生成式深度学习从大脑皮层记录中重建皮下神经信号，以用于闭环脑刺激技术

《npj Digital Medicine》：Generative deep learning reconstructs subcortical neural signals from cortical recordings for closed-loop brain stimulation

　　

摘要

闭环深部脑刺激（DBS）依赖于持续的神经生物标志物检测，但其临床实用性常常受到信号丢失、刺激伪影以及皮下记录硬件限制的影响。在此，我们开发了一个深度学习框架，该框架结合了光谱处理技术和生成扩散模型，能够从皮层脑电图（ECoG）中数字重建深部脑信号，从而实现无需直接检测深部脑信号即可进行连续的皮下生物标志物推断。我们在三个国际中心的49名运动障碍患者（帕金森病、肌张力障碍、图雷特综合征）身上，通过对723小时的同时皮层-皮下记录数据进行分析，验证了这一方法的有效性。该框架能够解码多个深部脑靶点（丘脑下核、内苍白球、丘脑）的活动、行为状态（静止、运动、睡眠）以及治疗条件（药物作用和刺激开启/关闭）下的情况，在所有测试条件下，其表现均优于随机水平。利用生成扩散模型，我们实现了原始信号的重建，并保留了具有临床意义的神经特征，包括与运动症状严重程度相关的β波爆发动态（UPDRS-III R2 = 0.70）。我们通过实验证明，在DBS记录失败时或感知配置有限的情况下，由皮层获取的信号仍能恢复状态检测能力。这种数字式深部脑信号推断方法能够扩展自适应神经调节疗法的应用范围，并为新兴的非侵入性刺激技术实现闭环控制。