基于脑电图的帕金森病识别技术：采用受菌丝体启发的忆阻式储能计算电路实现

《Advanced Intelligent Systems》：Electroencephalogram-Driven Recognition of Parkinson's Disease Through a Mycelium-Inspired Memristive Reservoir Computing Circuit

　　摘要

从神经生理信号中识别帕金森病（PD）仍然是早期诊断和干预的关键挑战。为了实现实时监测，需要先进的信号处理技术，这些技术可以直接在可穿戴或便携式设备上运行，从而减少延迟、保护隐私并支持持续评估。本研究提出了一个受生物启发的计算框架，该框架结合了脑电图（EEG）衍生的刺激和受菌丝体启发的忆阻式储能电路，用于模拟模式识别。来自PD患者和健康对照组的静息状态EEG记录经过伪迹去除和频谱分解处理。主要频率成分被转换成离散的电压脉冲序列，这些序列模拟了皮层活动模式，并驱动一个固定的菌丝体晶格。菌丝体启发网络内的电连接性和分支密度决定了非线性信号传播，产生了频率依赖的激活动态。忆阻式储能电路作为一种动态介质，通过其导电路径中的状态转换隐式地编码时间和频谱信息。通过对选定节点的电压积分，可以在不需要显式数字处理或训练分类器的情况下区分帕金森病状态和对照状态。所提出的系统被作为一个概念验证的混合神经形态平台，它桥接了EEG动态、生物材料架构和忆阻计算，展示了其在模拟生物启发式识别神经退行性疾病方面的潜力。

1 引言

神经退行性疾病（NDs）是一类进行性障碍，其特征是中枢和周围神经系统中的神经元结构和功能逐渐恶化。其中，帕金森病（PD）是最普遍和致残的疾病之一[1]，全球流行病学分析表明，自1990年以来其发病率已经翻了一番以上，并预计到2040年将超过1200万例[2]。该疾病表现为广泛的运动和非运动障碍，包括震颤、僵硬和运动迟缓，以及情绪改变、流口水和睡眠障碍[3-5]。在缓解PD症状的方法中，深部脑刺激（DBS）已成为最有效的治疗干预措施之一[6]；然而，尽管它在临床上取得了成功，但它仍然是开环的，无法提供关于大脑当前神经状态的洞察。这一限制突显了PD管理中的一个更大挑战：缺乏实时表征神经活动的能力，而这对于制定适应性和个性化治疗策略是必要的。因此，迫切需要能够快速分析脑信号并在信号层面直接识别疾病相关模式的系统。因此，早期和系统性地检测NDs至关重要，因为药物、行为和神经刺激干预在不可逆的神经元退化发生之前应用时显示出最大的疗效[7]。连续脑电图（EEG）提供了一种非侵入性的方法来评估PD背后的振荡脑动态，然而EEG信号的固有非线性、非平稳性和复杂性使其分析在计算上非常具有挑战性[8, 9]。这些挑战促使人们探索能够在保持生物可解释性的同时执行快速神经数据处理的模拟计算系统。在神经形态学范式中，储能计算（RC）已成为处理复杂时间数据（如EEG）的特别有效的框架。通常，RC架构由一个具有高度非线性响应的循环网络和一个称为储能器的固定内部权重组成，后面跟着一个读出层[10]。在这个系统中，输入信号被投影到一个高维动态空间中，利用储能器自然编码时间特征，有助于后续层的分类/特征化，这是唯一可训练的层。通过这种方式，计算成本显著降低，同时保持了建模非线性和时间依赖关系的能力。这使得RC特别适合于生理信号处理，其中必须高效捕获时间连续性和微妙的状态转换。然而，需要一个生物兼容的系统来有效地与基于EEG的管道接口，易于制造，成本效益高，并能够忠实地表征复杂的EEG刺激。在模拟生物混合系统中，菌丝体（由真菌形成的丝状网络）作为一种天然丰富的、不易耗尽的材料脱颖而出，由于其独特的拓扑组织和非线性电动态，它具有内在的计算能力。这种结构和电特性的结合使其成为储能计算的理想基础[11]。这种结构效率和非线性尖峰的结合使网络能够将连续刺激编码为高维瞬态状态，这是储能系统的定义属性。使用FitzHugh–Nagumo建模的计算研究进一步表明，这种形态和兴奋性共同产生了丰富的时间编码和强大的任务性能（在MNIST上的准确率高达97.09%[12]），确立了菌丝体作为模拟神经形态计算的生物学基础和计算能力的候选者。值得注意的是，这些计算能力可以被利用来处理EEG，利用受菌丝体启发的网络作为液态机器（LSM），这是RC的一个特定子类，通常用于EEG应用[13]，其中计算来自于固定、循环和非线性动态系统对时变输入的瞬态响应[14, 15]。与可能在离散时间操作或依赖于稳态表示的通用RC架构相比，LSM明确地在由事件驱动的刺激生成的高维时空状态轨迹中编码信息，在这种情况下，这些刺激是EEG衍生的时间输入。为了实现生物学上的合理性和实时操作，计算基底必须直接处理模拟信号，避免数字实现中固有的延迟和量化伪迹。此外，将这些复杂的电化学动态转移到可以制造和扩展的硬件电路中是非常具有挑战性的[16]。传统的模拟电路通常需要大量的组件、精确的参数调整和显著的功耗来再现生物系统中观察到的非线性耦合和反馈[17]。因此，需要一种硬件高效、可扩展和适应性的解决方案来模拟菌丝体网络的兴奋行为和动态记忆。在这方面，忆阻振荡器提供了一种解决方案，通过提供一种紧凑且节能的方式来再现生物介质的非线性和适应性动态，特别是菌丝体[18]，同时也被证明是模拟PD的硬件仿真的良好候选者[19]。忆阻器的电阻取决于其内部离子状态，可以与电容器结合形成能够维持模拟时间动态的高度非线性振荡器。基于忆阻器的振荡器（MBOs）的一个特别有利的属性是它们能够再现菌丝体的兴奋电动态，正如另一项研究中所展示的[11]。因此，这种方法提供了一种生物学上合理的方法来模拟活菌丝体网络的尖峰和松弛动态，弥合了生物储能器和实用神经形态硬件之间的差距。在这项工作中，提出了一个基于EEG的识别框架作为概念验证，灵感来自菌丝体的计算特性，并通过忆阻电路实现，展示了帕金森病和对照EEG衍生动态的模拟可区分性。所提出的系统利用了菌丝体的储能器样动态，结合其内在的电活动，使得能够编码EEG特征的非线性时间转换。第2节详细介绍了应用于EEG数据的预处理和编码方法，而第3节概述了菌丝体和储能计算框架的特性，这些特性使它们成为后续描述的电路架构的合适基础。第4节展示了整个处理流程的结果，第5节总结了发现，讨论了它们的含义，并概述了潜在的应用。

2 EEG编码和特征提取方法

为了验证所提出的受生物启发的计算框架，我们建立了一个完整的处理流程，将实验EEG数据与物理可解释的储能模型及其模拟电路表示联系起来。方法流程如图1所示，从EEG特征提取和编码为时间脉冲开始，然后是受反应-扩散动态和非线性尖峰活动控制的菌丝体晶格的刺激。然后，将出现的时空活动与模拟积分器电路结合，该电路再现了储能器的功能行为。本节详细介绍了框架的预处理和编码方法，强调了这些阶段如何塑造输入的时间结构，并定义了菌丝体启发储能器的操作模式和计算能力。为了清晰和可重复性，EEG到储能器的完整执行流程在算法1中进行了总结，该算法提供了处理阶段及其执行顺序的高级描述，而表1总结了所提出流程中使用的参数。算法1中描述的代码可以根据合理请求提供。

图1. 所提出框架的概述。EEG信号被预处理并转换为多个脉冲刺激，每个脉冲刺激对应一个频率区间，该频率区间驱动一个由菌丝体支持的忆阻式储能网格。出现的时空电活动通过模拟电路积分，产生一个电压输出VRECOGN，物理上区分了帕金森病状态和对照状态。

表1. EEG编码和刺激流程中使用的参数。
参数 符号 值/描述
采样频率 f 500 Hz
带通滤波器范围 [flow, fhigh] [0.5, 40] Hz
ICA拒绝阈值 τ 0.9 (ICLabel概率)
选定的EEG通道 [F1, F2, F3, F4, Fz, FC1, FC2, FC3, FC4, FCz, C1, C2, C3, C4, Cz]
PSD估计方法 — Welch (spectopo)
PSD窗口长度 — 1 s (Hanning窗口)
FFT长度 — 5000样本
频率分辨率 Δf 0.4 Hz
分位数水平 α 51百分位数
刺激站点数量 N 4
时间掩模长度 S 50
掩模值 m {?1, +1} (双极随机)
脉冲幅度 V 0.25 V
脉冲宽度 t 0.15 ms
储能网格大小 25 × 25晶格

算法1. EEG到菌丝体的时间刺激流程。需要：所有受试者的EEG记录、通道集、预处理带宽、ICLabel阈值、分位数水平、刺激站点数量、时间掩模长度和菌丝体网格。
确保：将二进制时间刺激序列映射到菌丝体网格站点
1: 初始化EEGLAB处理环境
2: 对每个受试者执行
3: 加载EEG记录
4: 在指定范围内应用带通滤波
5: 执行独立成分分析（ICA）
6: 使用ICLabel对独立成分进行分类
7: 拒绝后验概率超过的与伪迹相关的成分
8: 选择属于F-FC-C蒙太奇的EEG通道
9: 使用spectopo估计功率谱密度
10: 结束循环
11: 计算不同受试者组之间的效应大小
12: 选择显示最大绝对值的频率区间
13: 将所有功率谱密度从分贝转换为线性尺度
14: 计算队列级分位数曲线
15: 在菌丝体网格上分配刺激站点
16: 对于每个选定的频率区间执行
17: 提取该频率下的相应PSD值
18: 将PSD值与阈值进行比较以获得二进制激活
19: 生成长度为...的随机时间掩模
20: 通过应用...生成二进制刺激序列
21: 结束循环
22: 将二进制刺激序列转换为电压刺激波形序列
23: 将电压刺激波形序列映射到相应的储能网格位置
24: 导出用于储能器激励的结果刺激波形文件

2.1 数据集描述和理由

本研究中使用的脑电图信号来自公开可用的“Rest Eyes Open”数据集（OpenNeuro ID: ds004584, v1.0.0）[20]。该数据集提供了100名PD患者和49名年龄匹配的健康对照组的静息状态记录，包括男性和女性，使用64通道BrainVision帽在标准化条件下以500 Hz的采样频率获取，并根据BIDS规范进行格式化。采集遵循连续静息状态范式，参与者在至少100秒内保持眼睛睁开，不执行任何任务。根据元数据，接地电极和参考电极分别放置在AFz和Pz位置，线噪声频率为60 Hz。静息状态范式在研究神经退行性疾病方面具有明显优势，因为它们捕获了与任务无关的自发振荡活动，从而隔离了与疾病相关的固有神经动态，对于理解PD病理学至关重要，例如频率带功率的差异[21, 22]。数据集的连续采集模式和高通道密度使其非常适合检查空间分布的振荡活动，同时保持时间精度，以便进行后续的模拟编码。所使用的设备与符合国际10–10配置的电极放置一致[23]，确保了均匀的头皮覆盖和标准化的电极间距。在这些电极中，选择了14个电极（CS通道集），它们双侧覆盖了前额、前中额和中央头皮区域（F-FC-C蒙太奇），作为下游分析的主要站点，因为这些区域的活动在PD中变化最为显著。先前的研究表明，这些区域能够捕捉到该疾病的稳健生物标志物，因为它们对与运动相关的皮层不同步非常敏感，同时在帕金森病（PD）的识别中具有最高的区分能力[8, 24-27]。因此，分析重点关注这一电极子集，以最大化诊断相关性并最小化来自无关区域的冗余信息。

2.2 预处理和频谱特征提取

预处理是在MATLAB（The MathWorks, Inc., Natick, MA, USA）中使用的EEGLAB工具箱（Swartz Center for Computational Neurosciences, La Jolla, CA, USA）[28]进行的。连续的EEG记录在0.5 Hz（flow）到40 Hz（fhigh）的带宽内进行带通滤波，以去除基线漂移和高频噪声，同时保留与皮层振荡相关的生理学上有意义的频谱。信号仍然参考顶叶电极（Pz）并接地在AFz，这与数据集元数据中描述的采集设置一致。然后应用独立成分分析（ICA）来隔离与伪迹相关的源，这些伪迹使用ICLabel算法[29]自动分类。当与眼部、肌肉或心脏活动相关的成分的后验概率超过τ=0.9时，这些成分被拒绝，同时至少78%的神经频谱内容在各个频带中得到保留。这种去噪步骤在静息状态PD数据集中尤为重要，因为帕金森病的运动症状仍可能引入来自残余震颤和肌肉紧张的非神经频谱成分。通过ICA和基于ICLabel的拒绝方法去除这些伪迹，保留的信号更准确地反映了真实的皮层活动，并确保后续的频谱分析在神经生理学上是有意义的。除了提高信号质量外，这些预处理步骤还在确定存储库如何响应传入刺激方面发挥着功能作用。在存储库计算系统中，内部动态是由输入的结构驱动的，而不是由存储库内部的显式特征提取驱动的[14]。如果直接注入宽带噪声或以伪迹为主的信号，那么产生的活动将主导存储库的动态，降低其生成信息性瞬态状态的能力。通过将输入空间限制在稳定的频谱表示范围内，存储库被驱动进入一个可以有意义地获得非线性瞬态响应的状态。对于每个受试者，使用Welch方法估计功率谱密度（PSD），该方法通过平均多个窗口化信号段的周期图来提供平滑且统计上可靠的估计[30]。在当前的配置中，该方法是通过EEGLAB的spectopo函数应用的，其中EEG记录被划分为连续的1秒汉宁窗口（每个窗口500个样本，采样率为500 Hz）。每个窗口产生一个单独的周期图，然后在各个段之间平均以减少方差。快速傅里叶变换（FFT）配置为10秒的窗口（5000个点），产生有效的频率分辨率Δf=0.4 Hz，确保可靠地检测到与帕金森病相关的特征。Welch方法对信号非平稳性的鲁棒性使其特别适合于静息状态EEG，因为在静息状态下，帕金森病的运动症状仍可能引入来自残余震颤和肌肉紧张的非神经频谱成分。通过ICA和基于ICLabel的拒绝方法去除这些伪迹，保留的信号更准确地反映了真实的皮层活动，并确保后续的频谱分析在神经生理学上是有意义的。除了提高信号质量外，这些预处理步骤还在确定存储库如何响应传入刺激方面发挥着功能作用。

2.3 基于分位数的编码和时间变换

在频谱分析之后，识别出的组间PSD差异成为生成适合在基于忆阻菌丝体的存储库中进行模拟处理的时域编码刺激的基础。为了将EEG活动的频域表示与时域处理联系起来，应用了一个两阶段的数据驱动变换，包括基于分位数的阈值处理和随机的时间调制。这个过程将连续的频谱特征转换为二进制时间模式，同时保留了跨受试者的振荡成分的相对显著性。在第一阶段，将每个受试者的PSD轮廓Ps(f)与队列级别的分位数曲线Qα(f)在每个选定的频率bin fi上进行比较，其中α表示选定的百分位数（在本工作中α=51）。超过此阈值的频率bin被识别为活跃状态，产生特定于受试者的二进制激活标志。

基于分位数的阈值处理为识别相对于组分布的活跃频率bin提供了一个统计上一致且数据驱动的标准。通过将每个受试者的频谱与队列级别的分位数Qα(fi)进行比较，这种方法隔离了在受试者中表现出持续显著性的频率，而不受绝对幅度差异的影响。因此，功率全局较高或较低的受试者按比例贡献，使得编码过程能够强调神经活动的相对结构，而不是任意的信号幅度。这种变换对于将EEG衍生的频谱信息与存储库的时间动态耦合至关重要。在LSMs及相关存储库系统中，计算是通过时间变化输入驱动的内部状态的演变来执行的，而不是通过存储库内部的显式特征提取[14]。通过将频谱特征转换为二进制时间激活，编码阶段确保信息包含在事件时间和时间密度中，这些是存储库有效处理的量。在第二阶段，每个二进制激活模式Si通过从随机分布中抽取的随机时间掩码mi(t)进行调制，并实现为双极序列（mi(t)∈{-1, +1}），具有零均值激励，产生刺激序列xi(t)。

基于分位数的阈值处理为识别相对于组分布的活跃频率bin提供了一个统计上一致且数据驱动的标准。通过将每个受试者的频谱与队列级别的分位数Qα(fi)进行比较，这种方法隔离了在受试者中表现出持续显著性的频率，而不受绝对幅度差异的影响。因此，功率全局较高或较低的受试者按比例贡献，使得编码过程能够强调神经活动的相对结构，而不是任意的信号幅度。这种变换对于将EEG衍生的频谱信息与存储库的时间动态耦合至关重要。在第二阶段，每个二进制激活模式Si通过从随机分布中抽取的随机时间掩码mi(t)进行调制，并实现为双极序列（mi(t)∈{-1, +1}，具有零均值激励，产生刺激序列xi(t)。

基于分位数的编码和时间变换遵循以下步骤：

3. 基于菌丝体的电路架构

选择菌丝体作为本研究的生物基底，是因为它具有丰富的电生理和结构特性，这些特性与神经元组织非常相似。对诸如Pleurotus djamor、Schizophyllum commune和Ganoderma lucidum等真菌物种的实验研究表明，它们具有自发的电压振荡和幅度从几十微伏到几百微伏不等的离散电脉冲[35-38]。这些脉冲通过离子传输和电容耦合在菌丝网络中传播，产生可以合并、湮灭或在相互作用时同步的行波前[39]。这种动态兴奋性和非线性行为赋予了菌丝体类似神经元的信息传输和局部适应能力，使其成为一种自然发生的可激发介质。此外，其丝状组织形成了相互连接的导电路径，其密度和分支模式控制着电信号的传播和衰减[40, 41]。这些特性使得菌丝体成为模拟非传统计算和神经形态仿真的生物学上合理且能源效率高的候选者，因为它们模拟了神经通信中的离子和电容现象。除了其电响应性外，菌丝体的形态组织还表现出与小世界拓扑结构相似的特性。这种拓扑结构由高聚类系数和短的特征路径长度定义[42]，这些特性被认为支持复杂网络中的高效信息流和分布式交互。重要的是，生长驱动的菌丝体晶格并不是为特定拓扑结构而优化的；相反，其结构是由生物启发的反应-扩散生长规则自然产生的，这些规则生成了非均匀的连接性、分支节点和多条导电路径。这种组织结构结合了密集的局部连接性和长距离的导电路径，反映了在真实菌丝系统中所观察到的优化生物传输和通信网络[43]。这样的结构特性与物理存储系统中的增强信息容量和可分离性有关[44]。为了在保持输入异质性的同时保持一致的编码框架，所有参与者都应用了相同的掩码集，但不同的随机掩码被分配给不同的频率bin。这种设计选择具有特定的计算目的：如果没有时间掩码，来自不同频率组分的输入将保持时间对齐，可能会同步驱动存储库并降低内部状态的维度。通过分配独立的随机掩码，引入了受控的时间多样性和频率bin之间的极性变化，从而在信号通过网络传播时减少同步性并促进非线性混合[33]。在这种背景下，只要保持它们的全局分布特性，不同的掩码模式不预期会产生质量上不同的计算行为[34]。因此，掩码选择基于分布约束，有助于提高鲁棒性，同时防止偏见的输入编码。通过这种随机时间扩展，观察到的电压活动是从这种相互作用中产生的，而不是来自任何特定的掩码实现。最后，二进制调制信号xi(t)被转换为电压脉冲序列INEXT,i(t)。这些INEXT,i(t)序列包含固定幅度VPULSE_HIGH=0.25 V和持续时间tPULSE=0.15 ms的脉冲，与xi(t)产生的激活对齐，以确保与稍后在手稿中描述的基于菌丝体的电路的时间动态完全兼容。这些脉冲向量因此形成了数字EEG表示与其连续时间实现之间的最终桥梁，实现了提取的频谱特征与应用于存储库晶格的电压刺激之间的一一对应关系。

3. 基于菌丝体的电路架构

选择菌丝体作为本研究的生物基底，是因为它具有丰富的电生理和结构特性，这些特性与神经元组织非常相似。对Pleurotus djamor、Schizophyllum commune和Ganoderma lucidum等真菌物种的实验研究表明，它们具有自发的电压振荡和幅度从几十微伏到几百微伏不等的离散电脉冲[35-38]。这些脉冲通过离子传输和电容耦合在菌丝网络中传播，产生可以合并、湮灭或在相互作用时同步的行波前[39]。这种动态兴奋性和非线性行为赋予了菌丝体类似神经元的信息传输和局部适应能力，使其成为一种自然发生的可激发介质。此外，其丝状组织形成了相互连接的导电路径，其密度和分支模式控制着电信号的传播和衰减[40, 41]。这些特性使得菌丝体成为模拟非传统计算和神经形态仿真的生物学上合理且能源效率高的候选者，因为它们模拟了神经通信中关键的离子和电容现象。除了其电响应性外，菌丝体的形态组织还表现出与小世界拓扑结构密切相关的特性。这种拓扑结构由高聚类系数和短的特征路径长度定义[42]，这些特性被认为支持复杂网络中的高效信息流和分布式交互。重要的是，生长驱动的菌丝体晶格并不是为特定拓扑结构而优化的；相反，其结构是由生物启发的反应-扩散生长规则自然产生的，这些规则生成了非均匀的连接性、分支节点和多条导电路径。这种组织结构结合了密集的局部连接性和长距离的导电路径，反映了在真实菌丝系统中观察到的优化生物传输和通信网络[43]。这样的结构特性与增强非线性动态、记忆容量和分离性在基于菌丝体的物理存储系统中有关[44]。这种形态促进了通过波前分裂、干涉和远距离区域之间的延迟交互的丰富时空信号传播。这样的传播动态与存储计算的运行原理相吻合，其中计算能力来源于瞬态内部状态的多样性和丰富性[45]。由此产生的形态诱导的电动态为将菌丝体实现为活跃的物理计算和信号转换基础提供了支持，使其能够作为LSM的生物学基础实现。为了支持生长驱动的菌丝体形态表现出小世界特性的观察结果，对25×25的晶格进行了图论分析，该晶格符合反应-扩散原理[41]。计算了标准网络指标，包括平均路径长度（L）、聚类系数（C）、传统的小世界系数（σ）和小世界指数（SWI），遵循Watts和Strogatz提出的框架[46]。采用这一框架是因为它提供了一个定量标准，用于通过评估强局部聚类和短全局通信路径来识别小世界组织，这些结构特征是从生物驱动的生长过程中预期出现的。菌丝体衍生的网络表现出相对较高的聚类系数（C=0.514）和适中的平均最短路径长度（L=9.66）。为了将这些值置于上下文中，生成了具有相同特性的等效Watts–Strogatz参考网络，即节点计数和度数，包括随机类参考和晶格类参考。正如预期的那样，随机参考数据显示出微弱的聚类性（Cr = 0.0188）和显著缩短的特征路径长度（Lr = 3.20），从而产生了一个小世界系数（σ > 1），这强烈表明根据经典的Watts–Strogatz标准存在小世界组织结构。然而，由于在高度聚类的空间网络中σ可能会被高估，我们还报告了SWI ≈ 0.499，这是一个更稳健的指标，它同时考虑了偏离晶格状和随机状极端的情况。受菌丝体启发的网络产生的SWI ∈ [0,1]证实了生长驱动的形态在局部聚类和全局通信效率之间实现了平衡。为了将这些生物学原理和尖峰行为转化为硬件，已经使用了忆阻振荡器来模拟菌丝细胞的兴奋性和适应性记忆。在这种配置中，每个振荡器都再现了在真菌尖峰中观察到的去极化-复极化周期[11]。忆阻器-电容器对内的瞬态电荷存储和松弛过程产生了衰减记忆效应，系统在保持连续刺激之间的短期相关性的同时逐渐返回基线[47, 48]。这种行为直接类似于水库计算中的回声状态特性，确保振荡器的当前状态编码了其过去输入的衰减痕迹。此外，忆阻振荡器本质上是紧凑的并且与CMOS兼容[49]，使得可以大规模实现受菌丝体启发的网络。它们模拟真菌电生理学的模拟、非线性和依赖于历史的动态，从而提供了一种硬件效率高的方法。在这个框架内，受菌丝体启发的忆阻网络作为一个物理上的长短期记忆（LSM）运行。从EEG中提取的输入被转换成时间结构化的脉冲序列，这些序列作为时间事件扰动，驱动水库在连续时间内工作。每个脉冲都会在循环晶格中引发瞬态的时空响应，其中残余电荷存储、忆阻状态演变和形态依赖的延迟导致连续输入通过衰减记忆动态相互作用。因此，信息体现在瞬态内部状态的演变中，而不是在稳态活动或显式训练的循环权重中，这似乎是LSM的一个定义特征[15, 45]。

3.1 受菌丝体启发的细胞电路和网格拓扑

为了验证所提出的电路能够保持生物学上合理的时空传播和尖峰行为，类似于真实的菌丝网络，使用了一个受生物启发的反应-扩散模型[41]生成了一个二进制空间图。由此产生的2D 25×25矩阵编码了每个晶格位置上是否存在菌丝材料，有效地代表了网络的结构组织。随后使用这个图来编程接下来的网格拓扑，形成了检查工程化活体材料电活动的基础。所提出框架背后的电路分为两个层次：（1）一个受菌丝体启发的尖峰细胞网格，它们集体模拟了真实菌丝的可兴奋性和非线性行为；（2）一个读出阶段，包括一个平均器和一个积分器电路，如下面详细描述的，它将水库的活动累积成一个可测量的模拟电压VRECOGN。这些硬件层共同构成了一个完全模拟的识别系统，能够根据它们的时间和空间动态区分帕金森病和控制输入。该设计采用了基于180纳米技术节点的体块CMOS晶体管，通道宽度W = 9微米，并制造了导电桥随机存取存储器（CBRAM）忆阻设备。25×25网格的每个位置代表一个受菌丝体启发的尖峰细胞，这是一个模拟电路，结合了局部感应、事件锁定、可编程状态存储和具有记忆效应的尖峰生成。该设计融合了菌丝电生理学和忆阻设备动态的关键概念。单个细胞的功能架构如图2所示，包括三个主要子模块：（i）获取和事件检测，（ii）传播和外部干扰控制，以及（iii）尖峰生成。

3.1.1 获取和事件检测

细胞的相邻信号通过电阻器（RMLN1 = 10 kΩ）被动求和，然后通过一个输入偏置为VREF = 1 V的AND门进一步处理，产生一个与相邻激活重叠时间成比例的输入脉冲。这种机制模拟了生物基质中相邻菌丝之间的耦合。然后脉冲通过一个由两个RC延迟（RD1 = 1 kΩ, CD1 = 1 nF; RD2 = 1 kΩ, CD2 = 300 nF）和一个XOR门组成的事件检测阶段。短延迟在上升沿引入了一个短暂的逻辑“1”，触发了一个JK触发器（JK FF），VCLK在通过RMLN2 = 800 Ω的被动平均后发生，而长延迟确保了正确的时序和不应期行为。K端被偏置为VREF = 1 V。因此，这个子电路防止了多发射，并提供了一个类似于可兴奋网络中局部尖峰生成的锁存事件VFF。

3.1.2 传播和外部干扰控制

锁存的信号VFF驱动一个CMOS单极双掷（SPDT）开关，在写入模式（当INW?EN为高时）和传播模式之间切换。在写入模式下，晶体管T1和T2使用INW输入对双极忆阻器（MCELL）进行偏置，根据该晶格位置是否存在菌丝将其状态设置为高阻或低阻。在传播模式下，SPDT将VFF与适当的CTRL信号一起通过MCELL传输到输出，前提是设备处于低阻状态（LRS），允许信号向相邻细胞传导。一个额外的二极管-电阻分支（D, REXT = 2 kΩ）通过相同的路径路由外部刺激信号INEXT，使得来自相邻和外部事件的混合刺激成为可能。这种配置模仿了在真菌电生理学中观察到的环境刺激和细胞间信号的整合[38, 39]。

3.1.3 基于忆阻器的振荡器用于尖峰生成

每个细胞通过一个由电阻器RMBO = 2.5 MΩ、电容器CMBO = 100 pF和单极忆阻器（MMBO）组成的MBO产生模拟尖峰。电压VSTIM是通过RMLN3 = 100 Ω平均的多个电位的组合。MCELL底部电极的电压（通过AV = 10的增益放大以确保MBO有足够的驱动力）和代表记忆效应的电压在下一节中进行了详细说明。这种组合的动态电压依赖于细胞之前的输出，将电容器CMBO充电超过MMBO的SET阈值，设备从其高阻状态（HRS）突然切换到LRS，快速放电电容器并产生一个尖锐的电压尖峰。当电压下降到RESET阈值以下时，设备返回到HRS，重新开始循环。这种放电-恢复过程模拟了离子去极化和复极化，产生了类似自调节动作电位的振荡，作为输出信号VOUT。输出幅度随后通过由RDV1 = 9.99 kΩ和RDV2 = 10 Ω组成的电压分压器进行衰减，确保结果电压水平与实验观察到的菌丝尖峰的幅度特性相匹配，如本节开头所讨论的。

3.1.3.1 记忆效应

就满足水库计算的要求而言，水库的内部状态必须渐进地依赖于输入的最近历史，而不是初始条件，同时逐渐减弱旧刺激的影响[50]。实际上，这表现为衰减记忆效应，系统在连续输入之间保持短期相关性，但逐渐忘记远期的事件。这确保了水库在稳定但动态丰富的状态下运行，足以编码时间依赖性，但受到限制以防止记忆的分歧或混沌积累。在所提出的忆阻振荡器水库中，衰减记忆效应自然地源自每个振荡细胞的内在瞬态动态，如图3所示。当施加刺激INEXT时，兴奋在VOUT(i,j)处触发一个尖峰。辅助分支由CMEM和RMEM = 1 MΩ组成，如图2所示为尖峰生成子电路的记忆效应模块，它在激活之间保留了一部分电荷。这引入了对最近输入的短期依赖性，表现为VOUT(i,j)中的累积基线建立。当施加过多的刺激时，残余电位抑制了相邻细胞，保持在非饱和状态下运行。

3.2 忆阻器模型

MCELL和MMBO都由一个紧凑的、基于物理的CBRAM公式[51]描述。该模型自洽地捕捉了离子漂移、场加速扩散和热扩散，控制了活性（Ag）电极和惰性（Pt）电极之间金属丝的形成和断裂。该模型准确地再现了MCELL和MMBO所需的双极和单极切换机制，分别在每个水库细胞中使用，同时操作在亚伏SET/RESET阈值下。参数集校准为实验制造的单层金属-绝缘体-金属（MIM）CBRAM设备，包括Ag（约40 nm）/SiO2（约20 nm）/Pt纳米粒子（约5 nm）堆叠[49]，表现出快速切换、低阈值和最小的操作电流，以实现鲁棒性和功率高效的仿真，使其成为研究系统级水库动态的合适和现实的构建块。首先，忆阻元素用于定义晶格位置是电活跃的还是不活跃的，对应于反应-扩散衍生结构中菌丝连接的存在或缺失。在这种角色中，忆阻器表现出双极切换，并通过启用或禁用水库中的导电路径来编码结构信息，而不是执行精确的模拟信息存储。其次，忆阻器在局部振荡器电路中用于启用尖峰生成和信号传播。在这里，设备模型的关键贡献在于其非线性的单极切换行为，它允许振荡活动被时间结构化的输入触发和调制。本工作中得出的结论不依赖于忆阻器模型的精细定量准确性，例如精确的切换电压、详细的丝状形态或设备级别的随机变化。相反，它们依赖于支持振荡器网络内激发和交互的快速、非线性切换行为。因此，报告的系统级行为预计不依赖于设备参数的变化，只要保持 Qualitative 非线性切换特性即可。

3.3 模拟识别电路（读出阶段）

水库的全局输出通过监控节点收集。每个节点将其模拟电压VOUT,k(t)传递给一个基于Millman定理的被动平均网络，该网络通过等值电阻器RMLN4 = 100 kΩ实现。得到的节点加权电位反映了整个晶格的瞬时兴奋水平，随后由模拟积分器电路处理，该电路包括一个电容器CRECOGN = 10 μF和一个NMOS晶体管T4。在操作过程中，NMOS充当重置开关：它在识别间隔之间被脉冲高电平（VRESET = 1.2 V）放电电容器，从而在每个新任务之前清除累积的状态。这种配置使得输入的平均信号能够连续时间积分为一个逐渐增加的模拟电压VRECOGN(t)，反映了水库的全局活动。整个读出电路的示意图如图4所示。

4 结果

所提出的EEG驱动识别框架的性能通过电路仿真级别和真实患者数据进行了评估，以评估其区分帕金森病和控制神经动态的能力。完整的系统整合了第2节中描述并总结在算法1中的预处理和编码流程，以及第3节中概述的受菌丝体启发的存储电路。结果遵循这一进展，从EEG数据集中提取的频谱特征开始，接着是忆阻菌丝体存储器的时空激活模式，最后是模拟识别电路的模拟电压响应。这些结果共同展示了与帕金森病（PD）相关的生物标志物如何在系统中传播，从皮层的频谱特征到电路层面的新兴时间模式。

4.1 EEG频谱特征
图5总结了经过伪迹校正和预处理后，帕金森病（PD）组与对照组之间的组级功率谱密度（PSD）对比。平均频谱显示PD组在θ波段（4–8 Hz）的功率增强。叠加的虚线曲线显示了每个频率区间的Cohen's d值，突出了θ波段作为下游编码最具区分性的波段。这些发现证实了选定的前额叶和运动皮层通道能够捕捉到与PD强烈相关的频率特异性异常，为后续编码提供了可靠的输入特征。

4.2 将EEG特征映射到存储器输入
为了确保只有与疾病相关的信息被传输到存储器输入，选择了Cohen's d值最高的频率区间作为时间编码阶段的基础。这些区间对应于区分帕金森病与对照组EEG谱的最具区分性的频率，确保后续处理集中在生理上最有意义的成分上。表2列出了选定的频率区间、相应的Cohen's d值以及25×25菌丝体网格上刺激点的空间坐标。

4.3 基于分位数的时间编码
基于分位数的时间编码在存储器注入前产生了组间的不同激活模式。将队列级的分位数阈值应用于保留的θ波段区间后，产生了在PD组中比对照组更高时间密度的脉冲向量。PD-CTRL差异栅格（图7）可视化了这种差异随时间的变化，红色条带表示PD独有的激活，灰色表示与对照组激活的重叠。独立对照组激活由于选择了最佳的分位数阈值而没有显示在这里。时间优势比率（PD-CTRL）/（PD+CTRL）在大多数时间步骤中保持正值，证实了PD激活的系统性过剩。

4.4 时空存储动态
通过分析在监测点记录的时空电压活动，评估了编码后的EEG输入对受菌丝体启发存储器的影响。当从具有大于两个度数和一致局部连接性的菌丝体图上的结构相关分支节点注入脉冲序列时，存储器表现出复杂的传播动态，波前在网格上的多条导电路径中快速扩散、合并和相互作用，而不是将兴奋限制在孤立的轨迹上。这种选择是基于存储计算的基本原理，即当存储器在中等动态范围内运行时，计算能力得到优化，避免了饱和和琐碎的响应[14, 52]。相比之下，仅限于有限区域的刺激会减少传播多样性，而过于密集或均匀的刺激会产生同步活动并降低状态的可分性。这些刺激和监测点的空间分布如图6所示，叠加在模拟的菌丝体网格结构图上。红色圆圈标记用于刺激的分支节点，绿色方块表示用于捕获网络不同区域代表性电压响应的监测点。这种配置既实现了分布式兴奋，又能够空间分辨地观察存储器的新兴动态。

4.5 模拟识别阶段
最后，为了将存储器的动态与模拟识别阶段连接起来，放大了抽头电压，并用于驱动第3节中描述的基于Millman的积分器电路。这种配置保留了分位数掩码编码流程产生的事件时间和幅度分布，同时确保了试验间的电气兼容性和可重复性。聚合的抽头活动形成了一个复合的模拟输入，反映了存储器的整体兴奋状态。随着时间的积分，这个输入产生了累积电压轨迹VRECOGN，作为PD和CTRL驱动响应之间相关性的模拟指标。图11显示的结果表明，在所有选定的频率fi（6.0–7.2 Hz）中，PD的平均激活（脉冲计数）始终更高。这些结果共同证明了分位数编码的刺激保留了组级PSD对比，同时揭示了具有诊断价值的时域激活差异。

4.6 模拟识别阶段
最后，为了将存储器的动态与模拟识别阶段连接起来，放大了抽头电压，并用于驱动第3节中描述的基于Millman的积分器电路。这种配置保留了分位数掩码编码流程产生的事件时间和幅度分布，同时确保了试验间的电气兼容性和可重复性。聚合的抽头活动形成了一个复合的模拟输入，反映了存储器的整体兴奋状态。随着时间的积分，这个输入产生了累积电压轨迹VRECOGN，作为PD和CTRL驱动响应之间相关性的模拟指标。图11显示的结果表明，在控制阶段（蓝色阴影），积分器电压逐渐增加到峰值0.273 V，而在帕金森病输入阶段（红色阴影），它在相同的Δt=30 ms时间窗口内迅速增加到0.658 V。积分器在t=31 ms时重置，NMOS电压的复位值为VRESET=1.2 V，用于区分这两种测试情况。这种行为表明，模拟积分器有效地将存储器活动的时间密度和不规则性转换为可测量的电压差异，证实了系统能够实时、完全模拟地识别帕金森病的特征。这种从频域生物标志物到空间分布的模拟响应的层次对应关系，证实了所提出的框架能够在不同领域间保留诊断信息。利用生物启发式方法识别帕金森病（PD）特征的能力，突显了混合生物电子架构在实时神经监测和自适应神经形态处理方面的可行性。

5 讨论与结论

上述发现表明，在一个基于生物启发的模拟计算框架中，与PD相关的信息可以被物理地保留和识别，从而架起了生物学和电路学领域之间的桥梁。通过将静息状态脑电图（EEG）特征转换为分位数编码的脉冲序列，系统直接将神经振荡模式嵌入到受菌丝网络启发的存储电路中。观察到的电压轨迹证实，菌丝网络的结构能够有效地将帕金森病患者与对照组之间的频谱差异映射到可分离的模拟状态中。这种频域生物标志物与时域存储响应之间的一致性，强调了这类生物启发式架构在模拟模式下运行时保留诊断信息的能力。从更广泛的角度来看，所提出的框架通过探索一种根本不同的计算范式，补充了基于EEG的PD识别方法。传统方法主要依赖于算法机器学习或深度学习流程，其中分类性能是通过广泛的特征工程、参数优化和监督训练来实现的。相比之下，本工作研究的是一个物理实现的存储计算系统，其计算能力源自由时间结构化的EEG输入驱动的固定生物启发式基底的内在时空动态。与传统的分类器不同，所提出的受菌丝网络启发的忆阻存储系统并不旨在优化分类性能，而是展示了如何通过硬件中的模拟、连续时间时空动态来转换和分离与疾病相关的EEG特征。这种区别使该系统成为生物启发式、面向硬件的EEG处理的概念验证，而不是直接与优化后的分类器竞争。因此，本工作的贡献主要在于其架构和计算原理，为神经信号分析提供了另一种途径。表3突出了广泛使用的机器学习/深度学习方法与所提出的模拟菌丝网络启发系统之间的根本差异。具体来说，它表明现有方法依赖于具有抽象表示的离散时间、数值训练模型，而所提出的系统则通过内在的物理动态在连续时间内运行，无需内部权重训练。比较的重点不是性能指标，而是不同的计算范式和架构权衡，将本工作定位为一种专注于物理、生物启发式时间处理的补充方法。作为参考，最近的一项研究使用了相同的OpenNeuro数据集（ds004584），其分类准确率大约在60%到80%之间，这取决于模型的复杂性和使用的方法[55]。这些结果为任务的难度提供了一个参考点，同时强调了本工作关注的是架构的可行性和模拟计算，而不是性能优化。

结果突显了类似菌丝网络的拓扑结构在处理时间信息中的作用。其特性反映了生物神经网络和真菌网络中观察到的特性，并促进了非线性行为的出现。在时间刺激中观察到的空间分布激活进一步说明了存储结构如何将微妙的输入差异放大为宏观的电压响应，提供了与疾病相关的不规则性的清晰模拟特征。从硬件的角度来看，所提出的系统具有多个优势。最终的积分器输出VRECOGN(t)产生一个连续的电压轨迹，其幅度反映了潜在的神经动态。帕金森病患者与对照组之间的显著电压对比建立了明确的模拟分离，可以通过简单的下游比较器直接处理，从而实现病理活动的快速识别。这样的设计为可植入或可穿戴的诊断设备铺平了道路，这些设备能够在一致的操作下对神经动态保持敏感性。除了识别之外，这种方法还对自适应神经调节具有潜在的影响。通过将模拟识别模块与刺激控制单元集成，该系统可以成为闭环架构的基础，在这种架构中，病理振荡的检测可以自动实时调整治疗刺激。此外，菌丝网络与忆阻网格在结构和功能上的相似性表明，未来活体或混合真菌-电子基底可以自然地执行计算和决策制定，从而弥合生物学和人工智能之间的差距。总之，这项工作引入了一个完整的模拟识别框架，用于帕金森病（PD）的识别，该框架整合了频谱EEG分析、受菌丝网络启发的存储计算和忆阻电路设计。通过每个处理阶段保留和放大与疾病相关的动态的能力，验证了混合生物电子系统在神经生理监测方面的可行性。随着模拟计算和生物计算范式的融合，这样的架构可能会实现新一代的自适应、自组织设备，能够与人脑的动态无缝交互。

作者贡献

Ioannis K. Chatzipaschalis：形式分析（同等贡献）、研究（同等贡献）、方法论（同等贡献）、软件（主要负责）、验证（同等贡献）、可视化（同等贡献）、撰写原始草稿（同等贡献）、撰写-审阅与编辑（同等贡献）。

Ioannis Tompris：研究（同等贡献）、方法论（同等贡献）、验证（同等贡献）、可视化（同等贡献）、撰写-原始草稿（同等贡献）、撰写-审阅与编辑（同等贡献）。

Pantelis Fraidakis：形式分析（同等贡献）、研究（同等贡献）、方法论（同等贡献）、可视化（同等贡献）、撰写-原始草稿（同等贡献）、撰写-审阅与编辑（同等贡献）。

Iosif-Angelos Fyrigos：形式分析（同等贡献）、研究（同等贡献）、方法论（同等贡献）、验证（同等贡献）、撰写-原始草稿（同等贡献）、撰写-审阅与编辑（同等贡献）。

Antonio Rubio：资金获取（同等贡献）、资源（同等贡献）、监督（同等贡献）、撰写-原始草稿（同等贡献）、撰写-审阅与编辑（同等贡献）。

Georgios Ch. Sirakoulis：概念化（同等贡献）、资金获取（同等贡献）、研究（同等贡献）、项目管理（同等贡献）、资源（同等贡献）、监督（同等贡献）、撰写-原始草稿（同等贡献）、撰写-审阅与编辑（同等贡献）。

致谢

本工作部分得到了加泰罗尼亚自治区大学和研究部大学与研究秘书处预博士项目AGAUR-FISDUR（2023 FISDUR 00321）以及欧洲社会Plus基金（ESF+）的支持，还得到了FUNGATERIA项目的支持，该项目获得了欧盟HORIZON-EIC-2021-PATHFINDER CHALLENGES计划的资助，授予协议编号为101071145。

数据可用性声明

支持本研究发现的数据可在合理请求下从相应作者处获得。