帕金森病(Parkinson’s Disease, PD)患者通常会经历步态障碍，这种障碍严重影响他们的生活质量。以往的研究表明，基底神经节的β频率(15-30 Hz)振荡活动可能与步态障碍相关，但这些振荡活动在步态过程中的确切动态信息尚不清楚。此外，已有研究发现音频提示可以改善PD患者的步态运动学，如果能更好地了解这一提示的神经生理机制，则可以通过自适应深部脑刺激(ADBS)技术治疗步态障碍。因此，本研究旨在描绘步态过程中丘脑下核(subthalamic nucleus, STN)振荡活动的动态特征，并探索音频提示调节步态的神经生理机制。

来源和作者信息

本文由Chien-Hung Yeh、Yifan Xu、Wenbin Shi、James J. Fitzgerald、Alexander L. Green、Petra Fischer、Huiling Tan、Ashwini Oswal撰写，作者分别来自北京理工大学信息与电子学院、北京理工大学教育部脑健康智能评估与干预重点实验室、牛津大学外科科学系、牛津大学功能性神经外科、布里斯托大学生理学、药理学与神经科学学院、牛津大学医研委脑网络动力学单位以及牛津大学临床神经科学系。文章发表在2024年4月由Elsevier出版的《Brain Stimulation》期刊上。

研究流程

本研究纳入了8名PD患者，这些患者在进行步态踏步运动时接受了STN局部场电位(LFP)记录。使用隐马尔可夫模型(Hidden Markov Models, HMM)来发现步态过程中的瞬时频谱活动状态，实验共分为三个条件：1）音频提示前（pre-sound）；2）音频提示中（on-sound）；3）音频提示后（post-sound）。数据处理和分析主要在MATLAB中进行，通过掩膜经验模态分解（Masking Empirical Mode Decomposition, MEMD）和HMM解码短时频谱特性。

具体步骤如下：

1. 患者招募与数据采集：

   • 8名PD患者，中位年龄为61.4岁，平均疾病持续时间为11.3年。
   • 使用双极配置记录STN-LFP，并在术后CT和术前MRI扫描中确认电极与STN的位置。
   • 实验条件：音频提示前、音频提示中、音频提示后三个90秒时段。

2. 数据处理：

   • 对原始LFP数据进行50 Hz陷波滤波以抑制电力线噪声，并进行高通滤波和下采样处理。
   • 使用连续Morlet小波变换构建信号的谱图。

3. HMM分析：

   • 使用TDE-HMM检测STN LFP中的瞬时状态，并与Hilbert包络信号进行相关分析以分配频谱状态。
   • 提取状态的时间域特征，包括状态占据率和状态生命周期。

独特的方法和算法：

1. 隐马尔可夫模型(HMM)：

   • HMM是一种无监督机器学习方法，用于检测数据中的瞬时状态，这些状态表示瞬时的不同频谱内容。
   • 本研究使用了TDE-HMM，通过时间滞后嵌入提高了状态检测的精确度。

2. 掩膜经验模态分解(MEMD)：

   • MEMD是一种改进的EMD方法，可以有效分解信号中的本征模态函数（IMFs），反映不同时间尺度的本地特征。

3. 瞬态事件的检测：

   • 传统的超阈值方法难以同时检测多频段的瞬态活动，本研究通过HMM自动检测频段的爆发性活动。

研究结果

1. 步态表现的改进：

   • 数据表明，音频提示后，步采间隔和步步间隔的方差显著减少，提示音频提示改善了PD患者的步态表现。

2. 频段活动的调节：

   • α频段的状态占据率和状态生命周期在音频提示期间和之后均显著增加，表明提示音可能通过增强α振荡来促进运动。
   • β频段特别是低β频段的状态占据率和生命周期显著减少，提示音或抑制过度β振荡活动，从而改善运动障碍。
   • γ频段状态则未显示显著变化，这可能是由于γ振荡在提示音调节中的角色不明确。

3. 状态转移概率的变化：

   • 音频提示期间，α状态转向背景活动的概率增加，β状态转向γ状态的概率减少，表明音频提示对各频段的转移机制产生不同影响。

结论

本文揭示了音频提示对PD患者STN LFP短时频谱动态的调节作用。这些发现有助于理解音频提示改善步态的神经生理学机制，并为开发基于ADBS的治疗策略提供了理论依据。

研究亮点

1. 创新方法：本研究首次结合MEMD和TDE-HMM，实现了多频段瞬时振荡活动的自动检测，克服了传统方法的局限。
2. 详细数据分析：通过详细的频段特征和转移概率分析，揭示了音频提示对不同频段振荡活动的差异性调节作用。
3. 实用价值：研究结果为PD患者的步态障碍提供了新的生物标志物，有望应用于自适应深部脑刺激的治疗策略中。