《Sensors》：Wavelet Scattering-Based Classification of Subthalamic Nucleus and Substantia Nigra Microelectrode Recordings During Deep Brain Stimulation Surgery
编辑推荐：
脑深部电刺激（Deep Brain Stimulation, DBS）手术可显著改善帕金森病（Parkinson’s disease, PD）患者的生活质量。该手术需将刺激电极植入丘脑底核（subthalamic nucleus, STN）。精准高效的靶点定位
脑深部电刺激（Deep Brain Stimulation, DBS）手术可显著改善帕金森病（Parkinson’s disease, PD）患者的生活质量。该手术需将刺激电极植入丘脑底核（subthalamic nucleus, STN）。精准高效的靶点定位至关重要，因为定位误差可能影响患者预后，且手术在患者清醒状态下进行。现有部分系统已可为神经外科医生提供STN定位辅助，但可靠区分STN与邻近的黑质网状部（substantia nigra pars reticulata, SNr）仍具挑战性。本研究系统评估了小波散射变换（wavelet scattering transform）在真实DBS手术约束条件下区分STN与SNr的性能，这些条件包括低频信息不可用、每条记录须独立实时分类。通过改变散射参数和模型复杂度，研究人员考察了这些因素对性能的共同影响。从支持向量机（support vector machine, SVM）到时域卷积网络（temporal convolutional network, TCN）等多种分类器均可达到0.83–0.84的平衡准确率（balanced accuracy）和0.91–0.93的受试者工作特征曲线下面积（receiver operating characteristic area under the curve, ROC AUC）。这表明大多数判别性信息已被小波散射表示本身捕获，从而使不同复杂度的模型均表现出稳健性能。基于散射的方法持续优于所评估的小波包基线方法，凸显了基于散射的表示在DBS术中实现可靠STN定位的潜力。然而，本研究的发现来自单作者、非预注册的研究，且数据采集自单一中心、单一记录系统。因此，在考虑更广泛的临床应用之前，有必要进行独立的多中心验证。
一、研究背景与意义
脑深部电刺激（Deep Brain Stimulation, DBS）是一种通过电刺激调节神经活动的神经外科手术，广泛应用于帕金森病（Parkinson's disease, PD）、震颤、肌张力障碍等运动障碍疾病的治疗。DBS手术需将刺激电极永久植入特定脑区，其中丘脑底核（subthalamic nucleus, STN）是PD治疗的常用靶点。由于STN体积微小（约3×5×12 mm），且其形态与邻近结构高度相似，术前影像学手段如计算机断层扫描或磁共振成像（magnetic resonance imaging, MRI）难以精确定位。此外，术中因脑脊液流失和硬膜下空气侵入可能导致脑组织移位，进一步增加了定位难度。因此，术中利用微电极记录（microelectrode recordings, MERs）进行实时靶点定位仍是临床常规做法。尤其困难的是区分STN与其腹侧的黑质网状部（substantia nigra pars reticulata, SNr），两者电生理特征相近，而误判SNr可能导致电极误置，进而损伤更下方的视束，造成永久性视力损害。尽管已有机器学习系统支持STN定位，但可靠区分STN与SNr仍是一大挑战。现有研究表明，低频成分（如beta频段活动）有助于区分二者，但常规DBS手术中使用的MER信号通常经硬件高通滤波，低频信息不可用。为此，本研究旨在系统评估小波散射变换（wavelet scattering transform）作为特征提取方法在真实DBS手术约束条件下的STN与SNr分类效能。
二、研究方法概述
研究人员采用公开数据集，包含来自46例患者的1440条STN和94条SNr的MER信号，采样率24 kHz，时长5.2至10秒。所有信号统一裁剪为5秒长度，并使用Kymatio Python库进行一维小波散射变换。变换参数J（尺度参数）和Q（每倍频程小波数）分别设置为2/2、6/6、8/8和12/12四种组合。预处理后，研究人员构建了两种特征向量：时间分辨散射特征和时间不变特征（对各系数沿时间维度取平均）。分类模型包括三类：径向基函数核的支持向量机（Support Vector Machine, SVM）、多层感知机（Multilayer Perceptron, MLP）和时域卷积网络（Temporal Convolutional Network, TCN）。采用嵌套五折交叉验证（外层5折，内层3折），按患者分层防止数据泄露。超参数优化使用Optuna库，以ROC AUC为选择标准。作为对照基线，研究人员还实现了基于小波包变换的特征提取方法，并训练了SVM和随机森林（Random Forest, RF）分类器。
三、主要研究结果
3.1 分类性能
所有模型在阈值调优后的平衡准确率（balanced accuracy）介于0.80至0.84之间，ROC AUC值介于0.88至0.93。其中J/Q=8/8的参数配置在所有模型类别中表现最佳，但各参数配置间的差异未达统计学显著性。三种分类器（SVM、MLP、TCN）之间的性能差异亦不显著。
3.2 基线对比
与小波包基线方法相比，基于小波散射特征的模型表现更优。最优小波包模型（随机森林）的平衡准确率为0.78±0.11，而所有小波散射模型的平衡准确率均在0.80以上。Bootstrap分析确认，散射特征SVM与最优小波包基线之间的平衡准确率差异具有统计学显著性（均值差0.063，95%CI [0.023, 0.104]，p=0.002）。
3.3 散射特征分析
对J/Q=8/8的时间平均散射系数进行统计分析显示，STN信号的系数值普遍高于SNr。Welch t检验表明，233个特征中有231个在两组间存在显著差异，经Benjamini-Hochberg多重比较校正后结果一致。Mann-Whitney U检验也识别出230个显著差异特征。
3.4 误差分析
错误预测在患者间分布不均：46例患者中，7例所有预测完全正确，而最高错误率达68%（19条记录中仅6条正确）。在256条电极轨迹中，166条全部正确，7条全部错误。不同电极的平衡准确率介于0.79（内侧电极）至0.92（外侧电极）之间，未见特定电极性能严重下降。
3.5 推理延迟
端到端分类延迟（含信号裁剪、特征提取和模型前向传播）最长略超过1秒，满足实时处理需求。
四、讨论与结论
讨论部分总结：小波散射变换作为一种鲁棒的特征提取方法，在STN与SNr分类任务中表现优异，且对模型类型和变换参数的依赖性较低。即使仅使用最低维度（J/Q=2/2，5个特征）的散射表示，也能获得良好的分类性能。TCN模型并未比简单的SVM和MLP展现出明显优势，说明对散射系数进行时间平均保留了大部分判别信息。混淆矩阵显示，被误分类为SNr的STN记录数量多于被误分类为STN的SNr记录，这主要由数据集的类别不平衡所致，但从临床角度看，避免将SNr误判为STN更为重要。在延迟方面，所提方法可兼容现有DBS决策支持工作流程。与既往研究相比，本方法的SNr分类性能优于部分报告，且无需低频信息。与小波包方法相比，小波散射的优势可能部分源于参数的系统性优化。一阶和二阶散射系数的单独分析表明，两类系数均含有判别信息，但合并使用并未带来额外增益。
结论部分翻译：本研究旨在开发一种能够基于DBS MER数据区分STN与SNr结构的分类器。研究人员评估了小波散射变换作为特征提取方法的潜力，考察了不同复杂度模型在不同散射参数J和Q下的表现。实验表明，基于小波散射变换提取的特征能够支持STN与SNr的准确分类。所有评估的模型类别（包括SVM、MLP和TCN）均达到了0.83–0.84的平衡准确率，更复杂的架构或保留散射系数的时间维度并未带来一致的性能优势。虽然J/Q=8/8始终取得最佳结果之一，但不同散射参数设置间的性能差异总体较小，即使是最低维度的表示也取得了强大的分类性能。研究还表明，小波散射特征的表现优于先前提出的小波包特征。这些发现突显了基于散射的特征在DBS手术中实现可靠实时决策支持的潜力。同时，研究结果的解读应考虑本研究的局限性，包括使用单中心数据集、缺乏预注册和独立方法学监督。未来工作应聚焦于对所提方法进行独立的多中心验证，包括使用不同记录系统和临床方案采集的数据。此类验证将是该方法被考虑用于更广泛临床应用前的必要前提。
