基于丘脑下核和皮层活动区分帕金森病的静止震颤与自愿手部运动

2024-06-17 Mon
帕金森病（Parkinson’s disease, PD）是一种常见的神经退行性疾病，其主要症状包括静止性震颤、运动迟缓和肌强直。深部脑刺激（Deep Brain Stimulation, DBS）已被广泛用于治疗帕金森病的运动症状（Krauss et al., 2021）。然而，DBS治疗也存在显著的副作用，其中大部分是由刺激扩展到DBS目标结构周围的区域导致的（Koeglsperger et al., 2019）。为减少这种副作用，研究人员提出了一种适应性深部脑刺激（adaptive DBS, aDBS）方案，通过实时监控病人的当前运动状态来调整DBS的强度和时机（Little et al., 2016; Piña-Fuentes et al., 2017; Tinkhauser et al., 2017）。特别是对于治疗帕金森病的静止性震颤，动态适应型DBS有望显著提高治疗效果而减少副作用。
在传统的DBS控制信号中，研究主要集中在丘脑下核的β频带活动（Gilron et al., 2021）。然而，随着研究的深入，科学家们意识到震颤不仅仅是由丘脑下核活动决定的，而是涉及更加广泛的皮层-通路网络。因此，研究帕金森病震颤的脑信号有望揭示更多有价值的信息，从而提高aDBS的治疗效果。本研究旨在通过分析各种运动状态下的脑电活动，来区分帕金森病患者的静止性震颤和自主手部运动。
研究来源本文由Dmitrii Todorov、Alfons Schnitzler和Jan Hirschmann等人撰写，研究单位为德国杜塞尔多夫的Heinrich Heine University的Institute of Clinical Neuroscience and Medical Psychology和Department of Neurology等机构，法国的Centre de Recherche en Neurosciences de Lyon - Inserm U1028，以及西班牙的Centre de Recerca Matemàtica。该研究成果发表于Clinical Neurophysiology期刊（2023年10月31日接受，2024年第157期）。
研究流程研究对象与数据获取本研究再次分析了先前收集的数据，这些数据来源于六名帕金森病患者的磁脑电图（meg）和丘脑下核（subthalamic nucleus, STN）的局部场电位（local field potentials, LFP）记录。这些患者在测试前一天接受了DBS植入手术，所有患者均为特发性帕金森病（idiopathic PD）诊断。研究在患者停用多巴胺能药物（med off）和服用药物（med on）后进行（每例患者有两组数据），以评估不同状态下的脑电活动差异。
数据记录患者在手术后的第二天进行了数据记录，其中包含四个部分：分别是静止段、任务1、静止段和任务2。任务1为静止前臂伸展（forearm extension），任务2为自定节奏的握拳（fist-clenching）。每个部分的数据记录时间为5分钟，所有运动都是由症状显著的一侧身体完成。在静止和任务之间，患者的震颤会自行出现和消失。数据记录包括丘脑下核的LFP、磁脑电图（meg）和前臂肌电图（emg），采样率为2000 Hz。
数据处理与特征提取为更高效地处理数据，MEG和LFP数据被重采样至256 Hz。研究团队应用了多种预处理步骤，以确保数据质量，包括MEG伪影检测、信号空间分离（spatiotemporal signal space separation）和LFP伪影检测等。在特征提取方面，研究团队使用了1秒长的不重叠时间窗口计算短时方差，称为Hjorth活动（Hjorth activity）。这种方法的优势在于避免过度拟合，同时便于比较不同大脑区域的特征信息。
机器学习模型为了区分四种不同的运动状态（静止、震颤、握拳和前臂伸展），研究团队应用了基于梯度提升决策树（gradient-boosted tree learning）的XGBoost算法，利用5倍交叉验证（5-fold cross-validation）进行分类。为平衡不同状态的数据量，他们使用了类别均衡精度（balanced accuracy）作为模型性能的衡量指标，并通过过采样（oversampling）来填补数据不平衡的情况。
电极定位与超参数调优研究团队使用Lead-DBS软件包重建了DBS电极的放置位置，以提高电极定位的准确性。为了提升模型性能，他们对XGBoost算法的超参数进行了调优，包括选择最佳的LFP通道和调整模型参数。
主要结果单核数据分析基于只有丘脑下核LFP数据的分类性能较弱，仅能将静止状态正确分类到62%，而震颤、握拳和前臂伸展状态的分类正确率分别为32%、34%和23%。这种欠佳的分类结果表明，丘脑下核活动本身不能实现准确的运动状态分辨。
核-皮层联合分析当结合丘脑下核和皮层活动特征进行分类时，模型性能显著提升，静止、震颤、握拳和前臂伸展状态的分类正确率分别提高到74%、58%、80%和81%。这表明皮层信号的引入极大地增强了分类性能，特别是感觉运动皮层区域的数据最为关键。
多巴胺状态对分类性能的影响研究结果还表明，不同的多巴胺能药物状态对分类性能影响不大，这为实际应用提供了良好的理论支持。
研究结论与意义该研究揭示了丘脑下核和皮层信号相结合可以显著区分帕金森病的静止性震颤和自主手部运动，这为开发更精准的适应性深部脑刺激系统提供了有力支持。具体而言：
科学价值：通过更全面理解震颤和自主运动的神经机制，有望进一步优化帕金森病的治疗方案，减少不必要的DBS刺激，从而降低副作用。
应用价值：研究结果为开发更加智能化的DBS系统奠定基础，如结合皮层记录和丘脑下核活动的实时监控系统。
创新点：该研究不仅结合了皮层和丘脑下核信号，还利用了先进的机器学习算法进行分类，显著提升了帕金森病不同运动状态的区分准确性。
研究亮点分类性能显著提高：引入皮层信号后，分类性能大幅提升，特别是在感觉运动皮层区域。
适应性DBS的应用前景：结合皮层和丘脑下核信号，通过机器学习进行实时运动状态监控，有望用于开发更精准的适应性DBS系统。
药物状态影响小：研究结果表明，不同多巴胺能药物状态对分类性能影响不大，增强了该方法在实际临床应用中的可行性。
其他有价值的信息研究还表明，结合更广泛的大脑区域信号能够进一步提升分类性能，尽管感觉运动皮层区域贡献最大。未来研究可以进一步优化信号提取和机器学习模型，以提高实时分类的精度和鲁棒性。此外，在实践应用中，可以探索如何在临床环境中集成并应用这些研究成果，特别是利用新型的可植入DBS系统进行实时脑信号监控和刺激调整。
通过这项研究，科学家们为开发更加智能化的帕金森病治疗方案提供了新的思路和方法。未来的研究如果能结合更大样本量的数据和更先进的算法，有望在早期诊断和个性化治疗方面取得更大的突破。