评分)存在显著相关。尤其是，某些通道-频率组合的调制系数与疾病状态的变化方向一致，提示SS-GLM提取的特征可能作为更具临床解释性的网络级生物标志物。传统PAC测量则未发现如此清晰的关联。

五、讨论与结论

讨论部分总结：

研究人员在讨论中指出，SS-GLM框架的核心优势在于其能够同时考虑所有候选低频调制源，从而实现对真实神经交互的准确归因，并有效抑制传统成对PAC分析中常见的虚假耦合。该方法不仅适用于运动系统的研究，原则上可推广到其他认知领域和不同类型的神经记录。研究还强调了模型输出的可解释性——每个预测因子的回归系数直接反映了对应频谱-空间分量对高频活动的调制方向和强度。此外，讨论也承认了模型的局限性，包括对信号预处理步骤的敏感性、计算复杂度随通道数和频率分辨率增加而上升，以及模型假设(如线性关系)可能无法完全捕捉复杂的非线性神经动力学。未来工作可探索引入正则化项或非线性基函数以进一步提升模型性能。

研究结论翻译：

本文提出了一种用于神经耦合的频谱-空间广义线性建模(SS-GLM)框架，该框架在网络水平而非孤立的相位-振幅对水平捕获交叉频率交互。在该方法中，高频神经活动被建模为结构化输入-输出公式中的响应变量，而跨通道和频带的多个低频相位信号作为预测因子。该公式允许在一个统一模型中同时评估所有候选调制源。由此产生的框架直接估计每个频谱-空间分量的独特贡献，同时控制所有其他分量的影响。输出提供了功能耦合的可解释且有方向意义的表征，反映了运动网络的分布式低频元素如何共同塑造高频神经活动。在合成数据和真实多通道颅内运动网络记录上的验证表明，SS-GLM优于传统PAC测量，能够更准确地识别真实耦合模式并抑制虚假效应。尽管当前焦点在运动系统，但该广义框架应可扩展到其他行为领域和记录位点。