《European Journal of Pain》：Predicting Pain: Electroencephalography Signatures of Neural Integration During Experimental Tonic Thermal Pain
编辑推荐：
背景：识别可靠的疼痛神经特征在临床和实验环境中仍是一项关键挑战。尽管脑电图（electroencephalography, EEG）为疼痛评估提供了有前景的途径，但基于相位或功率的神经整合哪种更能驱动疼痛状态区分仍不明确。本研究将功能连接（functional
背景：识别可靠的疼痛神经特征在临床和实验环境中仍是一项关键挑战。尽管脑电图（electroencephalography, EEG）为疼痛评估提供了有前景的途径，但基于相位或功率的神经整合哪种更能驱动疼痛状态区分仍不明确。本研究将功能连接（functional connectivity）和跨频率耦合（cross-frequency coupling, CFC）作为神经整合的候选特征，用于疼痛预测。
方法：研究人员从36名健康受试者中记录了62通道EEG数据，涵盖持续性热痛、非致痛性温热刺激和静息状态等实验条件。采用基于相位和基于功率的指标，计算了alpha频段内的功能连接以及delta、theta、alpha和低beta频段之间的CFC。训练机器学习模型以区分疼痛与非疼痛状态，预测准确率作为神经整合表现的指标。
结果：基于相位的特征在持续性热痛预测中优于基于功率的特征，表明相位同步占主导地位。最强的拓扑特征是由增强的alpha相位连接或theta-alpha/delta-theta跨频率耦合所驱动的前额-枕叶区域间的连接。
结论：研究结果表明，在表征持续性疼痛方面，基于相位的神经整合优于基于功率的整合，且振幅信息的加入主动降低了可区分性。alpha频段功能连接和与其他低频振荡的跨频率耦合的相位测量可能作为疼痛的候选EEG特征，为研究和临床环境中提供数据驱动的框架。
意义声明：本研究引入了一个基于EEG的持续性疼痛预测框架，整合了多种神经整合特征。疼痛与非疼痛状态之间的高分类准确率为基于相位的神经整合提供了新的机器学习驱动见解，反映在功能连接和CFC中。研究结果拓宽了机器学习范式内疼痛处理的理论视角，并强调了开发可靠的非侵入性工具以改善疼痛评估的临床相关潜力。
本研究旨在利用基于脑电图（EEG）的机器学习框架，识别实验性持续性热痛期间神经整合的可靠特征，为疼痛的客观评估提供数据驱动的方法。
研究背景与问题：疼痛给全球健康和社会带来沉重负担，临床中通常依赖言语或行为报告来推断疼痛，但对于无法沟通的患者（如意识障碍、麻醉状态及婴幼儿）则难以实施。EEG因其时间分辨率高且具非侵入性床边适用性，成为识别疼痛神经特征的有前景工具。疼痛体验涉及认知、情感和动机过程在分布式脑网络中的整合，而振荡活动尤其适合量化脑区或脑区内通信。功能连接能够捕捉脑区间统计依赖性，跨频率耦合（CFC）则反映不同节律间的整合。尽管神经振荡与疼痛相关，但既往研究存在局限性：gamma事件相关同步化虽被视为疼痛特异性指标，但存在伪影担忧；alpha活动虽较少受伪影影响，但其与疼痛敏感性的关系不一致，且gamma事件相关同步化和峰值alpha频率均为空间局部化指标。此外，慢性疼痛与实验性疼痛的频谱特征不同，故本研究聚焦于持续性实验疼痛情境。EEG疼痛预测的特征提取主要有两种路径：一是使用原始频谱或空间特征（如各电极的功率或振幅），计算简单但将各通道独立处理，忽略了疼痛特征的网络水平协调活动；二是提取关系性指标（如连接性或耦合指数）。本研究选择第二种路径，提取整合特征包括alpha频段内位点间相位聚类（ISPC）用于空间整合，以及基于相位和功率的CFC用于振荡整合。至关重要的是，相位整合与振幅整合何者驱动基于相干性的疼痛关联尚未被直接验证。
研究人员开展了什么研究：本研究招募36名健康受试者，在持续性热痛（H）、非致痛温热刺激（W）、睁眼静息（O）和闭眼静息（C）四种条件下记录62通道EEG数据。通过计算alpha频段功能连接（相位连接PhaCon与功率连接PowCon）以及delta、theta、alpha、低beta频段间的CFC（相位耦合PhaCou与功率耦合PowCou），运用邻域成分分析（NCA）进行特征选择，支持向量机（SVM）进行分类，以预测准确率作为神经整合信息量的代理指标，系统比较相位与功率特征在疼痛预测中的效能，并分析不同试次长度（1、2.5、5、10秒）的影响。
主要结论与意义：研究发现基于相位的特征在持续性热痛预测中始终优于基于功率的特征，alpha频段相位功能连接和基于相位的CFC是最可靠的疼痛预测指标，前额-枕叶连接及前额theta-alpha、delta-theta耦合为关键特征；较长试次长度（10秒）因提高相位估计稳定性而提升预测准确率；振幅信息的加入反而降低区分度。该研究为疼痛的客观评估提供了数据驱动的EEG特征框架，具有重要的研究和临床应用价值。论文发表于《European Journal of Pain》。
主要技术方法：研究采用62通道EEG记录系统，采样率1000 Hz，经降采样至500 Hz、0.5 Hz高通滤波、50 Hz陷波滤波和独立成分分析（ICA）去除眼动和肌电伪影后，采用电流源密度（CSD）变换减少容积传导效应。信号经希尔伯特变换提取delta（0.5–4 Hz）、theta（4–7 Hz）、alpha（8–12 Hz）、低beta（12.5–16 Hz）四个频段的瞬时相位和功率信息。功能连接通过位点间相位聚类（ISPC）和幅度平方相干（spectral coherence）计算；CFC通过跨频段ISPC和相干计算。 splits this into to yield two samples per original trial, the first from the full trial and the second from the central half. NCA用于从大量候选特征中选择最具区分性的100个特征，SVM（线性核，10折交叉验证，按时间顺序划分折叠以避免数据泄漏）评估分类性能。统计推断采用线性混合模型（LMM），固定效应包括特征类型和试次长度，配对比较为随机截距。此外，计算Kullback-Leibler散度（KLD）量化功率与相位分布差异，并辅以去偏加权相位滞后指数（dwPLI）验证相位连接的稳健性。
研究结果：
3.1 预测准确率：基于相位的特征始终优于基于功率的特征用于持续性热痛预测。alpha相位功能连接的平均准确率显著高于alpha功率连接（p<0.001），基于相位的CFC预测疼痛的平均准确率显著高于基于功率的CFC（p<0.001），alpha相位功能连接与基于相位的CFC之间无显著差异（p=0.058）。线性混合模型证实特征类型和试次长度对准确率均有显著主效应。具体而言，分类准确率随试次长度单调递增：1秒时68.9%、2.5秒时75.2%、5秒时79.1%、10秒时81.3%。鉴于幅度平方相干与ISPC的唯一区别在于信号振幅的存在，这些比较表明功率信息的引入削弱了疼痛预测模型的表现。KLD地形分析显示，相位信息在不同条件间携带更广泛的差异，相位值的KLD显著大于幅度的KLD（p<0.001）。
3.2 特征可视化：前额和枕叶区域成为疼痛分类的主要贡献区域。值得注意的是，许多区分疼痛条件（H）与睁眼状态（O）的特征也出现在H与W比较中，这种重叠与这些特征特异性地 relating to 疼痛而非静息与热刺激状态间的一般性差异一致。
关于CFC特征，疼痛相关整合主要位于前额区域，包括FPz和AF4处的theta-alpha耦合以及Fz和F1处的delta-theta耦合。相比之下，非疼痛条件（O、C和W）更具特征性的CFC模式出现在枕叶区域，如POz和Oz处的alpha-beta耦合。
关于功能连接特征，短程前额连接（如FP2-AF8、Fz-FC2）以及连接前额和枕叶位点的长程连接（FT8-Oz）对疼痛预测有贡献。枕叶和顶叶区域之间的额外连接（如P4-PO8）也显示出参与。
讨论与总结：
4.1 从数据驱动发现到最优EEG神经整合测量解释：既往研究强调了alpha活动和神经同步化在疼痛感知中的重要性，但多数机器学习研究 combined multiple features 导致生理学解释困难。本研究通过直接比较相位和功率整合特征，以分类准确率作为其相对信息量的原则性指标，以特征选择权重识别持续性疼痛期间特定的连接和频率耦合。结果表明，基于相位的特征从功能连接和CFC两个领域均持续优于基于功率的特征。如公式所示，幅度平方相干可表示为以信号振幅加权的ISPC，功率信息的加入降低了条件特异性区分度。地形分析证实了这一点：功率分布在各条件间更为相似，而相位特征保留了有意义的区分。广泛的alpha相位连接模式凸显了同步化过程在疼痛预测中的作用。本研究不仅确认了alpha相位相干与疼痛相关，更重要的是通过从振幅中分离相位成分，证明了相干性的疼痛特异性由相位同步而非功率共波动驱动。此外，较长试次段产生更高分类准确率，反映了更多振荡周期用于相位计算所带来的更精确的连接估计，这与连接性测量仅在较长时段才趋于稳定的观察一致。
4.2 持续性疼痛期间神经整合的地形特征：疼痛相关神经特征并非均匀分布，而是涉及特定的大规模整合模式。前额alpha活动在疼痛体验中起关键作用：theta-alpha和delta-theta前额耦合以及短程alpha前额连接成为区分疼痛与非疼痛条件的关键特征。delta频段在持续性疼痛处理中的参与尚研究不足，本研究将delta-theta CFC识别为疼痛特异性特征，扩展了既往基于功率的delta观察。枕叶alpha相位连接对区分疼痛与静息状态至关重要，提示枕叶-前额连接的变化对疼痛状态具有特异性。体感皮层活动与疼痛敏感性和强度相关，可能有助于分离疼痛特异性成分与认知非特异性成分；涉及中央电极的特征在区分热刺激与静息状态时最为明显，这与Nickel et al. (2020)提出的体感-前额网络一致。
4.3 局限性：样本在人口学上较为同质（主要为白种人、年轻健康成人），限制了向老年人、临床疼痛人群或有神经精神疾病个体的推广。机器学习分析在受试者内进行，跨受试者泛化低于几率水平，凸显了EEG连接模式中个体间变异性的挑战。研究也最恰当地被理解为识别健康个体持续性实验疼痛的候选神经整合特征，而非完全可应用的临床生物标志物；实验性疼痛与慢性临床疼痛在持续时间、病因和神经频谱特征上均存在差异，直接转化至临床人群需要专门的患者队列研究。
研究结论：本研究利用基于EEG的测量和机器学习来调查持续性实验疼痛期间的神经整合特征。相位同步作为最可靠的预测指标出现，以前额、枕叶和体感区域的贡献区分疼痛与非疼痛状态。通过脑区间或频段间的基于相位同步，alpha频段连接以及涉及theta、alpha和低beta频段的CFC尤其具有信息量。较长试次长度通过增强整合测量的稳定性提高了预测准确率。这些发现共同为识别具有生理学可解释性的疼痛EEG特征提供了数据驱动框架。除了推进机制理解外，此类特征可能支持客观疼痛评估工具的开发，在研究及临床环境中补充自我报告。
