《NeuroImage》:Neural oscillation and non-oscillation separator for highly time-resolved decomposition of beta band activity
编辑推荐:
NONOS(Neural Oscillation and Non-Oscillation Separator,神经振荡与非振荡分离器)以高时间分辨率分离周期性(periodic)与1/f(one-over-f)谱成分。时域提取可实现β(beta)
NONOS(Neural Oscillation and Non-Oscillation Separator,神经振荡与非振荡分离器)以高时间分辨率分离周期性(periodic)与1/f(one-over-f)谱成分。时域提取可实现β(beta)振荡的无失真重建。NONOS追踪行为与刺激相关的β功率,超越既往方法。NONOS揭示步态中先前被掩盖的尖锐、半球特异性β活动。灵敏检测深部脑刺激(deep brain stimulation, DBS)诱导的β变化,提高帕金森病(Parkinson’s disease, PD)解码可靠性。
Jinmo Kim 等提出神经振荡与非振荡分离器(Neural Oscillation and Non-Oscillation Separator, NONOS)。研究背景是,局部场电位(local field potentials, LFP)等神经群体记录可反映脑状态;特定中心频率出现的振荡成分关联认知、感觉、运动及病理状态,并作为神经功能与功能障碍的生物标志物。β(beta)频段振荡功率是帕金森病(Parkinson’s disease, PD)运动症状如运动迟缓的生物标志物,也用于自适应深部脑刺激(adaptive deep brain stimulation, aDBS)反馈。然而,神经信号不仅包含周期性(periodic)振荡成分,还包含背景样非周期(aperiodic)1/
f样谱成分;该非周期成分跨越整个频率范围,与振荡频带重叠,可导致将非周期成分变化误判为振荡活动变化。带通滤波(bandpass filter, BPF)虽可保留时间分辨率,但不能隔离非周期成分;频谱参数化(Spectral Parameterization, SpecParam)在频域分离周期与非周期成分,但仅利用 Fourier 幅度、忽略相位,分离成分无法逆变换回时域,时间分辨率受限;短时窗频谱参数化还存在时间-频率分辨率折衷。因此,研究人员开展 NONOS 研究,提出时域深度学习框架,直接重建 Fourier 幅度受 1/
f样谱约束的时域成分,并从原信号减去该成分以估计振荡动态。结论表明,NONOS 在仿真、PD 患者丘脑底核(subthalamic nucleus, STN)LFP 步态数据及偏侧 6-羟基多巴胺(6-hydroxydopamine, 6-OHDA)小鼠 DBS 数据中,能可靠检测 β 振荡动态,克服既往方法局限。其意义在于为 aDBS 等应用提供更可靠生物标志和时域频谱分解工具。
为开展研究,作者采用的主要关键技术方法包括:基于 PyTorch 构建 U-Net 编码器-解码器,输入时域神经信号并输出 1/
f样谱成分;损失函数联合谱损失、时域 L
1 正则和 L
∞ 罚项,用 SpecParam 或 Lorentzian 拟合提供监督目标;与 BPF、STFT+SpecParam、SPRiNT(Spectral Parameterization Resolved in Time,时间分辨频谱参数化)、IRASA(Irregular-Resampling Auto-Spectral Analysis,不规则重采样自谱分析)及 STL(seasonal-trend decomposition based on locally estimated scatterplot smoothing,基于局部加权回归的季节趋势分解)等比较。人 LFP 数据来自 Fischer et al. 公开数据集,纳入 12 名 PD 患者双侧 STN 步态任务记录;动物为偏侧 6-OHDA 小鼠,植入 16 通道探针记录 STN,进行 130 Hz DBS,10 s OFF/10 s ON 交替,并去除刺激伪迹。分析采用支持向量机(support vector machine, SVM)解码、线性混合效应(linear mixed effects, LME)模型、Mann-Whitney U 检验和 Pearson 相关。
研究结果如下。
3.1 神经振荡与非振荡分离器的深度学习框架。NONOS 直接以时域信号为输入,输出时域 1/
f样谱成分。通过约束输出 Fourier 幅度遵循输入的非周期成分,并联用时域正则保留相位信息,模型可在时域提取非周期成分。真实场景中,以 1/
f样近似目标结合辅助约束重建背景样成分。U-Net 编码器-解码器用于捕捉局部和全局特征。仿真设置振荡持续后消失、非周期指数突变等动态,与 BPF、STFT+SpecParam、SPRiNT、IRASA 比较,NONOS 更准确估计周期与 1/
f样成分,并保留快速时间波动。
3.2 PD 患者步态中 LFP 的 β 频段振荡。研究人员重分析公开 PD 患者 STN LFP 步态数据。BPF 可检测同侧足跟 strike 前后 β 功率显著增加,与既往结果一致;STFT+SpecParam 和 SPRiNT 在部分条件未检测到显著差异。NONOS 不仅检测到各半球同侧足跟 strike 前后 β 功率显著变化,还揭示右足跟 strike 前和左足跟 strike 前左右 STN 间显著差异,这些半球间差异 BPF 难以检测。用 SVM 预测即将由左足还是右足执行足跟 strike,去除 1/
f样成分后的 β 功率解码性能改善;NONOS 分离的 1/
f样成分本身也表现较好解码性能。结论是,未分离的 1/
f样成分会干扰 β 振荡解读,分解后保留更丰富且失真更少的信息。
3.3 偏侧 6-OHDA 小鼠深部脑刺激中 LFP 的 β 频段振荡。在偏侧 6-OHDA 小鼠中,130 Hz DBS 以 10 s OFF/10 s ON 交替进行,去除刺激伪迹后分析。DBS 显著降低神经放电率。BPF 未检测到 DBS 诱导的 β 功率显著降低;STFT+SpecParam 和 SPRiNT 未能捕捉快速波动振荡成分。NONOS 能检测快速变化的 β 功率降低,并与放电率显著正相关。将 NONOS 提取的 1/
f样时域成分再经 SpecParam 拟合,显示 DBS 期间非周期指数显著增加。结论是,NONOS 可可靠分离刺激诱导的 β 功率变化,同时保留时间分辨率。
讨论部分指出,NONOS 在 PD 患者和偏侧帕金森小鼠中有效分离 1/
f样谱成分;检测半球特异性 β 调制,改善行为解码,灵敏捕捉 DBS 诱导 β 抑制。核心是时域输入与损失设计,使输出频率响应遵循非周期成分的 1/
f样谱。NONOS 不是任意生成 1/
f信号,而是估计输入中与 1/
f样谱相关的相位,作为滤波器提取该成分。与 BPF 相比,NONOS 估计时域 1/
f样成分并减去,减少非周期背景对振荡估计的贡献。与 SpecParam 相比,NONOS 将频域信息转为含相位和快速波动的时域表示,是扩展框架而非完全替代。与 STFT+SpecParam、SPRiNT 等相比,NONOS 直接重建相位信息,避免时间-频率分辨率折衷。局限包括:神经信号非典型 1/
f分布、高频平台或多膝谱、噪声降低非周期参数准确性;时域 1/
f样成分解释仍有争议;当前依赖 SpecParam 提供监督目标。未来方向包括降低计算复杂度以实现实时 aDBS 和 on-device AI,扩展至 theta、alpha、gamma、高频振荡及 M/EEG、不同物种和任务,并发展不依赖 SpecParam 的端到端估计。
研究结论翻译:总之,这些结果表明,NONOS(Neural Oscillation and Non-Oscillation Separator,神经振荡与非振荡分离器)能够在保留时间分辨率的同时,可靠地分离刺激诱导的 β 功率变化,克服既往方法要么无法分离 1/
f样谱成分、要么无法捕捉快速波动的局限。这些发现提示,该方法在利用 β 功率的自适应深部脑刺激(adaptive deep brain stimulation, aDBS)场景中有效。