青年组获奖者：皮层信号能否告诉我们大脑深处发生了什么？ | 2026 年大会

这是一项转化研究，旨在探索从大脑皮层记录的活动是否可以用来重建更深层大脑结构中正在发生的事情，这或许可以解决当前自适应深部脑刺激系统中的一些感知局限性。

子潇，恭喜你获奖，欢迎来到播客节目。

尹子晓博士：谢谢。谢谢邀请。

米歇尔·马塔拉佐博士：我想先谈谈这项研究旨在解决的临床问题。自适应DBS正逐渐将我们从简单的模拟刺激转向能够聆听大脑活动并对其做出反应的系统。但您的研究前提是，直接从大脑深部进行记录并不总是像我们希望的那样可靠。

目前DBS系统在皮层下感知方面的主要局限性是什么？是什么让您认为皮层活动可能为我们了解大脑深部正在发生的事情提供一个替代窗口？

尹子晓博士：是的，这是一个很好的问题。正如您所说，目前深部脑刺激技术正从持续开启模式向自适应模式发展。也就是说，设备可以监听大脑活动并实时调整刺激强度。但是，我们的研究正致力于解决监听方面的问题。

 因此，监听环节[00:02:00]可能非常脆弱。我们知道，用于提供130赫兹刺激的电极也必须记录那些极其微弱的微伏级信号，而刺激伪影会扭曲这些信号，硬件有时也会出现故障。目前的系统仅提供一到两个双极通道来记录来自大脑深处的信号。

以上都是现有传感系统的局限性。正因如此，我们才希望改进它，使其更加稳健，构建闭环系统。而皮层传感是我们提出的一种解决方案。

米歇尔·马塔拉佐博士：至少根据您的经验，从实际角度来看，这些伪影或信号丢失或限制，它们目前对自适应 DBS 造成实质性问题的频率有多高？

尹子晓医生：我认为在临床上，就自适应DBS而言，美敦力Percept设备已正式作为商业设备进入临床应用。[00:03:00]在中国，我们还有一些其他品牌，例如PINS。我想说的是，刺激常常会导致信号质量失真，其他一些问题，例如运动伪影，也可能造成困扰。

我认为这些问题都会降低信号质量。 

米歇尔·马塔拉佐博士：现在，您研究的一个有趣之处在于数据集，尤其是数据集的规模。我们谈论的是723小时的同步皮层和皮层下记录。如果我没记错的话，数据来自柏林、北京和旧金山三个中心的49名患者。

而且，至少从你的摘要来看，这些记录涵盖了不同的行为状态、治疗条件、脑区，甚至不同的运动障碍。你能详细介绍一下这个数据集吗？你具体记录了大脑皮层的哪些数据，又记录了深部脑区的哪些数据，以及是在什么条件下进行的？

尹子晓博士：是的，没错。首先，我要感谢我的导师沃尔夫-朱利安·诺伊曼，他现在在瑞士，之前在柏林，他整理了一个庞大的数据集，涵盖了三大洲的患者，包括美国、欧洲和中国的患者。如果我们真的想让这种皮层解码深层脑信号的方法奏效，让这个解码器发挥作用，我们就需要各种各样的行为和各种各样的患者，甚至是不同的诊断。

在这个数据集里，我们记录了帕金森病患者、肌张力障碍患者，甚至图雷特综合征患者的数据，包括他们进行手部旋转（即运动）时的数据，以及他们睡眠时的数据。因此，我们同时记录了他们清醒和睡眠状态下的数据。此外，由于一些患者接受了脑深部刺激装置治疗，他们还会接受药物和刺激等其他疗法。

因此，我们也探索了我们的解码器是否能在不同的治疗状态下工作，例如STN激活/关闭以及药物治疗/停药。这就是我们的数据集涵盖的范围。

米歇尔·马塔拉佐博士：非常精彩。现在，利用这些信息和数据，您开发了一个名为 CTXNet 的卷积神经网络，它可以接收皮层信号并预测皮层下活动。您能否解释一下，让我们所有人都能理解，毕竟我们并非都是这类建模方面的专家？

该模型接收哪些信息？您希望该模型预测什么？

尹子晓博士：该模型接收来自大脑皮层的信息。我们使用脑电图（ECoG）来感知皮层信号。基本上，这些信号是经过一些预处理后计算出的脑电波形，然后我们获得各种信息，例如频谱带和波形特征，并将这些特征输入到解码器中。

[00:06:00] 正如你所说，对于卷积神经网络部分，我们试图重建深部大脑的频谱特征。所以我们目前处于这个阶段，我们不会重新生成深部大脑的完整信号，而只是想重建例如深部大脑（丘脑底核）中随时间变化的β波功率。

这就是该数据的输入和输出。

米歇尔·马塔拉佐博士：您报告称，这种卷积神经网络方法比传统的频谱特征方法性能提高了约 40%，至少在解码 STN 波段活动方面是如此。这说明了什么？这 40% 的改进是什么？足够吗？准确吗？

尹子晓博士：嗯，这个问题很有意思。我们用40%的比值来比较的是传统的机器学习模型，因为我们首先想尝试建立大脑皮层和深部脑之间的映射关系。所以，我们首先使用这些机器学习模型，将传统的时序或频谱特征输入模型，然后尝试预测深部脑中的β波功率。

但这种模型的缺陷在于，并非每个人都是这方面的专家，所以我们并不总是知道哪些特征的信息量最大，应该输入到模型中。卷积神经网络的优势在于，它接收来自大脑皮层的原始信号，然后自动从这些原始信号中提取出信息量最大的特征，调整这些特征的权重，最终输出结果。

所以，我认为这就是40%提升幅度的由来。至于提升幅度有多高，我必须承认，总体而言，重建的β功率和实际β功率之间的皮尔逊相关系数大约在0.3到0.5之间。

虽然准确率不算很高，但我们也可以确认，基于这组准确率，我们也能可靠地检测出帕金森病患者大脑深部病理性爆发活动，例如β波爆发，准确率约为70%。当然，还有提升空间，但这更像是一个概念验证。

米歇尔·马塔拉佐博士：太好了。您在研究中还做了另一件事，因为预测像β波活动这样的单一生物标志物是一回事，但您还使用了去噪扩散概率模型来重建原始的深部脑信号本身。您能解释一下这意味着什么以及它是如何运作的吗？

尹子晓博士：我认为这是这项工作最令人兴奋的部分。此前，我们只希望能够重建β波，那就已经很棒了，那已经是一个非常强大的解码器了。而现在，我们希望更进一步，看看它是否能够重建从大脑深处记录到的完整信号。

只解码一个频段的问题在于，每个频段都需要一个单独的解码器。也就是说，如果我们想解码β频段，就需要一个β解码器；如果我们想解码α频段，就需要一个α解码器。但如果我们能够重构原始信号，就可以利用该信号计算出我们需要的任何频段。

所以，你提到的DDPM，也就是去噪扩散概率模型，就像是目前图像生成器背后的模型。它不像回归模型那样逐个生成点，而是生成一系列数值。

以上就是原始的STN信号。 

米歇尔·马塔拉佐博士：太好了。正如您刚才提到的，您更进一步，不仅将其与实际的深部脑活动进行比较，还研究了它是否可以预测运动障碍的严重程度，对吗？

尹子晓博士：比如，我们取预测的STN功率、STN原始信号[00:10:00]，然后从这些插补信号中计算β功率。接着，我们用这些特征来预测患者的UPDRS运动严重程度评分，我们可以看到实际UPDRS值与我们预测的UPDRS值的相关性约为0.7。

这个数值相当高。我需要澄清一点，正如我之前所说，真实信号和插补信号之间的β功率相关性约为0.3到0.5，但这仅限于同一患者。也就是说，患者的β功率虽然会波动，但仍然保持在1左右，处于该患者的特定水平。

但如果我们进行跨受试者分析，每个受试者的基线水平或多或少都会有所不同。DDPM 和神经网络模型能够更准确地捕捉这些跨受试者差异，而不是受试者内部差异。这就是关键所在。

米歇尔·马塔拉佐博士：好的。[00:11:00] 现在让我们回到访谈开始时讨论的我们想要解决的临床问题。既然我们对您的数据有了更多了解，让我们试着设想一个实际的临床应用。您在摘要中提到，这最终可能有助于利用头皮脑电图进行非侵入性闭环神经调控。

这里实际上包含两个不同的转化步骤。首先，利用植入式皮层记录来增强甚至挽救皮层下感知；其次，有可能用一些侵入性更小的装置来替代植入式皮层感知装置，比如说，一些可以植入颅骨外的装置。

您认为这两种应用方式中哪一种更接近临床应用？或者您认为这两种不同的方法中哪一种在临床实践中更有价值？

尹子晓博士：嗯，这是一个很好的问题。说实话，我认为两者都很有价值。至于哪个更接近临床应用，我认为第一个能够挽救深部脑传感的算法更胜一筹。例如，如果我们先有一个算法，它可以检测深部脑中的伪影，当它检测到可能干扰深部脑传感的强伪影时，就可以将其作为闭环系统的反馈信号，从深部脑传感切换到皮层传感。此时皮层传感本身已经很有价值，然后它还可以将深部脑信号作为反馈信号进行补充。

总而言之，这将使闭环系统更加稳健。你的第二点是，或许我们可以利用头皮脑电图来指导这些非侵入性刺激疗法。我认为这也是一个很好的观点。例如，现在我们有了颞叶干扰器或聚焦超声，可以对大脑深部区域进行刺激。

如果[00:13:00]我们真的想让这些疗法实现闭环，我们也需要一个反馈信号。在很多情况下，例如帕金森病，病理性振荡，也就是我们刚才确定的，是丘脑底核（STN）的β波功率。所以，如果我们能采集到脑电图（不一定是头皮脑电图，也可以是皮层脑电图），然后感知皮层信号，并利用这些信号推断出深部脑状态的信息，那么我们就可以利用这些信息来指导非侵入性刺激的实施。

这样我们就无需仅仅为了感知目的而在大脑深处植入电极了。

米歇尔·马塔拉佐博士：太好了。子霄，我最后一个问题是：你接下来有什么计划？我猜你还在从事这方面的工作。你打算进一步研究如何将这项技术应用于临床实践。作为一名年轻的研究者，你的未来会怎样？这项技术的未来又会如何？

尹子晓博士：是的，谢谢你的提问。我认为这项技术目前仍存在一些局限性。正如我所说，我认为它目前更像是概念验证阶段，但如果我们真的想将其构建成一个延迟极低的实时系统，而植入式设备的内存又非常小，我们无法在其中放置大型模型，因此我们需要尽可能简化模型，并减少计算延迟。

我认为接下来我们将尝试把这项技术应用于临床。此外，我目前的研究也集中在——这是感知方面。正如我所说，这项技术可以用来增强状态检测。例如，我们发现，通过这种来自大脑皮层的插补方法，可以提高某些患者的运动状态或睡眠状态的解码准确率，例如在睡眠分期分类问题上，解码准确率可以从大约 60% 提高到大约 80%。

所以我认为这是闭环系统的一方面[00:15:00]，即监听方面，我们目前也在研究刺激方面，也就是如何在检测到某种特定状态时最好地刺激大脑。是的，比如，当患者处于睡眠状态，特别是非快速眼动睡眠期时，我们应该如何最好地施加刺激。

但这又是另一个故事了。 

米歇尔·马塔拉佐博士：我们期待将来能听到故事的这一部分。子霄，再次祝贺你获得青年奖，感谢你带我们了解这部非常有趣的作品。

尹子晓医生：谢谢。谢谢。

米歇尔·马塔拉佐博士：对于即将参加首尔MDS大会的各位，我鼓励你们留意这张海报，它也将在全体会议上进行展示。请记住，海报的标题是“利用深度学习解码运动障碍患者的皮层信号脑活动”。

感谢各位的参与。

 [00:16:00]