脑机接口正在推动闭环神经调控的发展，有望以更高的时空精确度治疗脑疾病。然而，目前仍缺乏面向侵入式脑信号解码的标准化框架。近期，德国研究学者研发了一个将脑信号解码与磁共振成像连接组学整合的平台，强调脑信号解码在深部脑刺激（DBS）中的临床应用。此平台提供了支持快速、高准确度解码的方法，能够实现根据患者的个体化需求动态的调整神经治疗的方案。

神经调控如DBS疗法，正从设置固定参数走向由计算机驱动的闭环系统。这一系统实现的底层逻辑在于，算法可以实时解码脑信号，并根据患者当下的状态自动的调节刺激参数，以提高治疗效果。要实现此过程，首先需要将脑信号转化成可被机器学习利用的信号特征。但是，在实际程中存在三个重要问题。其一，脑信号数据多为少量、短时的单人记录，数据量难以支撑可泛化的模型。其次，脑信号波形形状、非周期成分等新型神经特征缺乏标准化的提取过程。最后，在脑信号解码过程中常常忽略了，脑信号是基于脑网络产生的核心本质。为此，研究人员开发了开源平台py_neuromodulation，并阐述了连接组学与自适应DBS的结合过程，以及此平台在临床应用上的巨大潜力。文章于2025年9月24日发表于《Nature Biomedical Engineering》期刊。

侵入式神经信号处理用于脑信号解码

此研究研发了一个开放、集成、模块化的平台py_neuromodulation（图1）。此平台可实现基于机器学习的脑信号解码算法，且可标准化、可复现。通过该平台，不仅可以提取振荡动力学、波形形状、以及跨区域相干性等特征，而且可扩展到更高级的特征度量，例如使用 Granger 因果推断信息流的方向或者相幅耦合。同时，侵入式脑信号解码的关键难点在于，不同脑植入体的个体化定位存在差异，这会增加开发可跨患者泛化的大模型的难度。基于此，研究人员开发了能够考虑电极定位差异性的跨患者的解码方法。下文将展示该平台在三类侵入式脑刺激应用中的实际案例。

Fig.1. a. 神经数据流既可以从离线存储中模拟，也可以通过与神经植入体的直接连接实现实时流式传输。b. 预处理包含重参考、陷波滤波、降采样、归一化、伪迹检测等环节，并针对因果性与计算效率进行了优化。c. 可提取多种与侵入式解码相关的脑信号特征模态：振荡活动、时间域波形形状、振荡突发、非线性动力学、周期性与非周期性的功率谱成分等。d.可将特征映射到空间用于跨患者解码。

可泛化的运动解码模型与在线验证

研究基于皮层电图（ECoG）的运动解码，设定为一个二分类问题（静息 vs 存在运动），并在不进行个体化训练的前提下进行评估。数据涵盖了56名患者、1480通道，跨3个帕金森病与1个癫痫队列，受试者执行多种上肢运动任务（图2a）。研究采用4-400 Hz FFT特征岭回归逻辑进行分类。结果发现，单样本最佳表现的准确率约0.80，运动检测率为0.98，且感觉运动皮层的解码表现最优（Fig. 2b-d）。

解码准确率受到两个因素的显著影响，帕金森严重度与治疗性深部脑刺激。在帕金森病患者中，解码性能与UPDRS-III评分呈负相关（图2e）。且持续的治疗性电刺激在部分患者中显著降低了样本级的解码性能。为了摆脱对患者个体化训练的依赖，研究学者探索了三种无需个体训练、同时考虑ECoG电极条位置差异的计算方法，分别是皮层表面网格法（图2h），基于MNI坐标的跨患者解码的连接组方法（图2i），以及连接组+对比学习（CEBRA）的方法。结果发现，CEBRA在各类验证中的样本级平衡准确率均显著更优。

Fig.2. a. 用于解码的数据来自4个独立队列。b. 以颜色编码展示个体记录位置与运动解码性能。c. 各中心个体的运动分类平衡准确率与运动检测表现。d. 运动检测率。e. PD中通道平均性能与UPDRS-III负相关。f. 柏林队列一名受试者在DBS条件下的ECoG时间序列示例。g. 柏林患者在STN 130 Hz DBS关、开时的样本级分类。h–j. 跨患者解码结果。k. 不同患者间的嵌入一致性。l,m. 无个体训练的样本级平衡准确率与检测率。n. 以颜色标示个体记录时长，显示通用化解码可减少侵入式记录的需求。o. 留一被试验证优于个体训练。p. 在线解码。q. 展示实时解码与刺激的性能。

重度抑郁情绪解码

随后，研究学者采集了8名难治性抑郁患者的SCC电极的脑信号。训练模型判断受试者看到的图片是正面、负面还是中性（图3b），并在被试内交叉验证。结果发现，150ms内出现可辨信息, 600 ms达峰，所有分类的样本级表现均高于0.5随机水平（图3c-d）。其中解码能力主要是由高频振荡成分驱动（图3e）。

重要的是，解码表现与抑郁症BDI的改善相关（图3f）。对脑连接图谱进一步分析发现，研究人员定位到一个偏左的前额叶网络，且该网络与用于抑郁症治疗的TMS网络靶点直接重叠，并与情感变化相关的网络具有显著相似性（图3g, h）。未来，情绪解码有望用于闭环情绪调节和个体化刺激靶点选择。

Fig.3. 难治性抑郁患者中，利用皮质下扣带SCC电极记录的局部场电位（LFP）进行情绪解码。a. 抑郁患者完成情绪任务，观看负性、中性、正性价情绪视觉刺激。b. 电极位置。c. 情绪解码平衡准确率在刺激后150 ms开始上升，600 ms达峰，至1600 ms逐渐回落。d. 情绪解码平衡准确率均高于0.5随机水平。e. 最佳通道的特征重要性, FFT的γ频段最高，其次为多种时间波形形状特征。f. 最佳解码表现与DBS导致的BDI变化相关。g. 预测情绪解码表现的显著纤维束与左侧前额叶相关。h. 经颅磁刺激靶点。

癫痫发作检测参数的优化

响应性神经刺激（RNS）是用于难治性癫痫的闭环设备，疗效受检测参数影响且多依赖人工设定。研究人员将解码平台约束到RNS规格，在9名癫痫患者使用RNS设备在新皮层DBS记录逾100小时侵入式脑信号，癫痫专科医生对数据进行标注，这些标注作为真值用于训练机器学习，以识别嵌入式带通算法的参数。优化参数包括阈值方向，阈值幅度，以及阈值持续时间，且以F1分数作为识别病症发作的关键指标。

基于HCP连接组学分析，结果发现，一个结构连接网络（图4h）可预测发作解码的表现，其特征为与双侧颞叶、海马、扣带与枕叶皮层的正相关占主导。并且在留一受试者交叉验证中可显著预测发作检测表现（图4i）。这些结果表明，py_neuromodulation平台可用于植入式算法参数化特征以及模型优化，未来可推动BCI化的癫痫闭环治疗。

Fig.4. 用于RNS系统中癫痫发作检测的预测性参数识别。a. RNS数据来自两条深部电极导线。 b. 示例记录中展示了发作起始特征（上）以及RNS检测器也可能产生频繁的假阳性（下）。c. 参照RNS内置算法计算FFT与线长特征。d. F1分数作为发作检测分数。e. RNS的PDMS提供“SimpleStart”，即基于单个发作事件推断检测编程设置。f. 该方法有望提高真阴性预测并提升总体发作检测性能。g. 7名参与者的电极定位。h,i. 该网络可在留一受试者交叉验证中显著预测发作检测表现。

讨论

此文研发了开源py_neuromodulation平台，展示了将脑信号解码用于神经调控的实例。研究在70名植入式患者、超123小时数据上，实现跨疾病与多中心的脑信号解码与闭环神经调控。研究学者提出了“连接组学通道选择+CEBRA”的分析方法，结果发现此方法支持无个体训练的运动解码并完成了在线验证。在抑郁中解码情绪价性，发现波形特征与左侧前额叶网络关键。此外，癫痫中数据驱动优化RNS检测参数，显著降低假阳性并指向可预测的结构网络。平台面向侵入式数据标准化与可复现，实现离线、在线一体，适于多中心推广，可推动网络特异、状态依赖的自适应刺激与临床BCI融合。

参考：https://www.nature.com/articles/s41551-025-01467-9