

NB：蒋田仔团队报道一种可用于实时脑电节律相位预测的神经网络模型

Tina讲出海

2024-12-06

1 （增补印刷）神经科学实用图书推荐——《鼠脑应用解剖学》【科学出版社】

2 科研工具书《精神疾病啮齿类动物模型及行为学实验》崔东红/徐林著

3 重磅新书推荐 |《奈特神经病学》（第3版）

一种可以用于实时脑电节律相位预测的神经网络模型

A Novel Real-time Phase Prediction Network in EEG Rhythm

刘浩^1,2,3 • 戚自辉^2,3 • 王一航² • 杨正宜² • 樊令仲² • 左年明² • 蒋田仔^1,2,3,4

¹中国科学院大学人工智能学院，北京 100049，中国

²中国科学院自动化研究所脑图谱与类脑智能实验室，北京 100190，中国

³中国科学院大学，北京 100190，中国

⁴潇湘脑健康研究院与永州市中心医院，永州 425000，中国

第一作者：刘浩、戚自辉

通讯作者：蒋田仔

欢迎加入

ADPD学术讨论群

添加小编微信

brainnews_15

-留言：ADPD研究群-

脑电图（EEG）是一种通过无创方式记录大脑神经元电活动的技术。根据脑电振荡周期，EEG 节律可以分类为 δ (< 4Hz)、θ (4Hz-8Hz)、α (8Hz-12Hz)、β (12Hz-40Hz)和γ (>40Hz)信号，这些节律的功率和相位信息已被证实可用于评估单个或多个脑区的认知加工[1-3]。通过将EEG信号的特征整合起来，实现对神经调控设备的控制，形成闭环神经调控策略，正在引起越来越多的关注。相较于临床和科研最常见的开环神经调控技术，这种闭环的调控更加精准、更具个体特异性。

目前，基于实时EEG相位的闭环调控策略，已被用来驱动外部视觉或者听觉刺激[4, 5]。同时EEG 节律的相位还作为开关信号，用于控制外部神经调控设备如利用运动区的μ节律（8-13Hz）相位来优化经颅磁刺激（TMS）的调控时刻[6-8]。然而，脑电信号是非平稳的，尤其是对于低信噪比的快波如运动区的μ节律（8-13Hz），常用的基于脑电相位的预测方法虽然均值较小，但是方差较大，降低了相位预测的准确性，限制了基于脑电相位的闭环调控的应用。在时间序列预测领域，有多种机器学习模型用于预测时间序列信号，如Transformer [9]、LTSF-Linear [10]、RNN [11]等。研究人员提出，将传统滤波与机器学习方法相结合，可有效捕捉脑电图的非线性特征，从而降低相位预测方差，提高预测精度。

在本研究中，研究人员提出了一种基于机器学习的脑电相位预测网络—EPN（EEG Phase Prediction Network）。该方法融合了传统的脑电信号处理和感知器模型，可直接从EEG 数据段中预测中央运动区的μ节律瞬时相位。EPN模型可在500Hz采样率，500ms的采样窗，一个采样间隔（2ms）以内实现脑电相位的实时预测。研究人员在离线的数据、仿真数据和实时实验中验证了EPN的性能。与广泛使用的三种脑电相位预测模型相比（MLOF：optimized multi-layer filter architecture, AR: auto-regress, ETP: educated temporal prediction [6, 12, 13] ），EPN在一般人群和试次上实现了最高的准确率和最低的预测方差，这为个性化、精准的闭环神经调控提供了重要技术支撑。未来的研究将开展EPN模型的应用研究，发展多脑区、多频段耦合的闭环调控策略，以提高精神疾病如抑郁症的治疗稳定性。

图1 基于EPN模型的脑电μ节律的相位预测。A 相位预测的流程。该过程主要包括使用 Hjorth 变换提取局部 μ 节律，利用反向差分去除大电极漂移，EPN模型相位预测，筛选相位并发送调控事件以操作外部设备。B C4-Hjorth 变换。C 反向差分。D EPN 模型的架构。E 调控事件触发。

图2 四个模型在离线数据集上的相位预测表现。A 模型预测的相位与真值之间的差异分布。相较于其它模型，EPN 预测的相位误差分布更为集中。B 相位预测的准确性和绝对圆周误差（MACE）。与 MLOF、AR 和 ETP 模型相比，EPN 模型的预测准确性最高，MACE 最低。

关键词：实时脑电相位预测；闭环神经调控；脑电相位触发调控；脑电节律；TMS-EEG联合研究

文章查阅请扫描下方二维码或复制原文链接查看网络版：

https://link.springer.com/article/10.1007/s12264-024-01321-z

▲长按识别二维码阅读论文

参考文献

向上滑动阅览

[1] Bae GY, Luck SJ. Dissociable decoding of spatial attention and working memory from EEG oscillations and sustained potentials. J Neurosci 2018, 38: 409–422.

[2] Scheffer-Teixeira R, Tort AB. On cross-frequency phase-phase coupling between theta and gamma oscillations in the hippocampus. eLife 2016, 5: e20515.

[3] Schmidt BT, Ghuman AS, Huppert TJ. Whole brain functional connectivity using phase locking measures of resting state magnetoencephalography. Front Neurosci 2014, 8: 141.

[4] Huang G, Liu J, Li L, Zhang L, Zeng Y, Ren L, et al. A novel training-free externally-regulated neurofeedback (ER-NF) system using phase-guided visual stimulation for alpha modulation. NeuroImage 2019, 189: 688–699.

[5] Ruch S, Schmidig FJ, Knüsel L, Henke K. Closed-loop modulation of local slow oscillations in human NREM sleep. NeuroImage 2022, 264: 119682.

[6] Zrenner C, Desideri D, Belardinelli P, Ziemann U. Real-time EEG-defined excitability states determine efficacy of TMS-induced plasticity in human motor cortex. Brain Stimul 2018, 11: 374–389.

[7] Wischnewski M, Haigh ZJ, Shirinpour S, Alekseichuk I, Opitz A. The phase of sensorimotor mu and beta oscillations has the opposite effect on corticospinal excitability. Brain Stimul 2022, 15: 1093–1100.

[8] Madsen KH, Karabanov AN, Krohne LG, Safeldt MG, Tomasevic L, Siebner HR. No trace of phase: Corticomotor excitability is not tuned by phase of pericentral mu-rhythm. Brain Stimul 2019, 12: 1261–1270.

[9] Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention is all you need. 2017: arXiv: 1706.03762. http://arxiv.org/abs/1706.03762

[10] Zeng A, Chen M, Zhang L, Xu Q. Are transformers effective for time series forecasting? Proceedings of the Thirty-Seventh AAAI Conference on Artificial Intelligence and Thirty-Fifth Conference on Innovative Applications of Artificial Intelligence and Thirteenth Symposium on Educational Advances in Artificial Intelligence 2023, 37: Article 1248.

[11] Hewamalage H, Bergmeir C, Bandara K. Recurrent Neural Networks for Time Series Forecasting: Current status and future directions. Int J Forecast 2021, 37: 388–427.

[12] McIntosh JR, Sajda P. Estimation of phase in EEG rhythms for real-time applications. J Neural Eng 2020, 17: 034002.

[13] Shirinpour S, Alekseichuk I, Mantell K, Opitz A. Experimental evaluation of methods for real-time EEG phase-specific transcranial magnetic stimulation. J Neural Eng 2020, 17: 046002

END

如需投稿可添加主编微信：brainnews_01

或联系邮箱：brainnews@vip.163.com

本文版权归属作者团队，仅做分享

【声明】内容源于网络

Tina讲出海

跨境分享间 | 每日提供跨境资讯

内容 47317

粉丝 0

Tina讲出海跨境分享间 | 每日提供跨境资讯

总阅读182.1k

粉丝0

内容47.3k