人体感觉运动静息状态β事件及非周期活动表现出良好的测试重测可靠性

背景介绍

神经系统疾病是对人类日常生活影响最大的疾病类型之一，尤其是那些影响感觉和运动功能的疾病，如帕金森病。由于缺乏早期和明显的脑结构变化，这些疾病的早期诊断变得异常困难。而疾病演变的轨迹和康复结果往往也是变幻莫测的。因此，亟需一种稳定、可靠的临床功能生物标志物来改善对此类疾病的诊断和治疗。

脑磁图（Magnetoencephalography, MEG）与脑电图（Electroencephalography, EEG）作为无创的电生理记录方式，能够捕捉到脑皮层区的神经活动。这些方法在探讨神经系统尤其是感觉运动系统的功能和结构变化方面显示出了巨大的潜力。近年来研究发现，感觉运动皮质的β节律（14-30 Hz）与多种任务和疾病状态密切相关。例如，通过高幅度的β事件，这类节律可以预测行为表现，并且在感觉运动神经系统疾病中常见改变。

来源介绍

这篇研究由Amande M. Pauls, Pietari Nurmi, Heidi Ala-Salomäki, Hanna Renvall, Jan Kujala, Mia Liljeström等六位研究者完成。作者主要来自于赫尔辛基大学医院、赫尔辛基大学医学成像中心和芬兰奥托大学等机构。该论文发表于《clinical neurophysiology》期刊，题为“Human sensorimotor resting state beta events and aperiodic activity show good test–retest reliability”，出版日期为2024年3月20日。

研究详细流程

研究对象和数据收集

本研究对50名健康成年人进行了研究（年龄范围21-70岁），所有受试者均排除了已有的神经系统疾病和学习、语言障碍。研究遵循赫尔辛基伦理准则，并获得奥托大学伦理委员会批准。受试者在两次MEG记录中静息状态下进行测量，每次测量持续5分钟，间隔一至两周。

数据采集和处理

测量在磁性屏蔽房间内进行，使用306通道矢量视图神经磁计（Megin Oy，芬兰赫尔辛基）。数据以1 kHz的采样速率记录，并使用0.03-330 Hz的带通滤波器。通过计算头部位置监测和行为控制评估来保证受试者的清醒状态。

MEG信号处理和参数提取

MEG数据通过时域信号空间分离方法（tSSS）预处理，去除外部噪声，并使用MaxFilter软件进行个体头移位补偿。数据处理使用MNE-Python版本1.3软件完成。数据进行了2-48 Hz带通滤波及功率谱密度（PSD）计算，分别提取了周期和非周期成分。

信号稳定性

使用ICC（组内相关系数）评估不同参数的测试重测可靠性。信号既包含周期性的β事件，又包含非周期性的1/f活动成分。通过Morlet小波变换分析信号，通过峰值通道和β频率的选择（自动、手动及两者结合）得到相关性较强的结果。

参数提取和事件检测

根据两次测量间隔，信号的1/f成分和β事件表现出良好的测试重测稳定性。周期成分（ICC 0.77-0.88）和β事件幅度（ICC 0.74-0.82）非常稳定，而β事件持续时间的变动性较大（ICC 0.55-0.7）。2-3分钟的记录足以得到稳定结果，信号分析的自动化成功率为86%。

主要结果

研究发现，感觉运动皮质的β事件和非周期成分表现出显著的测试重测稳定性，尤其是在左半球的信号表现更为明显。不同参数对稳定性的影响较小，但具体的滤波宽带和幅度阈值对结果有一定影响（如70-80%的百分位阈值表现最佳）。2分钟长度的记录已经足够得到稳定的测试结果。

总结与意义

本研究证明了在静息状态下，通过MEG可以捕获到个体稳定的感觉运动β事件和非周期活动特征，这些特点可作为神经性疾病的潜在临床生物标志物。这一稳定的“静息感觉运动表型”有望在临床中用于早期诊断和治疗效果的监测。

研究亮点

1. 稳定性验证: 使用ICC证实了感觉运动系统在静息状态下β事件和1/f成分的高度稳定性。
2. 短时间记录有效性: 仅需2-3分钟的记录时间即可获得稳定结果，这为临床应用提供了便捷条件。
3. 自动化分析: 提出的自动化分析方法在大多数情况下成功，这有助于减少人工干预和提高分析效率。

未来方向

未来的研究需要进一步验证这些参数在临床人群中的表现，并探讨不同患者群体中的测量一致性。此外，探索与心脏和运动伪影的关系，及更详细的生物学意义有助于全面理解这一特征生物标志物的潜力。

结论

本研究通过对50名健康受试者进行MEG记录，证明了感觉运动系统静息状态下β事件和非周期活动的测试重测可靠性。这一研究结果支持了静息感觉运动β表型作为神经系统疾病潜在生物标志物的可能性，为临床早期诊断和治疗监测提供了新的工具。