naturebiotechnology：大脑情绪解码

1、dee pbrain stimulatio n: DBS）中对治疗抑郁症做了开创性的研究。布式的情绪相关的神经动力学进行建模变得很困难。为此，南加州大学Sani解码器主要从被试的边缘区域采 这一动态模型还提供 这些结果提供了初步证摘要：从神经活动中解码情绪状态随时间变化的能力让使用闭环系统（closed-loo psystems）治疗神经精神疾病成为可能。然而，这种解码尚未得到证实，部分是由于我们对情绪状态的测量具有稀疏性，这使得对分和Shanechi 等人在nature biotechnology杂志上发表文章。此研究建立了一个模型框架，用以解码7位癫痫病患者的多处颅内记录的情绪状态变化，这

2、些癫痫病患者在多天内间断性地自我报告情绪状态。该研究建立 了情绪状态的动态神经编码模型和每个个体相应的解码器，并证明可以从 神经活动中解码情绪状态随时间的变化。集神经信号，此区域的谱空间特征与情绪变化一致。 了一种分析工具来计算解码情绪状态的时间尺度。据，表明情绪状态解码的可行性。引言:情绪状态解码器的设计（需要建立大尺度的神经动力学模型）对于开发有效的情绪障碍治疗至关重要，但是存在一些挑战。神经生物学、神经解 剖学和神经影像学研究表明，情绪表征背后的神经回路并不存在于单个大 脑区域中，而是涉及多个、分布式的皮质边缘区。此外，鉴于情绪本质的 复杂性，追踪情绪状态随时间的变化很困难。因此，建模和

3、解码将需要在 多个分布式脑区记录神经活动，同时测量情绪。这些操作将需要新的计算 技术，结合大尺度分布式脑区的数据，可以处理由于情绪评估困难而导致 的情绪状态测量的稀疏性时。因此从神经活动中解码情绪状态至今仍难以 捉摸。鉴于这些挑战，已有大量研究使用非侵入性神经成像在实验环境中探索 情绪在大脑中的功能表征。这些研究显示健康被试由于情绪刺激物而引起 大脑区域性改变，并且识别出可能与神经回路功能障碍或情绪障碍治疗效果相关的静息状态活动改变。此外，使用无创EEG和颅内局部场电位（localfield potential: LFP ）的研究已发现了区分抑郁症患者和健康被试的神经生 理学变化。从这些发现得

4、知，已在开放回路深部脑刺激（open-loopnature biotechnology:大脑情绪解码难治性癫痫患者脑中,软件确定每个 ECoG电极接触点的解剖位置即记录通道，并通过专家本研究连续记录了大尺度颅内皮质EEG信号(large-scale ECoG)，同时收集癫痫患者几天的自测情绪状态。该研究设计了一个建模框架，利 用稀疏情绪状态测量方法从每个被试的高维神经记录中识别出简洁的情绪 预测网络，并在所识别的网络中训练动态神经编码模型。研究使用训练好 的模型来构造解码器，该解码器能够根据每个被试的神经频谱特征来预测 其随时间变化的情绪状态。这些情绪解码器代表了促进未来神经精神障碍的个性化闭

5、环治疗的第一步。方法: 被试：通过外科手术将半慢性(Semi-chronic )颅内ECoG电极植入7例用于治疗癫痫发作的病灶(Supp leme ntaryTables 1 and 2 ）。神经记录：在被试住院期间，使用Nicolet/XLTekEEG临床记录系统(NatusMedicalnc.)以500Hz 或1000Hz 的采样率连续记录原始ECoG信号。ECoG电极包括有10mm中心间距和2.3mm暴露直径的4接触和6接触条形电极，以及6、5或3mm 中心间距的 4接触和10接触深度电极 (Ad-Tech Corp)。总的来说，电极覆盖比较广泛，大多数被试也都覆盖了同样的区域(例如，O

6、FC、ACC、海马)。使用FreeSufer神经成像分析检查来验证关键边缘区域的电极。在图3中使用标准蒙特利尔神经学会模 板大脑进行可视化。：-I- -*0=*（例如,“抑郁”和“快乐 ” SuPPlementaryTable 4 ）之间连续体上的7个按钮中的1个来评估其当前的情绪状态（“评价你现在的感觉”）。连续体上的按钮具有从-3到+3的分数。所有24个分数的总和得出了总IMS。较咼-r爾Itincludeinclude inin hwhw bitbit imillimill Boed-Boed-申中rtLMrtLM crwIwafLcrwIwafL 衣 dicOdERdicOdER m

7、m achach uibjectuibject 爭一 i-howni-hown e-ne-n th*th* vtandDFidvtandDFid Vntr*|lVntr*|l NMflicpu-jlNMflicpu-jl inTtilileinTtilile T*mcT*mc vt?vt? bran.bran.: :x x fAJ.fAJ. posteriorposterior 炉.qiprul.qiprul i iDLDL 母乳即h hS 旳 炖皿 tR)tR) direelKXadireelKXa areare i i世戲豹 TheThe areasareas 日 K K孚 kEmkEm二

8、.t?t?叫爸*岂；rr：liliiFcmiFcm E*E*IEIE FreiSurler EottwareEottware itudt4itudt4 wiTMwiTM CDlor tOnlsnctOnlsnc ttetl1oda. E EACHACH recwdrgrecwdrg channel as alu： marted *itri*itri the colorcolor Q QH H irt 占也渤曲i i ! n n卜唸h h d 13 应ipEid AJICinguijLaACC.ACC.FburvFburv i i ihmrihmr lE* nilmrS&nUIHuemgFRue

9、mgFR 4We4We ifl.ifl. jr-wcM*ijr-wcM*i-li-li D D 1010gymgym rpodlrpodl M*fM*f (IHflh(IHflh2 2 _z_z33 - -10-10BcmC jM- Ic z -耆JgFC13FC13 3 3EC9OF = *CB64040ipiipiII-4040ffl，( (I I- -：a-a-3趣HW Cl4UCl4U g】g】ihih AfiAfi M MUKVWlUKVWl mwflmwfl 岳M M limS)limS)輕 hHhH itituewvauewva nwdnwd询科|画产二 awfrts*awfrt

10、s*TT外 -ffll. *0 0 則 U UMCViHQrrxKdMCViHQrrxKd DUlhfDUlhf jMSljMSl1 ）至少有10动。对于每个被试。如果通道在记录过程中超过10%的时间都是噪音，或1 -8 Hz （肝 0）、FifijpcFifijpc 2 2 IMulIMul -.ifiv-.ifiv- cfljhicfljhi IsrIsr JrJr - -MEME 仃GTTGTTinin rrichrrich f：町r:lr:l (ai(ai OrcfyErMOrcfyErM thethe dttOdlVPWmdttOdlVPWm TheThe dtxfkifrdtxfk

11、ifr r-tnr-tn fDiTfDiT Ehr-Ehr-ifi*rifi*r玄jUjU FKOfdmpqFKOfdmpq 匚田曲mi|mi| 0r0r CmCm电Smnm*f ofof求iiii uu p p irdicttenirdictten KcurKyKcurKy cc HieHie mwdmwd TW* decodtr*decodtr* * * MwMwOntribunonOntribunon H H th*th* b4itb4it tnuiiltnuiilmaM-PKdmaM-PKd詁昨也netnet希庇刹牯鋼机患解训(n(n空址验址前IMSIMS和魁准喑H H W W塑眾建小

12、星悄站厠iHMiHM喀的空同挣布尸 vJ 乂 .F口鷲rtiXttt圈J T diTirLIRandni-testRandni-test哙mumu怦日llll=MC脚址EtzyEtzyOJtMOJtM；o.mio.miotot22龄山OOtXJllOOtXJllyxiJyxiJCMCCMCLH7LH75656（ 口O O OOfiBOOfiB I0I0 I3JS;I3JS;0 0 m2m2 FO.OMJFO.OMJDFC.DFC. IACCIACC 心C C匚囱S S； 55firifiri雷打IXFIXF丹AMroAMroEC137EC137壮gloosrit t DCDC肝 lOJOllO

13、JOlitfCCitfCC HK.ifC.HK.ifC. K!K!ECL5OECL5O日.比L LD.O35D.O35C C 045045UPCUPC；MlMl随0.00020.0002O.0C27O.0C27OfCOfCbft-Mbft-MJSxlEh-1111章1 1护_h主亠;：pANN N rtrt IWIWI IP P- - prpyliMrprpyliMr s s ntUfntUf 巒 MBH社 fFfF 隐耳宣 附址呻 iwiw - -层耐kihkih 血老疗 i i伽 ri&rrri&rr .-hrMi.-hrMi阳1*1* 痢业（如|旷沁/： IFIFACCACC曲!帅事*削

14、心白禅剂册止amam亦剧奥-fG-fG wpidibwpidib friipwfriipw魁fiisfiis； EfG.EfG. miaiumiaiu机世 降岳itit H HPT.PT. h h冈宀jniLjniL耳被试挑选标准： 研究选择可以长时间记录的被试，他们具有:个IMS点，以便有足够的IMS数据用于模型拟合；2）跨多天测量的IMS范围至少占总可能IMS范围的10%，从而存在有意义的情绪状态变化。每个被试的IMS范围至少占总IMS范围的25% （ M =33% ）。ECOG预处理：首先，对原始 ECoG信号进行离线预处理以去除非神经活者在情绪状态测量过程中有噪音，这一通道将不会用于分

15、析。有噪音的试 次通道随后被线性插值。神经频谱特征提取：提取出这些频带的对数频谱能量特征:8 -12 Hz （ a、12 -30 Hz （ B）、30 -55 Hz （ 丫 1）、65 -00 Hz （ 丫2）。本研究 还从相干性特征中解码了情绪状态。性能测量：通过计算IMS点的交叉验证预测值和它的真值之间的误差来测量解码性能。使用标准化均方根误差（NRMSE ）来量化该预测误差，定义使用留一法（leave-o ne-out） 交叉验证进行解码评估：研究在严格的leave-one-out交叉验证中评估解码（ 假设有N个样本，将每一个样本作为测试样本，其它N-1个样本作为训练样本。这样得到N个分

16、类器，N个测试结果。用这N个结果的平均值来衡量模型的性能）。对所有IMS点重复这个leave-one-out过程，并在方程（1）中计算交叉 验证IMS预测值NRMSE 。对这个交叉验证 NRMSE （使用随机检验和置换检验）进行统计测试。只有当IMS点（即报告）可用时，我们才评估解码器，这一解码器用于预测离散时间点上的情绪状态I4g 1TrainingI前S耳TestIMSTimeTimeModelingframeworkNeyral en coding modelRelate IMS toneural pr&dictorsNeural activity1）在随机检验中，每个被试都生成了100

17、0组随机整数，这些数字来IMS点相同的时间点上。每个随机数据集具有与真实IMS点一样多的点。然后Extract a small! inumber ofnduiral predictors from neural adivityProgressiveProgressiveDynamicDynamic modelmodelRegularizedRegularizedregion selectionPCA + LSSMregressionMain components of the modelling framework统计检验：进行两种统计检验以评估解码。自于和真实IMS点的相同范围且相同的分布，

18、并将它们放置在与真实Neural 二 activity 511IMS #1S3Ntiural*SErrorFigure 1 图示使用交叉验证来训练解码器和评估可以在各被试中得到显著的预测（随机检验P =1.4X10-3 ； Fig. S5 ）。此外,以在数小时或数日内使用。此外，即使仅在一天中获得IMS点报告，它也次，并在随机检验中的重复这一过程以获得置换检验P值。研究以随机检每个被试随着时间的情绪状态变化可以被解码:为每个被试都构建点不用于训练解码器（交相同的解码器可研究者使用相同的神经数据对每一随机IMS点的数据集重复相同的交叉验证建模和解码。最后生成每个被试的1000个随机IMS交叉验证

19、预测误差的分布。研究将随机测试 P值定义为随机IMS点比真实IMS点具有更低的交叉验证预测误差的概率。2）在置换检验中，研究者对每个被试IMS点的时间指标随机置换1000验为主要的显著性标准，并提供置换检验以显示统计检验的鲁棒性。模型建构、拟合和评价，使用渐进区域选择法选择，神经编码模型和 相应的情绪状态解码器，脑区搜索空间评估解码，在群体水平预测评估结果:了情绪状态神经解码器（Fig. 2 ）。研究发现根据两项评估测验，每个被试 的解码器对IMS点都有显著的预测作用（Fig. 2c -和Fig. 1, ps 0.18 ）。EC137 ），渐进从测试IMS到最接近的训练IMS的时间距离与其预测

20、误差无关（所有被试 的 Spearman p = 0.99，每个被试的 p 0.15 ）。解码器也可以泛化到一个更宽范围的IMS上。首先，在交叉验证中,解码器可以预测IMS的变化，这些变化分别涵盖了所有被试全部可能 范围的73%和个体内的33 7.2%。此外，当IMS点被用作测试IMS点时,研究还可以解码每个被试IMS点的最小值和最大值，因此超出了训练IMS点的范围（随机检验P =1.3 X10-6 ； Fig. S6 ）。此外，使用与总 IMS预测相同的网络（Fig.S7 ;随机检验：P =1.1 X10-6，P =5.9 X10-7），同样的交叉验证建模框架可以分别解码IMS的抑郁和焦虑子

21、量表。最后，作为一种控制，研究发现在用于解码的选定网络中的内，发作放电率（in terictal discharge rates ）并不能显著地预测任何被试综合来看，这些结果表明研究的解码器可以从每个被试连续数天的神 经活动预测其情绪状态变化。情绪状态预测的边缘脑区选取：3种分析表明解码器主要选取边缘脑区。首 先，在以上建立解码能力的主要分析中，考虑到边缘脑区在情绪表征中的 重要作用，建模框架首先搜索他们构造解码器。只有当边缘脑区不足以解码时，该方法才搜索所有可用脑区（同时使用 FDR校正）。其中6个被试,仅边缘区域的脑网络可预测情绪状态；另外一个被试中（）。最常出现的脑区另外两项分析进一步证

22、实了边缘脑区的作用。首先，在每个被试所有电在所识别的情绪Supp leme ntary Fig. 8 andSupp leme ntary Table 6是OFC，其中4个被试都有其脑区。在EC79、EC82和EC166中只选择了 OFC，在EC87中选择了具有 OFC和ACC的分布式脑网络。在 EC108和EC150中，分别选择杏仁核和海马。最后，在EC137中，选择了边缘区域的ACC和海马，以及覆盖额中回和上回的ECoG电极（背外侧和背内侧前额皮质），这些脑区与情绪表征有关。结果表明使用属于分布式情绪表 征网络的区域子集就足以解码。渐进区域选择一旦达到显著预测就终止添加更多的区域，并且不尝

23、试识别所有情绪-预测区域。极中搜索（SuPPlementaryFig. 9）。即使不知道这些电极的位置，研究的 建模框架也基本上选择了与边缘搜索中选择的区域相同的解码区域（Su PP leme ntaryFig.1O）。其次，发现当在边缘脑区外的电极内搜索时,大部分解码都失败（Su PP leme ntaryFig.11;被试在边缘区域内部和外部 具有相似的神经特征）。这些结果进一步证实了研究的模型，因为它们在 生物学上与先前的神经成像研究一致，表明分布式边缘区域在情绪和情绪 表征中的关键作用。频谱-空间神经特征被调谐为与情绪一起随着时间变化: 预测网络内的频谱-空间神经特征（即不同电极和频带

24、的功率）被调谐为情绪状态随时间的变化（Fig. 4 ）。5个频带中的某些个体特征与IMS有很强的相关性，其中一些特征在FDR校正后仍显著（Fig. 4b，d，f，FDR校正后P lE-eaTufelE-eaTufe 崗 tuetue00 u善Pxai4Pxai4(J(Ju.u.O OLULK-tfjtfj*raturratur valuevalueFeatureFeature valuevalueP P = = 0,0130,013FeoluroFeoluro vatucvatuc0.0230.023；宀冬FmturFmtur店 vaudvaudP-0.013P-0.013r5FflaturFflatur valuevalueX P = O.O47A皆*X X p p% 0FeatureFeature valuevalue?5P P = = 00002200