Brain Stimulation | 状态依赖性刺激中的大脑网络动态：基于隐马尔可夫模型的EEG-TMS联合分析

摘要

背景：系统神经科学研究表明，基线大脑活动可以归类为大规模网络(静息态网络，RSNs)，这些网络对认知能力和临床症状具有影响。这些发现指导了基于RSNs的毫米级精确脑刺激靶点选择。同时，经颅磁刺激(TMS)研究显示，通过脑电信号功率或相位测量的基线大脑状态会影响刺激结果。然而，这些研究中的脑电动态大多局限于单个区域或通道，缺乏准确网络水平表征所需的空间分辨率。

目标：本文旨在以高空间和时间精度绘制脑网络图谱，并评估特定网络水平状态的出现是否影响TMS结果。为此，本研究将识别大规模脑网络，并探索它们的动态变化与皮质脊髓兴奋性的关系。

方法：本研究利用隐马尔可夫模型，从20名健康受试者在针对左侧初级运动皮层进行TMS时采集的刺激前源空间高密度脑电数据中识别大规模脑状态。使用Yeo图谱探索了这些状态与fMRI定义的RSNs之间的关联，并逐试次检验了状态与皮质脊髓兴奋性之间的关系。

结果：本研究提取了具有独特时空和频谱特征的快速动态大规模脑状态，这些状态与主要RSNs相似。不同网络的参与显著影响皮质脊髓兴奋性，当基线活动由感觉运动网络主导时，运动诱发电位更大。

结论：这些发现代表了在同时具有高空间和时间分辨率的EEG-TMS脑网络表征方面向前迈进了一步，并强调了将大规模网络动态纳入TMS实验的重要性。

引言

系统神经科学研究表明，基线大脑活动涉及不同脑区内多个脑网络之间的协调互动。这些网络主要通过功能磁共振成像(fMRI)来识别，也可以通过近红外光谱(NRIS)、脑磁图(MEG)和脑电图(EEG)进行识别。在fMRI中，基线脑网络被称为静息态网络(RSNs)，并被证明支持广泛的认知功能。RSNs的改变或破坏常常与抑郁症、精神分裂症、神经退行性疾病、衰老以及卒中等疾病中观察到的临床症状相关。这些发现在康复方案设计和行为恢复评估中也起着关键作用。

基于此，脑刺激技术的最新进展利用fMRI定义的RSNs来指导侵入性和非侵入性研究的高空间分辨率靶点选择。这种精确性对于提高经颅磁刺激(TMS)的有效性似乎至关重要。与此同时，EEG-TMS同步研究证明了治疗效果还与刺激的时间特征有关。

事实上，EEG-TMS研究表明刺激时的大脑状态对TMS结果有显著影响。例如，通过刺激初级运动皮层诱发的运动诱发电位(MEPs)幅度(作为皮质脊髓兴奋性的测量指标)与μ节律的功率和相位密切相关。然而，目前关于大脑状态与刺激结果关系的认识大多基于局部/区域特性的定义，即来自刺激部位附近特定区域或EEG通道的信号。这种局限的视角限制了我们理解大规模脑网络中更广泛、更复杂相互作用的能力。

直到最近，EEG功能连接方法才开始被用作刺激时间选择的大脑状态指示器。然而，EEG功能连接研究仅限于传感器水平数据，且聚焦于少数预先选定的电极，因此与基于fMRI网络的刺激研究相比，其空间精度较为有限。

为了充分利用EEG-TMS的高时间分辨率，并同时结合基于网络的刺激方法，基于高密度EEG和数据驱动网络分析方法的研究是可取的。一种有前景的策略是采用隐马尔可夫模型(HMM)来提取大规模脑状态，并探讨其在调节TMS反应中的作用。

隐马尔可夫模型(HMM)已广泛应用于多种神经影像模态，包括MEG、fMRI和EEG，以表征大规模的脑网络动态。目前，在EEG-TMS数据中，HMM已被应用于EEG，并用于提取运动区的神经振荡活动，以及将静息态EEG中的大规模脑状态转移到EEG-TMS数据中。此外，这些研究还探索了大脑振荡的状态锁定调节，作为皮层兴奋性的替代指标。尽管这些研究验证了基于HMM的方法在研究皮层兴奋性状态锁定调节中的可行性，但尚未从EEG-TMS数据中提取全脑HMM推导的大脑状态。更重要的是，这些研究没有将HMM的输出与脑网络(特别是fMRI定义的RSNs)关联起来，以填补当前基于网络的刺激靶向和基于大脑状态动态的刺激时机之间的空白。

在这里，本研究使用HMM从TMS刺激左侧初级运动皮层前的高密度EEG数据中提取大规模脑瞬态，同时在对侧手部测量运动诱发电位(MEPs)。为此，本研究从源重建的刺激前EEG-TMS数据段中识别大脑状态。使用Yeo图谱作为参考，探索了推断状态与RSNs之间的关联。此外，通过比较这些状态的时间和频谱特征，本研究还考察了刺激前HMM推导的大规模网络与皮质脊髓兴奋性之间的关系，进而揭示大脑活动的动态变化如何影响MEP幅度的调节。

材料与方法

受试者与实验

在Tübingen大学采集了20名右利手受试者(12名女性，8名男性；年龄：27±4岁)的EEG-TMS数据。所有受试者均无神经或精神疾病史。受试者均签署了书面知情同意书并完成了实验。本研究遵循《赫尔辛基宣言》，并获得了Tübingen大学医学院伦理委员会的批准(716/2014BO2)。

在EEG-TMS实验中，使用128导联帽以5kHz的采样率采集EEG数据。通过8字形线圈以“后外侧-前内侧”方向对左侧初级运动皮层(M1)手部代表区施加双相脉冲刺激。同时以5kHz的采样率记录右手拇短展肌(APB)和第一骨间背侧肌(FDI)的肌电图(EMG)信号。

12名受试者分四个阶段完成实验，每个阶段共施加300个脉冲(每人总计1200个脉冲)，刺激间隔为3.00±0.50s；其余受试者则一次性施加，共施加1000或1200个脉冲(各3名和5名受试者)，刺激间隔为2.00±0.25s。所有受试者的刺激强度均设置为静息运动阈值的110%。

EEG与EMG预处理

该步骤包括对EEG-TMS数据的刺激前时段(-1500至-10ms)进行预处理，并从EMG数据中提取MEP峰-峰振幅(详见补充材料)。

源重建

源模型采用蒙特利尔神经研究所(MNI)空间6mm间距的三维网格(9270个顶点)。通过标量阵列增益线性约束最小方差(LCMV)波束成形器求解逆问题来获得空间滤波器。将估计的空间滤波器应用于EEG传感器数据，以获得间距为6mm各向同性偶极子网格的源活动。

分区、泄漏校正与偶极子对齐

为降低偶极子时间序列维度，采用AAL图谱进行分区。本研究使用了78个区域来覆盖全脑皮层。对各分区的偶极子时间序列进行主成分分析，再通过对称正交化技术减少分区时间序列间可能存在的零滞后伪耦合。此外，采用随机搜索算法对齐不同受试者的分区时间序列极性。

基于隐马尔可夫模型的状态推断

采用HMM方法，通过分离分区信号中神经元振荡的时空特征模式来表征群体水平的脑状态。对于每个受试者，将试次间数据拼接后对分区水平刺激前时间序列进行标准化(z转换)。使用时延嵌入(TDE)-HMM检测具有特定频谱特征的快速瞬态脑状态，并采用随机变分推理在TDE数据上训练HMM。

在训练之后，使用Viterbi算法获取表征各时间点脑状态的时间序列。从推断出的状态时间序列中提取状态的时间特征指标：如占时比(FO)、持续时间与间隔时间。FO通过计算某一状态出现的时间比例来确定，而持续时间与间隔时间分别量化了状态的持续出现时长及其转变到另一种状态之间的时间间隔。与Marzetti等人(2024b)的研究一致，通过TDE-HMM识别的状态在下文中统称为快速动态大规模脑状态(FLBSs)。

FLBSs的数量及其稳健性

选择最优FLBSs数量是一个前提步骤。采用HMM可重复性和避免偶发FLBSs两项指标进行评估：前者要求在不同实验中能够稳定地识别相同的FLBSs，而后者则更倾向于关注那些频繁出现的FLBSs。此外，本研究还进行了控制分析，以检验FLBSs的受试者依赖性，因为这种依赖性可能会影响推断过程。

频谱分析

采用多锥方法计算FLBSs在3-30Hz频段的功率谱密度(PSD)与正交化相干幅值(以下简称相干性(COH))，进而计算感兴趣频段(带宽(3-30Hz)、θ(3-8Hz)、α(8-13Hz)、β(13-30Hz))的平均功率与相干性特征。

FLBSs与经典静息态网络的对应关系

本研究采用网络对应工具包中的Dice重叠系数(DOC，0表示无空间对应，1表示完全对应)来量化FLBSs与经典RSNs之间的相似性，以Yeo图谱为参考模板。

统计分析

使用单因素重复测量方差分析(rmANOVA)分别检验不同FLBSs的持续时间、间隔时间和FO之间的统计差异。根据中位数值将FLBSs持续时间分为短时与长时两组。采用双因素rmANOVA检验FLBSs类型(9水平：FLBS1-FLBS9)与持续时间(2水平：短/长)对MEP振幅的影响。目的是明确特定FLBSs的出现及其持续时间是否会导致MEP存在显著差异，并探索FLBSs持续时长与出现频次的交互作用。

结果

本研究基于模型可重复性以及避免偶发FLBSs的原则来确定FLBSs的数量，最终推断出了9种FLBSs。此外，受试者依赖性分析证实了提取的FLBSs对个体差异具有稳健性。

使用TDE-HMM在刺激前EEG-TMS数据中识别出的静息态网络

本研究的分析流程如图1所示。图2展示了九种FLBSs中六个FLBSs(即大脑状态)的带宽功率与相干性的空间分布情况，其余FLBSs的功率与相干性信息详见补充材料(S3)。

图1.分析流程示意图。

图2.六种FLBSs(即大脑状态)的空间带宽功率与相干性。

在这六个FLBSs中，除FLBS1外，其余五种FLBSs均表现出明显不同且双侧对称的功率与相干性模式。FLBS1代表了一个主要在右半球激活的网络，包括内侧额区、额下区、额中区以及颞上区，其拓扑结构与默认模式网络(DMN)及控制网络(CN)吻合。FLBS2包含内侧及额下回(IFG)、颞中回(MTG)、颞极(TPO)以及前后扣带回(ACG与PCG)，并与DMN重叠。

FLBS3包含双侧中央前回(PreCG)和中央后回(PoCG)的节点，对应感觉运动网络(SMN)。FLBS4与视觉网络(VN)相关，以楔前叶(PCUN)、顶上回(SPG)以及视觉皮层中部的激活为主。FLBS5与顶叶、PreCG和PoCG的激活有关，呈现出与背侧注意网络(DAN)相似的模式。FLBS6则主要激活视觉皮层，与VN存在重叠。

FLBSs时间特征差异揭示了脑动态的短暂重现特性

大脑动态可以用持续时间、间隔时间以及FO等时间特征进行表征(图3A-C)。不同FLBSs的平均持续时间存在显著差异(p＜0.001)，从FLBS7的78.9ms到FLBS9的135.4ms不等，总体平均持续时间为99.7ms，这表明FLBSs普遍具有短暂性。FLBSs之间的间隔时间也存在显著差异(p＜0.001)，总体平均间隔时间为0.9s，其中FLBS1最短(0.4s)，FLBS2最长(2.9s)，体现了FLBSs的重现特性。此外，FO在不同FLBSs之间的差异也显著(p＜0.001)，FLBS2的平均FO最低(3.7%)，FLBS9最高(16.7%)。受试者间的FO分布(图3D)显示，最大FO范围为19.2%-50.1%，最小FO为1.0%-4.5%，这表明FLBSs在所有受试者中均存在，并且不受个体差异的影响。

图3.(A)持续时间，(B)间隔时间，(C)占时比(FO)。

FLBSs具有不同的频谱与连接特征

图4A-B展示了所有频率下各脑区的平均功率谱密度(PSD)与相干性(COH)，黑线与阴影区分别表示所有FLBSs的均值与标准误。其余FLBSs的平均PSD与COH详见补充材料(图S6)。鉴于PreCG(本研究刺激靶点)的重要性，图4C-F详细展示了左右PreCG的PSD与总COH。

图4.(A-B)不同区域FLBSs的平均PSD与COH。(C-F)左右PreCG的PSD和总COH。

FLBS2以θ振荡为主导，在除α频段相干性外的所有频段中都表现出最高平均功率与相干性。此外，FLBS6在α频段表现出高于平均水平的功率及最高相干性。FLBS1的平均PSD以θ频率为主，而其平均COH在α频段早期(∼8Hz)达到峰值。其余三种FLBSs的平均PSD和COH主要表现为α振荡。值得注意的是，FLBS5与FLBS1在三个频段中的平均PSD和COH都比较低。

FLBS3在双侧PreCG的α与β频段功率最高(图4C-E)，而FLBS2在θ频段功率最高。另一方面，FLBS6在双侧PreCG的θ与β频段功率最低，而FLBS1、5、6在α频段的功率水平相近且最低。FLBS2在θ与β节律的双侧脑回总相干性最强(图4D-F)，而α频段最高总相干性出现在左侧PreCG的FLBS3与右侧PreCG的FLBS6。在所有频段中，FLBS1在双侧PreCG的总相干性最低。

脑状态特征与皮质脊髓兴奋性存在关联

采用双因素重复测量方差分析(rmANOVA)检验各FLBSs(即大脑状态)的出现频率与持续时间对刺激时MEP振幅的影响，同时检验二者的交互作用。根据中位持续时间(80ms)将试次分为长持续(＞中位数)与短持续(≤80ms)两组(图5A)。FLBSs对MEPs的主效应显著(p＜0.01)，但持续时间对MEP振幅的影响不显著(p＞0.05)。FLBSs与持续时间的交互作用显著(p＜0.05)。对FLBSs主效应的事后检验(图5B)显示，FLBS3(均值±1标准误，7.24±2.31%)与FLBS4(-9.89±2.85%)之间存在显著差异(p＜0.01)。短持续FLBSs之间无显著差异(图5C)，但长持续FLBS3的MEPs(14.55±3.99%)显著大于长持续FLBS4(-13.02±3.69%，p＜0.01)与FLBS6(-7.26±4.42%，p＜0.01)(图5D)。图5E显示20名受试者中有18名受试者FLBS3的MEPs大于或等于FLBS4/6的平均MEP。此外，使用配对t检验的组水平比较显示，长持续FLBS3与FLBS4/6的平均MEP之间存在显著差异(p＜0.001)。

图5.脑状态特征与皮质脊髓兴奋性之间的关联。

讨论

基于fMRI定义网络的扰动方法在调控行为或症状方面表现出更优的性能。同时，相较于非EEG融合TMS，基于EEG脑动态的TMS有助于诱导中枢神经系统的可塑性变化。本研究旨在提取与fMRI网络具有空间对应性且快速动态变化的EEG网络模式，以推动基于动态网络刺激的范式革新。为此，本研究在对初级运动皮层施加TMS的同时记录高密度EEG，通过动态网络刺激框架研究外周反应。研究结果发现，EEG网络与默认模式网络、背侧注意网络、感觉运动网络以及视觉网络存在高度重叠，并且与试次间的MEP振幅呈现独特关联。

具体而言，本研究采用TDE-HMM考察了快速变化的带宽大规模刺激前脑状态对皮质脊髓兴奋性的影响。分析结果表明，虽然不存在绝对“正确”的状态数量，但TDE-HMM能够成功地从刺激前EEG-TMS数据中识别出9种具有独特频谱、时间和空间特征的大脑状态(FLBSs)。

HMM已广泛应用于静息态、任务态、睡眠等神经影像研究。本研究中TDE-HMM揭示的瞬态FLBSs平均持续时间为99.7ms(图3A)，与MEG研究结果一致。0.9s的平均间隔时间(图3B)确保了FLBSs在数据中的重现。各受试者的FO分布(图3D)表明，FLBSs不受个体差异的影响，这表明该模型捕捉的是动态而非静态的功能连接模式。

此外，各FLBSs与fMRI研究中观察到的多种经典静息态网络活动模式存在相似之处(图2)。这可能源于HMM互斥性假设的理论限制——该理论假设任一时刻只能有一个状态发生，导致不同网络模式被混合，从而无法检测多状态的共激活和共失活。虽然递归神经网络(RNN)和长短期记忆网络(LSTM)等新方法正逐步应用于脑信号特征提取和隐藏状态推断，但未来的研究可借助DyNeMo模型或其他方法进一步探索状态空间模型，以便更深入地解析神经活动的时间动态和复杂的脑状态交互。

尽管存在此限制，FLBS4和FLBS6仍清晰地呈现出视觉网络特有的α节律活动模式，FLBS3则捕获了感觉运动网络(SMN)的α/β振荡。FLBS2表现出类似于默认模式网络(DMN)的特征——该网络以内侧前额叶(mPFC)和后扣带回(PCG)为核心、涉及自我参照和心智游移(或称走神)的“任务负网络”，其θ节律主导特性与既往研究一致。FLBS5对应于背侧注意网络(DAN)，这个由双侧顶内沟和中央前沟额眼区组成的对称网络以α节律振荡为主。虽然FLBS1的特征较模糊，但其右额下区的激活提示可能与控制执行网络的抑制功能相关。

既往研究表明，当目标大规模网络处于活跃状态时施加刺激可增强皮层兴奋性，该效应在视觉/顶叶网络和运动网络的TMS研究中均被证实。本研究结果进一步验证了这一效应：当长持续SMN(FLBS3)在受到刺激处于活跃状态时，MEPs显著大于FLBS4/6(p＜0.01)，这表明刺激前的神经网络状态对调控皮质脊髓兴奋性起着至关重要的作用。FLBS4/6在视觉区功率增强而FLBS3在该区功率降低，这表明运动网络与视觉区α活动存在拮抗关系。这与视觉皮层中α功率与注意系统呈正相关、而随着注意增强α功率下降的先前研究结果一致，这可能解释了MEP幅值的显著差异。此外，长短持续状态之间MEP的差异表明大脑可能需要足够的时间才能过渡到兴奋/抑制状态，这解释了为何长持续状态能产生显著的MEP调制效应。

在先前的概念验证研究中，本研究对该队列的8名受试者进行了传感器空间HMM分析，成功地识别出了与当前源空间结果一致的感觉运动/视觉网络模式及其与MEP的关联。然而，考虑到容积传导效应可能会对结果产生影响，本研究采用经过波束成形器、分区和正交化技术优化的源分析流程，以提升逆问题求解的可靠性。

需要注意的是，使用TDE-HMM提取的大脑状态既捕获了不同脑区之间的功率包络共调制，又捕获了带限振荡信号的锁相时间一致性，但TDE-HMM本质上是基于包络耦合与相位耦合这两种基本的脑耦合机制来识别状态的。在某些情况下，局部测量指标可能与TDE-HMM状态存在重叠，例如局部高功率状态可能与远程高功率状态共现形成功率共调制，或被特定锁相关系所表征。本研究中FLBS3在左侧PreCG呈现高振荡功率，既印证了既往关于M1区μ节律功率与皮质脊髓兴奋性正相关的研究结果，也与其运动网络内更强连接性的发现相符。这凸显了HMM方法整合局部功率与全局网络动态的优势，为脑状态依赖性刺激提供了更广阔的视角。

未来的研究可利用HMM捕捉快速脑状态的能力来区分健康个体与神经精神疾病患者之间的神经动态差异。此外，HMM衍生的脑状态标志物有助于优化神经调控策略。多模态技术融合(如fMRI的高空间分辨率与EEG的高时间分辨率结合)也有助于进一步提升HMM状态时空特征的验证精度，增强其在神经调控研究中的应用价值。

结论

本研究结果表明，TDE-HMM技术能够有效识别EEG-TMS实验中刺激前阶段与经典fMRI静息态网络相对应的大规模脑状态，这些状态具有独特的时空与频谱特征。此外，本研究还发现快速瞬态大规模脑网络与皮质脊髓兴奋性之间存在显著关联。具体而言，当运动网络在刺激前更加活跃时，诱发的MEP更大，揭示了刺激前神经状态在调控皮质脊髓兴奋性中的关键作用。这些发现为基于状态依赖的神经刺激技术奠定了基础，填补了当前网络靶向刺激与大脑状态动力学之间的空白。

参考文献：Makkinayeri S, Guidotti R, Basti A, Woolrich MW, Gohil C, Pettorruso M, Ermolova M, Ilmoniemi RJ, Ziemann U, Romani GL, Pizzella V, Marzetti L, Investigating brain network dynamics in state-dependent stimulation: a concurrent Electroencephalography and Transcranial Magnetic Stimulation study using Hidden Markov Models, Brain Stimulation, https://doi.org/10.1016/j.brs.2025.03.020.

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～