腦電圖驅動的腦網絡模型：用于神經振蕩的個性化解讀與預測

腦電圖驅動的腦網絡模型：用于神經振蕩的個性化解讀與預測

Electroencephalography-driven brain-network models for personalized interpretation and prediction of neural oscillations

https://www.research-collection.ethz.ch/server/api/core/bitstreams/1d325bf9-7b00-479b-adf3-5de128cdb4f1/content

摘 要
目的：開發一種腦電圖（EEG）驅動的方法，將可解釋性、預測性與個性化相結合，以評估腦網絡動態特性，重點關注藥物難治性癲癇等病理狀態。
方法：我們提出一種從EEG記錄中識別主導性相干振蕩的方法。該方法基于Koopman算子理論，以實現個體化的EEG預測與電生理可解釋性；并進一步結合絕熱理論（adiabatic theory）的概念，用以應對EEG信號的非平穩性與噪聲干擾。
結果：通過同步捕獲患者特異性振蕩動態的局部頻譜特征與連接特性，我們得以闡明其潛在的動力學機制，并據此構建相應的腦網絡生成模型。我們在癲癇持續狀態患者的EEG記錄上驗證了該方法的有效性。
結論：所提出的EEG驅動方法為在一個統一框架內整合可解釋性、預測性與個性化開辟了新視角，為EEG記錄的定量評估提供了有效途徑，這對理解與調控病理性腦活動至關重要。
意義：本工作架起了理論神經科學與臨床實踐之間的橋梁，提供了一種理解與預測腦網絡動態的新穎框架；該方法為數據驅動地揭示腦網絡機制、以及設計個性化神經調控治療策略鋪平了道路。

1. 引言
神經振蕩反映了大腦中的信息處理與通信過程；患者特異性的振蕩活動變化，為理解病理性腦活動的狀態與進展提供了寶貴線索（Buzsáki 等，2013；Fries，2015；Siegel 等，2012）。振蕩既源于神經元放電的局部同步——由此可整合有意義的信息；也源于分離腦區之間的同步——從而確保腦網絡中突觸前與突觸后激活模式在時間上的協調（Fries，2015）。腦電圖（EEG）是監測神經振蕩及其隨時間變化的最常用方法，為腦動態過程提供了非侵入式的實時觀測窗口（《Niedermeyer 腦電圖學》，2017）。

EEG 分析旨在發現并解讀表征腦功能與功能障礙的活動模式。多年來，它推動了對認知過程神經相關物的理解、神經系統疾病的診斷以及靶向治療的發展。然而，標準 EEG 分析在全面理解腦網絡動態方面仍面臨若干挑戰：
（i）它們僅能描述數據中的模式，而無法揭示信號背后的潛在動力學機制或生成方式；
（ii）它們通常假設信號平穩性，容易忽略內在非平穩且非線性的腦活動中細微但具有意義的變化；
（iii）它們易受噪聲干擾，難以區分那些承載有意義信息的、持續存在的相干振蕩，與偶然出現的、難以從神經生理過程角度解釋的噪聲成分；
（iv）它們通常將動力學的局部頻譜特性與連接特性割裂分析，可能遺漏二者交互作用的關鍵信息。例如，最常用的方法將個體 α 節律定義為預先設定的 α 頻段內功率譜密度的峰值或“重心”（Corcoran 等，2018），忽略了動態背景與個體變異。

另一類互補方法是計算建模，試圖模擬 EEG 所記錄的大腦電活動。此類模型通過數學形式表征腦活動的潛在動力學機制，從而支持對復雜神經過程的預測乃至調控。這在一定程度上克服了前述 EEG 分析的部分局限，但也引入了新問題：
（i）模型?；趯Υ竽X的普適性假設構建，未能充分考慮個體在腦結構與功能上的差異，盡管個體化醫學已日益受到重視；
建模路徑大致分為兩種對立取向：
（ii）一類模型側重微觀生物過程仿真（Jirsa 等，2017），而非把握有效涌現的宏觀集體動力學，因而計算成本高，難以用于大規模預測或臨床實踐；
（iii）另一類則采用“黑箱式”的數據驅動模型（Kerr & McFarlane，2023；Wang 等，2024），雖能高效處理海量數據，但其輸出難以從神經生理機制角度解釋，因而臨床醫生或神經科學家難以應用。

上述挑戰凸顯出：亟需將患者特異性精度與神經生理可解釋性加以統一。缺乏這一整合，便難以全面理解——尤其是預測——健康與病理狀態下腦振蕩的復雜網絡動力學。

對腦振蕩機制的探索，一個重要動因是癲癇研究（Devinsky 等，2018）。癲癇是一種神經系統疾病，其特征是反復發作的癲癇發作，根源在于腦網絡中神經振蕩的異常（去）同步化（Jiruska 等，2013）。該病是全球最常見的神經系統疾病之一，影響超過 5000 萬人（Devinsky 等，2018），凸顯了深入刻畫、理解乃至調控腦振蕩的臨床緊迫性。約三分之一的癲癇病例為藥物難治性（Devinsky 等，2018），導致發作失控與生活質量嚴重下降。這促使非藥物干預手段的發展，如癲癇手術（Zijlmans 等，2019）或腦刺激療法（Ryvlin 等，2021；Xue 等，2022）。
癲癇手術試圖切除引發病理性網絡振蕩的腦區；然而，約 30% 的藥物難治性癲癇患者無法接受切除手術——例如，當致癇區同時承擔關鍵生理功能，或致癇區不唯一時。此時，腦刺激療法成為替代選擇：其通過施加微弱周期性交變電流，試圖調控神經群體動力學（Johnson 等，2020；Krause 等，2023；Lozano 等，2019；Riddle & Fr?hlich，2021），理想情況下應靶向致癇網絡中的關鍵節點與相關振蕩模式；但其作用機制目前仍知之甚少。因此，亟需深入理解致癇網絡中的振蕩動力學特征（Kramer & Cash，2012；Li 等，2021），及其在病理狀態下如何被改變。此外，鑒于腦網絡的高度異質性——尤其在藥物難治性癲癇患者中——發展患者特異性的神經振蕩表征與建模方法尤為關鍵。

藥物難治性癲癇最嚴重的腦狀態是難治性癲癇持續狀態（refractory status epilepticus）——一種持續發作的腦狀態（Pinto 等，2022；Trinka 等，2015）。癲癇持續狀態屬急危重癥；若為難治性，死亡率高達 40%（Pinto 等，2022；Trinka 等，2023），凸顯了開發新型療法的迫切性。值得注意的是，癲癇持續狀態在動力學上亦具獨特性：不同于多數癲癇發作表現為致癇網絡動力學的快速、異質性狀態演替（Kramer & Cash，2012），其腦活動可被較好地刻畫為穩態動力學（steady-state dynamics）（Burman 等，2020）。穩態動力學的特征是某些量在時間上相對穩定，其描述方程通常更易解釋。因此，癲癇持續狀態為發展數據驅動的預測性分析與模型提供了一個理想起點——此類模型有望推動新興治療技術的進步：一旦（病理性）穩態動力學被準確理解與捕捉，即可立即基于模型搜尋能將系統引導回（健康）穩態的外部干預策略。

本文提出一種新方法：用于識別主導性相干神經振蕩（圖 1b），并構建對應的個性化振蕩器網絡模型（圖 1c），以表征癲癇網絡動力學，并將其應用于癲癇持續狀態患者的 EEG 記錄（圖 1a）。該方法基于Koopman 算子理論（Brunton 等，2016a，2021），將個體化精度、神經生理可解釋性與計算可行性相融合；同時引入絕熱理論（adiabatic theory），以適配當代 Koopman 算法至 EEG 所固有的非平穩、含噪動態特性。所提取的相干神經振蕩及其對應模型完全由數據驅動，無需預設假設，因而可針對個體患者定制；同時，在傳統神經生理學框架內提供可解釋的致癇網絡動力學表征。此外，所獲模型為生成式模型，可輸出一個反映個體網絡特性的有效動力學連接矩陣，進而預測未觀測場景下的網絡行為——例如對干預刺激的響應（圖 1d, e, f）。

2. 方法

2.1 EEG 記錄與預處理

我們納入了 10 例非驚厥性癲癇持續狀態患者的腦電圖（EEG）記錄（圖 1a）。其中 5 例患者在給予藥物治療后，癲癇持續狀態得以終止。我們將癲癇持續狀態進行中時的腦狀態稱為Status（持續狀態），而狀態終止后的腦狀態稱為Resolved（已緩解狀態）。EEG 記錄采用臨床常規 EEG 設備（日本光電，Nihon Kohden），按國際 10–20 系統放置電極，采樣率為 200 Hz。由于非驚厥性癲癇持續狀態的 EEG 受偽跡干擾極小，我們僅對信號進行了 0.5 Hz 高通濾波。此外，鑒于我們主要關注較低頻段的腦電活動（如 δ、θ、α 頻帶），又將信號重采樣至 100 Hz——此舉旨在控制建模計算成本隨采樣率急劇上升的問題。本研究經當地倫理委員會批準，所有患者或其法定代理人簽署了知情同意書；但該同意未包含允許個體數據完全公開共享的條款。

2.2 基于 Koopman 理論的網絡動力學建模

由 EEG 監測到的致癇網絡動態屬于典型的復雜非線性動力學系統。受限于大腦本身的復雜性及各類噪聲的存在，其無法通過一組簡明的解析方程予以完整刻畫。因此，對此類動力學進行建模的最優策略必須高度依賴數據驅動。若需兼顧數據驅動性與可解釋性，Koopman 分析（Koopman analysis）便成為建模復雜非線性系統的理想基礎（S. L. Brunton 等，2016a，2021）。

算子A是通過對連續測量所得狀態矩陣X的動力學演化進行高維線性回歸而獲得的。

其中Φ為 DMD 特征向量構成的矩陣，Λ為對應的 DMD 特征值所組成的對角矩陣。DMD 模態可被解釋為 Koopman 模態，對應于主導性的空間相干振蕩：其頻率與增長/衰減速率由Λ決定，其空間分布形態由Φ決定。

DMD 算法（S. L. Brunton 等，2021）基于奇異值分解（SVD），從而避免了隨機性與啟發式優化過程，即便在解空間高度復雜和/或非凸的情況下，仍能穩定求得解。該方法最初由流體力學領域提出，需經適當改進方可用于電生理信號分析（Brunton 等，2016a）：
具體而言，需對原始數據矩陣X與X′進行增廣——即沿垂直方向堆疊其時間平移后的副本。矩陣X的時間維度（水平方向長度）由滑動時間窗的寬度決定；而 DMD 所能提取的最大模態數（即特征模態數）受限于矩陣X兩個維度中的較小者。由于 EEG 數據通常具有時間采樣密集而空間采樣稀疏（通道數有限）的特點，該上限通常由 EEG 通道數所制約。因此，構造增廣數據矩陣可有效提升可獲得的 DMD 模態數量，從而更充分地刻畫所研究的動力學行為。只要各時間平移副本所對應的時間足夠接近、其動力學可用同一算子A描述，該增廣策略即具合理性。

關于 Koopman 理論的綜述性介紹，以及我們將其應用于癲癇 EEG 記錄的具體細節，參見補充材料（SI）。

2.3 絕熱演化相干振蕩的提取
DMD 算法可在選定的時間窗內識別出主導的相干振蕩模態；但其中僅有一部分模態能在更長時間尺度上持續存在。為識別致癇網絡中最持久的相干振蕩，我們追蹤了 DMD 模態的演化軌跡，并篩選出滿足以下條件的模態：其頻率變化

足夠緩慢——即最穩定的模態。

一旦識別出這些最穩定的 DMD 模態，即可據此定義致癇網絡中有效的、長時間連續的振蕩模態（圖 1b）：

• 有效頻率取自頻率分布的峰值；
• 有效振幅與相位則由對應聯合概率密度函數的峰值確定。該密度函數通過對所有時間窗下的 DMD 模態集合，采用非參數高斯核密度估計（由 Python 的scipy.stats庫實現）進行估計而得。

關于識別致癇網絡中個性化持久振蕩的算法細節，請見下文。

2.3.1 基于 DMD 模態的穩定相干振蕩
DMD 算法可在所選數據矩陣定義的時間窗內識別出主導的相干振蕩模態。然而，此類時間窗的長度受到限制：若選取過長的時間窗，則會進一步增大時間點數量 n n，進而需提高堆疊層數 h h 以避免矩陣兩個維度嚴重失配（見前文）。而高堆疊層數意味著隱含假設——該較長時間段內的動力學足夠平穩，可被同一算子A有效近似；此假設在 EEG 記錄中極易被違背（因 EEG 具有顯著非平穩性）。因此，我們選取最小的時間窗長度 n n，使其足以覆蓋所有關注頻段——即取 n = 200 （對應 1 秒時長；詳見下文）。對于每個時間窗，我們對增廣數據矩陣應用 DMD 算法，提取該窗內的單窗（瞬時）相干模態。

DMD 模態反映了致癇網絡在某一特定長度（ n n）時間窗內的主導相干振蕩。然而，并非所有識別出的 DMD 模態均能表征長時間尺度上持續存在的振蕩——例如，某個時間窗內偶然出現的強噪聲成分可能短暫掩蓋穩定的腦振蕩，導致該窗內提取的模態失真。為識別致癇網絡中最持久、最穩定的相干振蕩，需考察哪些 DMD 相干模態在滑動時間窗移動過程中持續重現。為此，我們追蹤了 DMD 模態的空間與頻譜輪廓（分別由 DMD 特征向量與特征值決定）的演化軌跡，并僅保留那些變化足夠緩慢（即絕熱演化）的模態。對于一個穩定系統（其特征值模長），其特征值演化速率可通過頻率變化量

2.3.2 基于高斯核密度估計的有效特征模態
一旦篩選出最穩定的 DMD 模態，我們便利用它們來定義致癇網絡中有效的、長時間連續的振蕩模態。主導網絡振蕩模態的有效頻率由頻率分布的峰值標示（圖 1a、b，右側面板）；而其有效空間輪廓（即振幅與相位分布）則通過對所有已識別的長時連續振蕩模態進行統計匯總獲得。每個 DMD 模態的空間特性編碼于一個復特征向量中：

2.4 模型提取與驗證

DMD 特征值、特征向量以及相應的動力學連接矩陣A，被用于定義每個時間窗內致癇網絡動力學的模型。此外，還應用了 Broyden–Fletcher–Goldfarb–Shanno (BFGS) 算法，以尋找能最優復現所測記錄局部頻譜特性的邊界條件。

EEG 驅動模型的可靠性通過結構相似性指數（SSIM）和分類指標（包括準確率及受試者工作特征曲線下面積 AUC）進行了系統性評估。

2.4.1 結構相似性指數 (SSIM)

SSIM 用于評估實測 EEG 數據與建模 EEG 數據的局部頻譜特性與連接特性。對于頻譜分析，SSIM 在兩種狀態（Status 與 Resolved）下，針對所有實測數據與建模數據組合的功率譜密度 (PSD) 矩陣進行計算。對于連接性分析，SSIM 則在所有頻段上，針對去偏加權相位滯后指數 (dwPLI) 矩陣進行計算。SSIM 量化兩個矩陣間的相似性，其值為 1 表示完全一致。為評估統計顯著性，對每個 SSIM 元素均使用通道級置換檢驗計算 p 值：對每組兩兩比較，標簽隨機打亂 N = 1000 次，生成隨機條件下 SSIM 值的零分布。給定 SSIM 元素的 p 值定義為：在置換得到的 SSIM 值中，大于或等于觀測到的 SSIM 值的比例。經 Bonferroni 校正后（針對 Status 和 Resolved 狀態下實測與建模數據間共 6 組兩兩比較），保留 p ≤ 0.05 / 6的元素，而無顯著性的元素則在 SSIM 圖中被遮蔽。

2.4.2 分類指標

采用二元邏輯回歸對 PSD 和 dwPLI 矩陣進行分類，將其劃分為 Status 與 Resolved 兩種狀態。模型在所有實測數據與建模數據的組合上進行訓練與測試（即：訓練實測數據-測試實測數據、訓練實測數據-測試建模數據、訓練建模數據-測試實測數據、訓練建模數據-測試建模數據），以確保對分類性能進行全面評估。準確率計算為正確分類樣本的比例，反映分類器區分兩種狀態的能力。ROC-AUC 用于量化分類器正確排序預測結果的能力。每個訓練-測試組合的分類指標均通過 10 折交叉驗證獲得，以保證結果的穩健性。置信區間基于 N = 10000 次自助抽樣（bootstrapped）分布計算得出。需注意的是，基于 SSIM 的連接性準確性評估是在 dwPLI 矩陣上進行的——該過程在去偏過程中天然整合了所有時間片段的數值；相比之下，基于分類器的統計驗證則利用未經去偏的 wPLI 矩陣，允許從單個時間片段中推導出分布。

2.5 建模與分析超參數

建模與分析流程中部分超參數的取值，是基于現有文獻和/或明確測試確定的。這包括信號預處理時的重采樣頻率與其他尺度、動態模態分解時的時間窗長度、連續相干振蕩的提取以及模型優化等步驟。有關這些超參數的具體取值，請參見補充材料（SI）。

3. 結果
3.1 穩健相干振蕩的識別

局部頻譜方法（如電極特異性的功率譜密度）可揭示特定動力學過程功率隨頻率變化的特征，但無法反映該功率在空間上是否具有相干性。另一方面，當研究致癇網絡及其內部振蕩的動力學時，連接性特征至關重要——這也推動了大量連接性與交互性度量方法的發展，并將其納入 EEG 分析之中（Cliff 等，2023）。然而，如何從局部功率與連接性度量中提取出可解釋的動力學模型，仍是長期存在的挑戰。

我們所開發的方法可直接從某一時刻記錄的 EEG 數據中識別出最持久的相干振蕩（圖 1a）。該方法基于三者的結合：
（i）一種擴展的動態模態分解（DMD）算法（Brunton 等，2016a；S. L. Brunton 等，2021）；
（ii）Koopman 算子理論的一個實例（S. L. Brunton 等，2021）；
（iii）對絕熱演化理論（adiabatic evolution theory；Joye & Pfister，1994）的適應性改進（詳見“方法”部分）。

由 DMD 算法自動識別出的相干振蕩，通過滑動時間窗被追蹤其演化過程；僅當振蕩的頻率與空間輪廓足夠穩定時，才被判定為具有生理意義（基礎算法與原理細節參見“方法”部分）。與標準頻譜估計不同，本方法可有效區分 EEG 動力學中穩健的相干振蕩與功率譜中偶然出現的噪聲貢獻，從而準確識別出基礎性的腦振蕩（圖 1b）。這些振蕩的屬性及其動力學相互作用完全由數據驅動獲得，可用于構建患者特異的、可解釋的核心 EEG 動力學模型（圖 1c），并進一步模擬其與外部刺激源的相互作用（圖 1d–f）。

我們為每位患者、每種腦狀態（Status 與 Resolved）分別提取了穩健相干振蕩的時程演化（圖 2a, b；另見補充材料 SI）。在所有時間段（epochs）中，相干振蕩相對出現頻次的頻率分布（圖 2a, b，右側面板）被用于確定致癇網絡中存在顯著相干振蕩的頻率。正如癲癇持續狀態（以顯著慢波活動與癲癇樣放電為特征；Trinka & Leitinger, 2015）所預期的那樣，相干模態的相對出現頻次在極低頻段（δ 頻帶）呈現一個顯著更高的主峰；而在 α 頻帶以上出現的較小局部峰值，僅在病理狀態緩解（Resolved）后才顯現。

確定顯著相干振蕩的頻率后，我們進一步分析其空間輪廓，即其振幅與相位在頭皮上的分布特征（圖 2c, d）：

• 振幅分布中高幅值區域用于識別 EEG 動力學中持續表現出強相干振蕩的腦區；
• 相位分布則揭示當前強振蕩動力學的相對相位關系。需注意的是，即使在某一頻率上存在高度相干的振蕩，其不同區域之間仍可能保持穩定的相位偏移：在相位地形圖中，零相位同步的動力學表現為頭皮上顏色均一的區域；而顏色的漸變則對應于持續存在的相位偏移（在相位分析中，僅有相對差異具有生理意義）。當試圖通過（共振式）刺激干預振蕩網絡時，此類相位偏移可能至關重要。

3.2 網絡動力學的生成式耦合振蕩器模型

我們的下一步目標是構建與前述振蕩相對應的個體化有效腦動力學模型（圖 1c）。針對每個滑動時間窗，我們提取了一個由耦合振蕩器組成的模型——這些振蕩器通過擴展的 DMD 流程為每個具體病例算法式地識別得出（圖 1c；參見“方法”部分）。該生成式模型成功復現了 EEG 動力學的關鍵特性，包括局部頻譜成分、腦區間同步性以及振幅變化（圖 3a, b）。尤為關鍵的是，得益于其振蕩本質及所用數據的穩態特性，該模型在某一時間窗上擬合所得的動力學，亦可有效外推至后續時間點（圖 3a, b 中，擬合區與外推區由垂直虛線分隔）。正因具備此性質，該模型后續可用于探查網絡在接受外部干預時的響應特性（圖 1d）。

為系統評估 EEG 驅動模型的可靠性，我們比較了兩種腦狀態下所有實測數據與建模數據兩兩組合之間的局部頻譜特性與連接特性的標準度量指標。

• 局部頻譜一致性通過功率譜密度（PSD）的時間平均結構相似性指數（SSIM）進行評估（圖 3c；詳見“方法”與補充材料 SI）。所得 SSIM 矩陣呈現出清晰的塊對角結構：同一狀態內相似性極強（SSIMPSD > 0.9），而狀態間相似性顯著更弱（SSIMPSD < 0.5）——圖 3c（左）中 SSIM 矩陣的兩個非對角塊近似均勻著色，正反映了這一點。直觀而言，這意味著不同腦狀態的 PSD 矩陣本身相似度較低，而模型對此差異實現了良好復現。進一步采用基于時間段（epoch）的 PSD 矩陣進行二元邏輯回歸分類，在所有實測與建模數據組合間進行交叉驗證評估，結果顯示準確率與 ROC-AUC 均為 1，證實實測與建模所得 PSD 同樣出色地區分了兩種腦狀態（圖 3c，右）。
• 建模連接特性的可靠性則通過五個頻段上去偏加權相位滯后指數（dwPLI）的 SSIM 進行評估（圖 3d，左）。在低頻段（δ、θ、α），SSIM 矩陣同樣呈現明顯的塊對角結構，表明模型有效捕獲了這些頻段內相干的連接模式；而在高頻段（β、γ），塊對角結構則較弱，反映出該頻段內缺乏清晰、可被模型靶向的相干振蕩。盡管如此，基于時間段級加權相位滯后指數（wPLI）的分類任務仍獲得始終較高的準確率與 ROC-AUC 值（圖 3d，右），證明模型在所有具有生理意義的頻段中均成功捕捉并區分了關鍵的連接模式。

4. 討論

本研究旨在發展基于 EEG 的個性化方法學，以深化對腦動力學的理解與預測能力。我們通過將其應用于癲癇持續狀態（一種表現為持續性癲癇發作、危及生命的急癥）的 EEG 記錄，驗證了這些方法的實用性——該病癥凸顯了深入機制探索與創新治療手段的迫切需求。通過將 EEG 分析與計算模型相整合，我們的方法實現了對腦動力學的數據驅動表征：不僅能量化神經振蕩的局部頻譜與連接特性，更能深入揭示其背后的動力學機制。這種雙重優勢有望促成兼具患者特異性與臨床/神經科學理論可解釋性的定制化治療策略。

癲癇在癥狀學、病因學、表型及基因型等方面具有顯著異質性。然而，標準臨床與科研路徑在診斷與治療中往往忽視了這些差異。直至近期，“個體化醫學”才開始緩慢進入癲癇領域，推動基于數據驅動的藥物與手術治療方案的定制（Jehi, 2023；Jirsa 等, 2017；Lhatoo 等, 2020；Nabbout & Kuchenbuch, 2020；Steriade, 2022）。新型患者特異性療法與方法的發展動力，正源于藥物難治性癲癇的高發生率（Devinsky 等, 2018）。然而，癲癇患者屬于脆弱人群，因此對新技術與新方法的應用必須審慎：理想的方法應能統一對腦動力學的個性化定量表征與預測能力，并使其結果可在標準臨床與神經科學理論框架內獲得合理解釋——尤其是關于神經振蕩（Engel 等, 2001；Fries, 2015；Keitel 等, 2022）的解釋：這些振蕩在腦網絡中傳播，在疾病狀態下發生病理性改變，并可被新型療法所調控。

腦動力學通常通過 EEG 分析進行表征，此類分析可精確量化網絡動力學的局部頻譜與連接特性（Das 等, 2023）。這些分析在“完全由 EEG 數據驅動”的意義上是完全個性化的；但其結果無法提供對腦網絡中潛在動力學機制的直觀理解。另一方面，我們對腦動力學及其調控療法的大部分認識，恰恰建立在對神經振蕩及其動力學機制的有效模型之上——例如，θ 振蕩在癲癇中的作用（Roliz & Kothare, 2023），或經顱交流電刺激（tACS）中振蕩夾帶（entrainment）的機制（Johnson 等, 2020；Krause 等, 2023；Liu 等, 2018）。標準 EEG 分析往往難以在個性化結果與其本應表征或預測的動力學之間建立清晰聯系，即其輸出常常難以在標準臨床或神經科學理論中獲得直接闡釋。

在本研究的第一部分，我們證明：對局部頻譜與連接特性的表征，可同步產出腦網絡中對應的神經振蕩，并為進一步構建底層網絡的綜合動力學模型提供明確路徑。該算法完全數據驅動、直接基于 EEG 記錄，使我們得以完全規避對解剖與功能連接的普適性假設，從而保留對網絡動力學的客觀定量刻畫。通過算法自動區分穩健的相干振蕩與功率譜中偶然的噪聲貢獻，我們成功識別出了患者特異、狀態特異的基礎性腦振蕩。

當需個性化建模時，現有方法多依賴機器學習（ML）模型（Kerr & McFarlane, 2023；Wang 等, 2024）。ML 模型雖可對建模動力學提供精確近似與預測，但多為“黑箱”性質，缺乏明確解釋。可解釋性缺失是 ML 模型在技術與社會各領域（Adadi & Berrada, 2018；Jirsa 等, 2017）的共性難題，嚴重制約其在臨床場景（透明性與可靠性至關重要）的應用。另一可行替代方案是生物學啟發模型（Jirsa 等, 2017），但因其構建于微觀細節之上，（i）往往計算成本高昂；（ii）與臨床實踐中更為宏觀的“振蕩視角”難以直接對接——這些局限顯著阻礙了其臨床落地。

在本研究的第二部分，我們展示了如何構建腦網絡動力學的數據驅動模型，使其能同時滿足：
（i）精確復現EEG 動力學中具有臨床意義的個性化特征（頻譜分布、腦區間同步性、不同通道與狀態間的振幅變化）；
（ii）產出腦網絡振蕩的有效運動方程（編碼于動力學連接矩陣中），從而可在現有神經振蕩理論框架下予以解釋。

在結尾前，我們指出當前方法的局限性及未來臨床應用的拓展方向：

• 所依賴的 Koopman 算子理論雖提供了瞬時動力學的有效線性表示，絕熱追蹤亦假設緩慢演化的模態可由單一頻率局部表征，但該方法可能無法完全捕捉由腦內交互、感覺-運動反饋或外部刺激引發的復雜非線性時序結構。未來方向可包括：納入顯式包含非線性項的 Koopman 算法新擴展（Brunton 等, 2016b, 2021；Kalur 等, 2023）；結合Higuchi 分形維數（Higuchi, 1988）刻畫局部動力學，或采用Fréchet 距離（Fréchet, 1957）與歸一化壓縮距離（Bennett 等, 1998）表征連接動態；以及采用更精細的時序特征追蹤振蕩模態演化。
• 本研究模型驗證基于院內患者數據集，可能未能充分涵蓋外部人群的變異性。未來需在獨立數據集上測試模型，以進一步評估其穩健性與泛化能力。
• 當前建模范式計算開銷較大（單個數據集結果產出約需一天時間），但速度優化并非本研究重點。值得注意的是，該方法天然具備并行性——各時間窗可獨立處理，非常適合現代計算架構高效執行。未來工作應聚焦于通過并行化、臨床-計算硬件深度整合及建模超參數優化，提升計算效率，以支持實時臨床應用

就臨床應用前景而言，兩條路徑尤為可期：

1. 漸進演化型腦狀態（如局灶性癲癇中相干振蕩的擴散與傳播）：此時 EEG 動力學無法近似為穩態。所提方法可識別穩健相干振蕩，以定量評估腦網絡動力學的演化過程。例如，在癲癇患者術前評估的顱內記錄中，該方法可同時建模致癇區內部及大尺度網絡中的發作相關動力學；通過追蹤相干振蕩空間輪廓與相位的時變特性（如本研究第一部分所示），可更深入理解發作活動如何傳播并與致癇區交互，從而為手術策略提供更全面的病理網絡認知。
2. 突變型腦狀態（如癲癇持續狀態及其終止、全面性癲癇的發作起始、局灶性癲癇持續狀態發作）：此時動力學?？山茷?strong>突變的穩態轉換。這使得對各穩態構建有效模型成為可能，進而揭示相應主導性腦特異相干振蕩的時空特性（如本研究第一部分所示）。進一步，若將外部腦刺激納入所構建的腦模型（可結合上述擴展），將有望發展出生成式 EEG 驅動模型（基于本研究第二部分成果），用于計算機仿真測試與優化神經調控技術，如：

• 經顱交流電刺激（tACS；Fr?hlich, 2015；Polanía 等, 2018）
• 時序干涉刺激（TIS；Grossman, 2018）
• 腦深部刺激（DBS；Lozano 等, 2019；Ryvlin 等, 2021）終極目標是識別能有效驅動腦狀態從病理性健康態轉變的刺激參數。

最后，該方法亦可拓展至癲癇以外領域：例如，在代謝性、缺氧性或中毒性腦病中出現的交替性穩態 EEG 模式，亦可用本框架建模，以定量評估病情嚴重度或病因，并將其振蕩特征與癲癇狀態相鑒別。

原文鏈接：https://www.research-collection.ethz.ch/server/api/core/bitstreams/1d325bf9-7b00-479b-adf3-5de128cdb4f1/content