综述:在神经调控中实现闭环控制:基于机器学习的脑电图引导经颅磁刺激方法综述
Elena Mongiardini 和 Paolo Belardinelli
《Algorithms》:Closing the Loop in Neuromodulation: A Review of Machine Learning Approaches for EEG-Guided Transcranial Magnetic Stimulation
Elena Mongiardini and
Paolo Belardinelli
【字体:
大
中
小
】
时间:2026年04月23日
来源:Algorithms 2.1
编辑推荐:
摘要:经颅磁刺激(TMS)与脑电图(EEG)结合使用,为探测和调节人类大脑皮层及皮质脊髓的兴奋性提供了一个强大的工具。近年来,基于大脑状态依赖性的EEG-TMS范式因将刺激与正在进行的神经活动同步而越来越受到关注。然而,传统的依赖于单一振荡特征或固定阈值的方法往往会产生异质性且不
摘要:经颅磁刺激(TMS)与脑电图(EEG)结合使用,为探测和调节人类大脑皮层及皮质脊髓的兴奋性提供了一个强大的工具。近年来,基于大脑状态依赖性的EEG-TMS范式因将刺激与正在进行的神经活动同步而越来越受到关注。然而,传统的依赖于单一振荡特征或固定阈值的方法往往会产生异质性且不稳定的结果,这促使人们采用机器学习(ML)和人工智能(AI)方法,以多变量、数据驱动的方式对大脑状态进行建模。本文综述了当前用于从刺激前的EEG数据预测皮层和皮质脊髓兴奋性的ML及深度学习(DL)方法。将这些方法置于基于振荡相位、功率和网络级特征的大脑状态依赖性EEG-TMS框架中,并结合不断发展的脑状态定义(这些定义超越了局部生物标志物,转向分布式、大规模和动态演变的神经表征)。所回顾的研究涵盖了特征工程模型、数据驱动的解码方法以及新兴的自适应闭环框架。最后,我们讨论了关键的方法论挑战、转化障碍以及朝着个性化、可解释性和完全闭环神经调节系统发展的方向。
1. 引言
经颅磁刺激(TMS)是一种广泛用于探测和调节人类大脑皮层兴奋性的非侵入性神经调节技术。TMS与脑电图(EEG)的结合大大扩展了基于TMS的研究潜力[1]。EEG是非侵入性的,具有高时间分辨率且成本相对较低,使得可以在TMS过程中持续监测大脑活动。TMS-EEG的整合使得能够同时研究即时的皮层反应和持续的神经动态。尽管这种方法现已得到广泛应用,但它仅在近二十年才变得技术上可行,这主要归功于配备了采样保持电路的TMS兼容EEG放大器的发展,这些电路可以在TMS脉冲期间防止信号饱和[2]。
TMS-EEG实验大致可分为两个主要分支[2]:(i) 用于提取神经生理标志物的TMS-EEG,其中TMS作为干扰探针,通过TMS诱发的EEG反应来量化皮层电路的完整性;(ii) 用于评估或调节大脑活动的TMS-EEG,通过施加刺激来主动影响正在进行的神经过程。因此,TMS-EEG方案在基础神经科学、认知研究和临床实践中迅速获得了关注,其应用范围从研究运动系统生理学到开发针对神经和精神障碍的治疗干预措施[2]。
尽管这些方法很有前景,但TMS-EEG研究的特点是研究之间存在很大的变异性。实际上,实验结果可能受到多种参数的影响,包括刺激强度、线圈几何形状和方向、脉冲波形、刺激间隔、信号预处理策略以及伪迹处理。重要的是,刺激时的大脑状态也被确定为影响这种变异性的一个因素,为TMS反应增加了一个生理层面的复杂性[3,4,5,6]。
皮质脊髓兴奋性通常通过刺激初级运动皮层诱发的运动诱发电位(MEPs)来量化[7]。MEP幅度反映了涉及多个兴奋性和抑制性途径的复杂皮层-皮下-脊髓电路的兴奋性。同时,TMS诱发的EEG电位(TEPs)也被提出作为皮层兴奋性的补充标志物。TEPs捕捉了TMS诱导活动在皮层网络中的时空传播,可能提供超出单纯皮质脊髓输出的信息。MEPs和TEPs共同提供了关于TMS刺激下皮层-脊髓和皮层-皮层兴奋性的全面图景。
越来越多的研究集中在依赖于大脑状态的刺激上,表明TMS反应取决于正在进行的振荡、频谱和网络动态[8]。一些实时TMS-EEG研究尝试通过将刺激与特定的EEG节律、功率幅度或振荡相位同步来利用这种依赖性。虽然这些方法很有前景,但它们产生的结果却存在部分不一致性,突显了实时定义、检测和可靠定位生理相关大脑状态的难度[9]。变异性和可重复性仍然是脑刺激研究中的核心挑战[10],强调了理解其潜在来源的必要性。
TMS硬件技术的进步进一步扩展了可控制参数的范围。现代可控TMS系统允许调整脉冲形状、脉冲持续时间和电流方向,所有这些都可以影响皮层兴奋性[11]。
可控制变量的增加,加上大脑状态动态的复杂性,形成了一个难以用传统的基于阈值或单变量方法建模的多维问题。
在这一背景下,机器学习(ML)和人工智能(AI)为整合多个EEG特征、刺激参数和时间动态提供了强大的工具。ML和深度学习(DL)算法可以捕捉复杂非线性相互作用,从而预测皮质脊髓兴奋性,并为有效的闭环TMS范式铺平了道路[8]。
闭环方法的合理性还得到了神经系统固有生理组织的支持,特别是感觉运动系统作为一个持续整合感觉反馈和运动输出的闭环网络。仅使用开环范式研究这些系统可能会限制对机制的洞察[12]。
此外,在临床神经科学中,闭环和AI驱动的TMS-EEG方法在神经退行性疾病和获得性脑损伤(如中风)中得到了越来越多的探索。对于那些以振荡活动和网络动态病理改变为特征的神经和精神疾病(包括帕金森病、阿尔茨海默病、重度抑郁症和中风)来说,依赖于大脑状态的刺激方法特别有前景[13,14]。在这些人群中,异常的振荡模式——例如帕金森病中的β同步增加[15]、阿尔茨海默病中的θ-γ振荡异常[16,17]或抑郁症中的额叶α不对称[18]——本身可能成为状态依赖性神经调节的相关靶点。然而,将这些方法转化为常规临床实践仍然受到限制,尽管初步结果令人鼓舞,但尚未一致地显示出稳健的治疗效果[1,13,19]。在这种情况下,一个关键挑战是这些病理条件本身固有的巨大异质性,这加剧了健康人群中已有的个体间变异性。因此,最能预测皮层兴奋性或治疗反应的振荡特征可能在不同患者、不同会话甚至不同电极位置之间不稳定,这使得固定的、基于人群的生物标志物变得不足。在这种情况下,适应个体患者神经生理特征的个性化方法是极其必要的。在这方面,ML和AI框架提供了识别特定于受试者的EEG兴奋性生物标志物的手段,并随着神经模式的变化动态更新刺激策略。此外,从EEG衍生的神经恢复或临床改善的生物标志物本身也可以作为自适应刺激的目标,如Mahmoud等人的研究[20]所提出的。概念验证研究,如Mahmoud等人的研究[21],展示了TMS-EEG在中风患者中的可行性,代表了这些技术向临床转化和应用的重要一步。
本文重点关注应用于EEG数据的ML和AI方法,以预测TMS后的皮质脊髓兴奋性。第1节简要介绍了将刺激与特定频率带内的振荡功率或相位同步的实时EEG-TMS研究。第2节讨论了大脑状态的多方面概念,探讨了如何定义、操作和量化瞬时大脑状态,并强调了与其形式化相关的挑战。第3节回顾了当前用于从EEG特征建模和预测TMS结果的ML和DL算法的最新进展。最后,讨论了开放性挑战和未来发展方向。虽然ML方法目前用于提高皮质脊髓兴奋性的预测能力,但它们是朝着完全自适应的闭环神经调节框架迈出的关键一步。
2. 依赖于大脑状态的经颅磁刺激
在依赖于大脑状态的EEG-TMS范式中,TMS的施加与通过EEG记录的正在进行的脑活动的特定特征同步。其基本原理是,对TMS的神经反应不是静态的,而是取决于大脑活动的瞬时振荡、频谱和网络状态。本节的目的不是提供迄今为止提出的所有依赖于大脑状态的EEG-TMS方法的详尽方法学综述(已有其他综述达到这一目的[8,9,13]),而是试图简要描述主要方法,为后续基于ML的发展奠定基础。
最早且研究最广泛的策略之一是基于相位的刺激,其中在初级运动皮层单脉冲TMS在感觉运动μ振荡的谷值或早期上升阶段施加时,与峰值或随机阶段相比,能够诱发更大的MEPs[3,22]。除了运动输出外,振荡相位也被证明会影响通过TEPs测量的皮层反应[5]。同时,基于功率的方法表明,在感觉运动节律中,较高的振荡功率与较大的MEP幅度相关[23,24],其他研究也强调了β频段活动在调节皮质脊髓兴奋性中的作用[24,25]。尽管研究数量不断增加,但依赖于大脑状态的EEG-TMS框架在方法论、数据集、实验方案和结果测量方面仍然存在很大的异质性,常常导致矛盾的结果[26,27]。
这些范式面临的另一个挑战是需要实时估计振荡功率或相位,这依赖于引入估计误差和时间延迟的预测技术。已经提出了几种方法,包括基于回归的方法和事件定时预测策略[28]。Shirinpour等人[29]引入了Educated Temporal Prediction(ETP)方法,这是一种强大的实时相位检测算法,可以从短训练数据中估计振荡峰值间隔,并应用偏差校正来预测未来的峰值,其性能优于基于傅里叶的和自回归预测方法。
然而,大多数现有的依赖于大脑状态的EEG-TMS范式仍然依赖于有效的开环架构,其中TMS与正在进行的脑活动同步,但刺激参数不会根据神经反应本身进行动态调整,从而限制了该循环被视为完全封闭的程度[9]。
总的来说,这些发现表明,大脑状态不能仅通过单一振荡特征或预定义的阈值来完全捕获,而是反映了来自时间、频谱和网络级过程相互作用的多维框架。这激发了需要整合异构EE特征及其非线性关系的分析框架的需求。
3. 定义大脑状态:概念和神经生理标志物
大脑状态的定义仍然是一个开放且活跃的研究领域。迄今为止,大多数旨在将刺激与正在进行的大脑活动同步的EEG-TMS研究依赖于单一的局部生物标志物来表征大脑状态,通常采用基于阈值的策略来触发刺激,如前一节所述。这些方法主要关注瞬时和空间定位的特征,例如在刺激部位或附近测量的振荡相位或功率。例如,感觉运动μ节律的相位经常被用作皮层兴奋性的代理,并用于定时TMS施加[3,5,30]。
然而,通过单一生物标志物来表示大脑状态不太可能完全捕捉到在刺激时刻共同塑造大脑功能状态的分布式神经过程的复杂性。这种有限的表示可能导致参与者之间和不同研究之间观察到的显著异质性和不可重复性。实际上,一些研究被迫将其分析限制在表现出特定振荡模式或足够信号强度的参与者子集上,从而限制了普遍性。这些限制突显了需要一个更全面的大脑状态定义,该定义整合了多个维度的神经活动。
最早尝试将大脑状态概念化为分布式活动模式可以追溯到D. Lehmann等人在1987年的工作,他们引入了微状态(microstates)的概念[31,32]——潜在分布的离散状态。基于这一定义,Z. Ding等人在[33]中证明,TMS施加时的微状态调制了大脑对刺激的反应。
在这个背景下,L. Marzetti等人在[34]中提出了一个明确的大规模、功能性的大脑状态概念,称为快速动态的大规模大脑状态(FLBS)。该框架的一个关键概念进展是从局部、特定通道的EEG特征向网络级别的脑活动描述转变,使FLBS特别适合于闭环神经调节范式。Marzetti等人进一步通过引入Endpoint-Related FLBS(ER-FLBS)细化了这一概念,定义为与改善的刺激结果(如增强的或稳定的神经、行为或外周反应,例如TEPs、MEPs、连接性测量或临床分数)因果相关的大脑状态。这使得FLBS不仅具有描述性,而且根据其功能性相关性明确定义,可以作为闭环、实时TMS干预的目标。
这种以网络为导向的观点与A. S. Greene等人的早期概念工作[35]一致,他们将大脑状态描述为从特定认知或生理条件产生的广泛分布的活动模式,并影响未来的生理或行为。此外,Greene等人强调,不同的神经成像模式可以捕获到不同的脑状态,而全面的理解需要整合多种测量技术。在EEG-TMS框架内,EEG提供了高时间分辨率的持续神经动态测量,而TMS能够因果探究功能相互作用,这使得它们的结合特别适合研究和针对动态脑状态。Makkinayeri等人[36]提出了一个更进一步的方法,他们使用隐马尔可夫模型(HMM)从TMS期间记录的刺激前源空间EEG数据中提取宽带、大规模的瞬态脑状态。这一框架使得识别重复出现的网络级脑状态和建立瞬态大规模神经配置与皮质脊髓兴奋性之间的系统性关联成为可能。这些考虑共同强调了从单一特征的局部表征转向多变量、大规模和动态演变的模型的必要性。这种维度和复杂性的增加自然激发了采用人工智能(AI)和机器学习(ML)方法的动力,这些方法非常适合整合异构特征、推断潜在的脑状态,并在实时EEG-TMS应用所需的时间限制内运作,其主要目标是有效地閉合循环。
4. 基于EEG的皮层和皮质运动兴奋性预测的机器学习方法
在本节中,系统性地回顾了主要研究[37,38,39,40,41,42,43,44,45,46,47],这些研究使用ML和DL方法探讨了TMS刺激前的脑活动与TMS神经反应之间的关系。此外,还报告了两个“概念验证”研究[48,49]。图1展示了所分析的概念框架的示意图。尽管ML和AI方法在神经科学研究中被广泛使用[50,51,52],但只有有限数量的研究(如表1和表2所总结的)专门探讨了这一特定方面。
图1. 本综述中分析的ML和DL工作流的示意图。刺激前的EEG数据被处理后输入分类或回归算法,以预测TMS的神经反应。预测的反应可以作为TMS诱发的电位(TEPs)(从刺激后的EEG中获得)或通过刺激后的EMG测量的运动诱发电位(MEPs)来量化。
表1. 从刺激前EEG预测TMS反应的ML和DL研究。每项研究都报告了:参与者数量和类型、是否应用了参与者或试验预筛选、实时实现、预测目标(MEPs)、用于预测的特征、特征选择方法(如适用)、分类或回归模型、验证方法以及报告的性能指标。表中使用的缩写包括:AUC = 曲线下面积;CNN = 卷积神经网络;CSP = 共同空间模式;LDA = 线性判别分析;LR = 逻辑回归;MEP = 运动诱发电位;mRMR = 最小冗余-最大相关性;PCA = 主成分分析;RF = 随机森林;SD = 标准差;SVM = 支持向量机;TEP = TMS诱发的EEG电位。
在所提出的研究中,预测目标是TMS刺激的反应,这反映了皮层和皮质脊髓的兴奋性。这种反应使用MEPs [37,38,39,40,41,42,45,47,48,49]和TEPs [43,44,45,46]来量化。特征是从刺激前间隔期间获取的处理后的EEG数据中提取的,然后被选择并作为输入提供给预测模型。相比之下,在两项研究[40,46]中,原始EEG数据直接提供给模型,模型自动学习并选择相关特征。
此外,为了便于跨研究比较,图2展示了所包含研究中报告的性能结果。需要注意的是,不同研究使用了不同的指标;因此,虽然共同的轴提供了视觉概览,但应谨慎解释使用不同指标的研究之间的直接比较。
4.1. 基于MEP的预测
本节回顾的研究[37,38,39,40,41,42,47,48,49]采用了多种ML方法来预测TMS刺激前间隔记录的EEG活动中MEPs的存在或幅度,或者更一般地说是皮质脊髓兴奋性(CsE)。方法上,这些工作从基于假设的特征工程结合经典统计或ML模型,到更以数据驱动的解码方法,再到最近的自适应闭环学习框架都有涉及。Hussain等人[37]的研究调查了EEG中的瞬态β节律事件是否可以预测每次试验的皮质脊髓兴奋性,该兴奋性通过MEP幅度来索引。来自运动皮层的EEG被分解以提取基于事件的β特征,包括事件数量、幅度、持续时间以及与刺激的时间接近程度,同时还计算了平均β功率。β事件被定义为持续时间超过受试者特定百分位阈值(第75或第82百分位)至少1.5周期的片段。每个特征都使用带有受试者级随机截距的线性混合效应回归进行评估。通过似然比测试进行模型比较,以确定β事件特征是否在平均β功率之外增加了预测能力。使用10折交叉验证量化了泛化性能,得到了中等程度的相关性(Spearman的ρ ≈ 0.61–0.62;标准化的RMSE ≈ 0.13)。尽管几个β事件特征与MEP大小有显著关联,但没有一个特征在平均β功率之外显著提高了预测能力,这表明基于事件的表征在这个框架中并没有提供额外的解释力。
在这一特征工程EEG提取的方法中,Hussain和Quentin在2022年[38]中引入了一个个性化的基于EEG的ML框架,旨在在单次试验水平上解码运动皮层兴奋性。使用在单脉冲TMS之前立即记录的低密度EEG,作者训练了个性化的线性判别分析(LDA)分类器来区分高和低兴奋性试验。个性化分类器在80%的参与者中成功区分了低和高兴奋性状态。值得注意的是,跨受试者的泛化能力较差,突显了EEG-CsE关系的高度个体化特性。该研究还表明:(1)有信息的EEG特征可以持续到刺激前3秒;(2)分类器只需用少至50次试验就可以训练出来。γ波段特征在所有参与者中表现出最一致的信息量。由于其计算负担较低(每次试验约10毫秒),这种方法似乎适用于支持实时的、依赖于脑状态的TMS协议。
Ermolova等人在[39]中提出了一个基于监督空间滤波的ML框架,该框架使用了分析型共同空间模式(aCSP),这是一种复数值的CSP扩展,它作用于分析型EEG信号以最大化条件之间的方差差异,同时捕获幅度和相位信息[53]。EEG试验根据极端的MEP幅度被划分为高和低兴奋性状态。然后在TMS刺激前0.5秒的时间内学习特定于受试者的aCSP滤波器,以最大化这两种条件之间的方差差异。提取的组分的方差被用作分类的特征,通过规则化的LDA模型进行分类。模型性能使用嵌套交叉验证方案进行评估,外层循环估计受试者级别的分类准确性,内层循环优化超参数,包括aCSP组分的数量和正则化强度。该方法的平均分类准确率约为68%,在95%的受试者中达到了统计显著性。值得注意的是,使用标准(实数值)CSP也获得了类似的解码性能,这表明振荡功率而非相位信息是驱动兴奋性预测的主要因素。
虽然上述研究依赖于预定义的频谱或基于事件的特征,但Metsomaa等人[40]提出了一种更以数据驱动的解码策略,用于从刺激前EEG预测CsE。在这项工作中,首先使用CSP处理EEG数据以提取最大区分高和低兴奋性状态的空间滤波器,然后通过主成分分析(PCA)减少特征冗余。得到的特征向量使用逻辑回归(LR)进行分类,嵌套交叉验证用于超参数调整和无偏性能估计。为了评估鲁棒性和实际应用性,作者使用CSP驱动的向后消除程序系统地减少了EEG通道的数量,迭代移除了最不重要的通道,并证明即使只有20个电极,解码性能仍然稳定。通过将判别滤波器转换为源级激活模式,解决了神经生理学可解释性问题,这些模式主要定位在受刺激半球的感觉运动皮层,并以μ节律活动(8–11.5 Hz)为主。与固定的Hjorth-C3空间滤波器相比,个性化解码实现了显著更高的准确性(67%对57%),表明根据每个受试者定制滤波器以最小化无关皮层活动的泄露是非常重要的。稳定性和泛化能力分析表明,受试者内部的解码随时间是稳定的,而跨受试者的解码仍然有限,这与之前关于个体间变异性的发现一致。
迄今为止最全面的基于特征的EEG-CsE解码框架是由Lisa Haxel等人(2025)[41]提出的,他们引入了一个基于EEG的ML流程,整合了传感器级、源级和基于连接的EEG特征。使用更大的单脉冲TMS数据集,作者实施了嵌套的5 × 5交叉验证方案来严格估计模型性能。特征选择依赖于两阶段最小冗余-最大相关性(mRMR)程序,该程序有效地选择了与目标高度相关的特征,同时最小化了特征之间的冗余,并评估了三种分类器——随机森林(RF)、带有递归特征消除的线性支持向量机(SVM)和带有顺序前向选择的LR。超参数通过网格搜索进行了优化。该流程的平均准确率约为71%,优于之前的基于EEG的MEP预测研究。值得注意的是,不同分类器之间的性能没有显著差异,这表明特征质量和信号分析比特定的学习算法起着更关键的作用。
重要的是,结果展示了时间上的泛化能力、预测特征在实验协议中的高一致性,以及参与者之间的不同神经生理亚组,这些亚组要么以低频感觉运动特征为特征,要么以γ波段顶叶特征为特征。他们还报告了预测特征模式的显著个体间变异性,这突显了个性化解码管道的潜在需求。有趣的是,结合源级特征并没有显著提高相对于仅使用传感器级特征的性能,表明设计良好的传感器空间表征可能足以用于CsE解码。
最后,Humaidan等人[48]提出了一个概念验证的实时自适应闭环EEG-TMS框架,在该框架中使用了强化学习(RL)来在线调整刺激参数,以达到最大化皮质脊髓兴奋性的目标。在RL框架中,代理通过与环境的交互并接收反馈作为奖励来学习做出序列决策,从而优化其行为以实现预定义的目标,而不依赖于标记数据。在这里,SMA–M1网络被定义为环境,感觉运动μ节律的离散相位区间构成了行为,SMA到M1的促进作用——通过配对脉冲与单脉冲MEP幅度的比率来量化——代表了优化目标和奖励信号。实时EEG处理用于估计振荡相位。在一个深度Q学习(DQN)代理中进行了训练,这是一个深度神经网络,它在RL框架内使用经验来近似实现的奖励[54],在单次受试者实验中在有限的试验次数内收敛。与之前的研究不同,这里没有进行MEPs的显式分类或回归;性能而是基于学习收敛和促进作用的增加来评估的。因此,这项工作应被解释为自适应、奖励驱动的EEG-TMS优化的可行性演示,而不是一个直接可比的MEP预测研究。在最近的一项研究中,Humaidan等人[47]引入了一个闭环RL框架,代表了向EEG-TMS协议实时优化方法的 metodological 添加。在这项工作中,强化学习(RL)代理在脑电图(EEG)-经颅磁刺激(TMS)会话期间进行在线训练,以识别与高 corticospinal (皮质脊髓)兴奋性相关联的 sensorimotor μ-节律的相位,这对应于两种实验条件:目标分别是增加或减少 MEP(运动诱发电位)的幅度。正在进行的 EEG 活动的离散相位区间被视为动作,而由 MEP 指标的 corticospinal 兴奋性则作为指导学习过程的奖励信号。RL 代理成功收敛到了个性化的最优相位。通过使用线性混合效应模型来评估时间效应、刺激条件(MEP 增加 vs. 减少)及其对 MEP 幅度的交互作用,作者证明了在这些学习到的相位进行靶向刺激在训练后立即显著增加了 MEP 幅度,从而证实了自适应、实时、闭环 EEG 引导的 TMS 用于个性化调节 corticospinal 兴奋性的可行性和有效性。
在网络层面,Marzetti 等人(2024 [49])提出了一个概念验证框架,该框架利用源空间 EEG 和网络层面的功能连接特征来预测 corticospinal 兴奋性。在这项研究中,将刺激前的 EEG 信号投影到源空间,并计算左初级运动皮层(lM1)与其他运动网络节点(左侧补充运动区和右侧 M1)之间的相位锁定连接(iPLV)在 μ-节律频带内。线性回归模型单独使用连接特征、lM1 相位或两者的组合来预测 MEP 幅度。结果显示,结合局部(lM1 相位)和远程(运动网络连接)特征提供了最佳的预测性能,表明网络层面的 EEG 特征可以增强 MEP 预测能力,超越了局部振荡标志。
在他们的研究 [42] 中,Khatri 等人介绍了一个实时的、个性化的全脑 EEG-TMS 框架,能够针对通过 MEP 幅度的二值化来量化的强和弱的 corticospinal 神经束(CST)状态。与之前的离线研究不同,他们的流程包括一个离线校准会话来训练一个单受试者分类器,然后使用该分类器进行实时应用会话。他们在单脉冲、与脑状态无关的 TMS 会话的刺激前 EEG 数据上训练了个性化的 LDA 分类器,以逐次试验预测 corticospinal 兴奋性(强 vs. 弱 CST 状态)。特征从所有 EEG 通道中提取,使用 CSP 和五个频率带(theta、alpha1、alpha2、beta1、beta2)的谱分解进行处理,并通过每个参与者的数据的 5 折交叉验证进行评估,得出平均 F1 分数约为 0.68 的离线分类性能。在校准单个受试者模型后,训练好的分类器被实时在线应用,仅在预测到 CST 状态时触发 TMS。结果显示,靶向准确率很高(约 90–95%),在预测的强 CST 状态下 MEP 幅度增加,并且在强 CST 状态下减少了试验间的变异性,证实了实时脑状态依赖性刺激的有效性和可行性。该研究还探索了非个性化分类器,表明群体层面的模型可以实现类似的离线 F1 分数(约 0.69),尽管它们的实时适用性尚未经过测试。通过结合全头皮 EEG、实时预测和 TMS 传递,这项工作代表了超越概念验证研究 [48,49] 的关键方法学进展,提供了一个实用的、经过验证的闭环、个性化脑状态依赖性 TMS 干预框架。
到目前为止,只有两项研究 [43,44,46] 调查了是否可以使用健康受试者的刺激前 EEG 活动来利用机器学习算法预测刺激后的 TEP(经颅电流)。Bisogno 和 Moaveninejad 等人 [43,44] 根据从最接近刺激部位(C3)的电极提取的诱发局部场功率(eLFP)来量化 TEP。刺激前的 EEG 特征来自同一通道,包括典型频率带(delta、theta、alpha、beta 和 gamma)的振荡功率以及与大脑临界性相关的非线性信号复杂性指标 Higuchi 的 Fractal Dimension (HFD)[55]。作者实施了一个两阶段的监督回归框架。在第一阶段,训练了多个机器学习回归器来从频域功率特征预测刺激前的 HFD,证明 C3 处的振荡活动编码了关于局部神经复杂性的非线性信息,最佳性能由优化的堆叠回归器实现(R2 ≈ 0.71)。在第二阶段,使用刺激前的频率功率带特征以及预测的 HFD 来预测刺激后的 eLFP。在这一步中,结合基础学习器以提高预测准确性的集成模型(包括梯度提升和投票回归器)取得了最高的性能,解释了 TMS 诱发反应中大约 70% 的单次试验变异性。梯度提升回归器采用一种顺序方法,其中每个模型纠正前一个模型的错误,而投票回归器结合了多个模型的预测。超参数的优化是通过网格搜索和交叉验证进行的,特征相关性通过相互信息来评估,确定 gamma 带功率是最有信息量的预测因子,其次是 beta 功率和 HFD。虽然 Bisogno 等人 [43] 依赖于手工制作的谱和非线性 EEG 特征结合经典集成回归模型,Ahola 等人 [45] 使用线性混合效应模型来回归单次试验 TEP 和 MEP 幅度,而不是将其作为分类问题。刺激前的特征包括从皮质区域提取的 theta、alpha、beta 和 gamma 带功率,以及线圈位置偏差和时间试验趋势。结果表明,刺激前 alpha、beta 和 gamma 功率的波动可靠地预测了皮质 TEP 幅度,而 alpha 和 gamma 功率也影响了 corticospinal MEP,突出了局部和网络层面对阵列激活的贡献。
相比之下,Haxel 等人 [46] 引入了 PRIME(个性化实时推断瞬时兴奋性),这是一个旨在直接从原始刺激前 EEG 预测逐次试验皮质兴奋性的深度学习(DL)框架。PRIME 主要关注预测 TEP 幅度,特别是 N45 组件,这是一个与兴奋-抑制平衡相关的皮质标志 [56,57,58,59]。使用个体化的源级偶极建模提取单次试验 TEP 幅度。PRIME 的架构由三个主要部分组成:(i) 时空卷积前端,(ii) 结构化状态空间(S4)时间建模,以及 (iii) 预测头。在第一阶段(i),模型首先应用时间卷积来提取时域特征,然后通过空间卷积学习 EEG 通道间的依赖性。通过池化和丢弃来减少维度。S4 模块(ii)然后在短暂的刺激前 EEG 窗口中(50 ms)建模 long-range 时间依赖性。S4 模型是一类专门设计用于通过计算高效方式处理序列数据的深度序列架构;这一特性在刺激前 EEG 分析中特别有利,因为皮质兴奋性由多个频率带和时间尺度上的振荡动态相互作用塑造。预测头(iii)是最终的分类器,由一个适应性池化层和一个输出兴奋性估计的线性层组成。学习框架包括三个阶段:在多受试者 EEG-TMS 数据集上进行的群体级别预训练,针对个体方面的主题特定校准,以及逐次试验的在线适应。在部署过程中,PRIME 使用最近试验的滑动窗口进行监督式持续微调来不断更新其参数。作者报告说,PRIME 的性能显著优于传统的 EEG 解码架构,如 EEGNet [60]、ShallowConvNet [61]、DeepConvNet [61]、ATCNet [62],整个框架实现了大约 0.68 的中位数 ROC-AUC 值,证明了高和低皮质兴奋性的可靠区分。
重要的是,所有刺激前的计算——包括 EEG 预处理和推理——都在 10 ms 内完成,大致满足了闭环 TMS 应用的实时要求。作者进一步评估了预测皮质兴奋性的 EEG 特征是否也适用于 corticospinal 兴奋性,这是通过 MEP 来评估的。虽然 PRIME 对另一个皮质 TEP 组件(P60)显示出适度的泛化能力,但在预测 MEP 时性能下降到接近随机水平。这一发现表明皮质和 corticospinal 兴奋性之间存在部分分离,强调了为皮质反应优化的 EEG 基础预测器可能不会直接转移到下游运动输出。最后,基于遮挡的敏感性分析显示,左侧前中央区域的 theta(4–8 Hz)和 alpha(8–13 Hz)振荡对兴奋性预测的贡献最大。
另一方面,最近的研究 [63,64,65] 也展示了机器学习和概率优化在自动化和改善 TMS 的物理参数选择方面的作用,包括线圈的方向和位置以及刺激强度。Tervo 等人(2020 [63])引入了 BOOST,这是一个基于贝叶斯优化和高斯过程回归的框架,使用 MEP 作为反馈来自适应优化 TMS 线圈的位置和方向。相比之下,Fang Jin 等人 [64] 应用监督机器学习(ML)来调整 TMS 的参数(方向、位置和强度),将问题表述为旨在预测是否会引起 MEP 的二分类任务。集成学习方法在受试者内部模型中实现了中等程度的预测准确性,强调了数据驱动预测的可行性和 TMS 反应中固有的强烈个体间变异性。Tervo 等人(2022 [65] 将贝叶斯优化扩展到使用 EEG 信号的自动闭环优化,以最大化早期 TMS 诱发电位(P20–N40)的幅度。他们的结果表明,概率建模仅使用几十次脉冲就能可靠地收敛到最优刺激参数。这些发现共同说明了从预测建模到自适应、闭环优化 TMS 物理参数的方法学进展,突出显示了贝叶斯优化作为个性化、实时 TMS 参数调整的特别强大的 ML 框架。
在这项工作中回顾的机器学习和深度学习(ML 和 DL)研究应在更广泛的大脑状态依赖性刺激概念框架内进行解释,并且随着大脑状态定义的发展而演变。总体而言,这些调查为下一代 EEG-TMS 系统提供了理论基础和初始的方法学构建块,在这些系统中,刺激不再由孤立的振荡特征触发,而是通过数据驱动模型推断出的多变量、特定于受试者的脑状态表示来指导。在这个背景下,所回顾的方法标志着从假设驱动的、单特征范式向能够捕捉神经动态内在复杂性和变异性的基于学习的框架的转变。大多数之前描述的基于 ML 的方法主要依赖于手工制作的 EEG 特征和传统的统计或 ML 模型。Hussain 等人 [37] 使用线性混合效应回归研究了基于事件的 beta 带特征,显示出中等的预测能力,但在平均谱功率之外的附加值有限。在此特征工程范式的基础上,Hussain 和 Quentin [38] 以及 Ermolova 等人 [39] 使用个性化线性分类器,包括 LDA 结合 CSP 或分析 CSP,来解码高与低 corticospinal 兴奋性。这些研究一致强调了 EEG-兴奋性关系的强烈个体间变异性以及特定于受试者的模型的必要性,同时也证明了实时应用的计算可行性。Metsomaa 等人 [40] 向更加数据驱动的解码流程迈进,结合了基于 CSP 的空间过滤、降维和逻辑回归来提高分类准确性和鲁棒性。Haxel 等人 [41] 在此研究基础上进一步发展,整合了传感器级别、源级别和基于连接的 EEG 特征,实现了迄今为止报道的最高性能(约 71% 的准确率)。
与此同时,越来越多的工作集中在预测 TMS 对皮质反应而非 corticospinal 反应 [43,44,46],表明刺激前的 EEG 编码了关于皮质兴奋性的大量信息;然而,这些 EEG 预测器与 MEP 结果的有限匹配表明皮质和 corticospinal 兴奋性之间存在部分分离,强调了在设计基于 ML 的 EEG-TMS 系统时仔细定义预测目标的重要性。除了预测建模之外,Humaidan 等人 [47,48] 的研究代表了一种向自适应和闭环方法的概念转变,他们提出了一个基于强化学习的框架,其中刺激时机相对于大脑状态进行了在线优化。Khatri 等人 [42] 通过结合离线单受试者校准和实时部署,实现了从离线解码到实际闭环神经调节的桥梁。
尽管总体上有希望,但跨研究比较需要仔细考虑实验设计、样本大小和试验选择策略的实质性差异,所有这些都可能影响报告的性能指标。样本大小在回顾的研究中差异很大,从 J. Metsomaa [40] 的八名参与者到 L. Haxel 和 O. Ahola 的研究 [41,45,46] 的 50 名参与者不等,大多数研究招募了 12 到 20 名健康参与者(见表 1 和表 2)。这种变异性可能限制了较小研究的统计能力,并对学习模型的普遍性提出了质疑,特别是考虑到 TMS-EEG 研究中固有的强烈个体间变异性。在方法论上,另一个重要的问题是试验选择:一些研究[39,40,41]将分析限制在极端的MEP(肌肉兴奋电位)或TEP(短暂兴奋电位)试验上,仅选择最大和最小的振幅反应,以最大化类别可分性和提高解码性能,但这可能会引入乐观的偏差。这些设计选择,加上验证策略的多样性(从简单的留出法到严格的嵌套交叉验证方案),使得不同研究之间的直接数值比较变得困难,在解释图2中总结的性能指标时应予以考虑。另一方面,平行研究[63,64,65]探讨了使用机器学习(ML)和概率优化策略来自动调整TMS(经颅磁刺激)的物理参数,如线圈方向、位置和刺激强度,从而将闭环概念扩展到全面的、数据驱动的刺激传递优化。图3示意性地展示了一个合理的未来场景,该场景包括两个阶段的工作流程。在第一阶段的校准过程中,利用特定受试者的EEG-TMS(脑电图-经颅磁刺激)数据训练ML或深度学习(DL)模型,以学习刺激前的脑活动与刺激引起的神经反应之间的个性化映射。在第二阶段,这些模型被实时部署用于检测和预测所需的脑状态,并相应地触发TMS的施加。关键的是,这个框架自然可以扩展为完全的闭环架构,在这种架构中,模型根据观察到的TMS反应进行在线调整。在这样的循环中,神经反馈(如MEP、TEP或连接性测量)可以进一步用于向参与者提供实时反馈,反映他们的当前皮层兴奋性,并使他们积极参与调节过程。
提出的未来闭环EEG-TMS框架的图形表示。在第一阶段的校准过程中(顶部行),使用单受试者数据训练ML或DL模型以生成优化的个性化预测模型。在第二阶段的实时过程中,该模型在线用于根据预测的脑状态指导TMS的施加。TMS引起的神经反应通过更新模型进行微调并向参与者提供反馈来闭合这一循环,反馈可以有多种形式,例如控制计算机应用程序、与虚拟现实环境的互动或操作机器人执行器。从这个角度来看,模型驱动的通道选择代表了一个重要且尚未充分探索的机会。一些综述的研究[37,43,44]记录了高密度的EEG数据,但最终仅依赖一部分通道进行分类或回归。在未来的闭环实现中,校准阶段可以用于识别对每个个体最有信息量的通道,从而在实时操作时减少EEG数据的使用量。这将大幅缩短准备时间,减轻参与者的负担,并提高计算效率,同时保持预测性能。
所提出的EEG-TMS系统的演变与脑机接口(BCI)领域[66]在概念和方法论上具有很强的相似性。Gharabaghi等人[67]最早尝试明确结合BCI和TMS,他们实现了一个闭环系统,其中TMS的施加取决于运动想象期间的β波段事件相关去同步,机器人反馈增强了持续的神经活动。尽管仅在两名参与者(包括一名中风患者)中进行了测试,但这项研究表明,基于瞬时脑状态的刺激相比开环协议可以增强功能性相关性。最近,Yasen等人[68]系统地讨论了BCI与非侵入性脑刺激技术(包括TMS)之间的概念界限和重叠,特别是在中风康复等临床环境中,这类混合系统可能具有重要的转化潜力。重要的是,BCI文献为EEG-TMS研究提供了宝贵的方法论见解,特别是在使用ML和DL算法方面[69,70]。ML和DL算法已广泛应用于EEG解码领域,如运动想象、情绪识别和神经系统障碍检测。不同的BCI范式使用了经典分类器(如LDA、SVM、k-最近邻居)、标准神经网络、基于CNN的架构(例如EEGNet [60])以及混合DL模型[71,72]。值得注意的是,基于黎曼几何的分类器和迁移学习方法也取得了显著进展,最近的比较研究表明黎曼方法与CNN的性能相当[73]。类似的算法家族越来越多地被应用于临床BCI应用中,包括神经康复和痴呆症研究,通常比当前EEG-TMS研究中报告的解码精度更高[74,75]。
尽管取得了令人鼓舞的进展,EEG-TMS研究中仍有几个挑战需要解决以完成这一闭环。首先,预测性能仍然是一个限制因素:虽然BCI研究通常报告的准确率超过70%,但EEG-TMS对兴奋性的预测结果往往较为有限。其次,现有的数据集通常规模较小且人口统计学上较为同质化,主要涉及年轻、健康的参与者。这限制了普适性,并忽略了与年龄相关的改变和脑节律的病理变化,而这些变化对临床应用非常重要。第三,大多数基于ML的EEG-TMS模型仅在校外、事后分析中得到了验证,只有少数例外[42,48]展示了实时可行性。解决这些挑战将为真正个性化的神经调节策略铺平道路,这与神经科学和临床研究中越来越倡导的精准医疗范式一致[76]。在这种框架下,参与者不再是被动的刺激对象,而是闭环中的积极组成部分,他们的神经反应不断塑造刺激的时间、参数和反馈。从转化的角度来看,可用性和可穿戴性也变得至关重要。例如Tang等人[77]提出的实时闭环EEG-TMS设备,它根据事件相关去同步(ERD)活动触发刺激,并强调便携性和易用性,这对于长期和可能的家庭康复应用特别重要。
除了EEG之外,诸如扩散MRI这样的补充神经成像技术也能捕捉大脑组织中水分子的时变异常扩散,并已显示出对神经退行性疾病中微结构改变的敏感性[78,79],这些技术可以提供额外的生物标志物,集成到未来的多模态和纵向脑状态监测框架中,进一步丰富仅凭电生理测量所提供的信息。最后,特别是DL模型的可解释性仍然是一个关键问题。许多高性能算法的“黑箱”特性限制了它们在医学环境中的接受度,因为在医学环境中,需要理解和临床信任[80]。同时,可解释AI的不断努力旨在提高透明度而不牺牲性能,提供工具将模型决策与神经生理机制和临床上有意义的特征联系起来[81]。在这个方向的进展对于将基于ML的EEG-TMS系统从实验环境转化为稳健、可解释且具有临床转化能力的神经调节技术至关重要。