AI播客，快速了解：
近日，一项发表于《Nature Biomedical Engineering》的研究开发出一款整合侵入性神经生理学与全脑连接组学的开源平台py_neuromodulation，成功破解了脑植入患者神经信号解码的标准化难题。该研究由来自德国、美国、中国（北京天坛医院团队）等多国科研机构的团队联合开展，通过分析73名脑植入患者长达123小时的侵入性脑数据，在运动障碍、抑郁症、癫痫三大神经疾病的精准治疗领域取得突破性进展。
柏林夏里特医学院一名帕金森病患者的在线运动解码，无需患者个体训练 @Nat. Biomed. Eng
深部脑刺激（DBS）等神经调控疗法已成为治疗帕金森病、难治性抑郁症等疾病的重要手段，而闭环智能化是其发展的核心方向——这需要通过机器学习实时解码患者的动态脑状态，从而实现疗法的精准适配。但长期以来，侵入性脑信号解码面临三大核心障碍：依赖单患者短时间数据段导致模型泛化性差、脑信号特征提取缺乏标准化方法、忽视全脑网络对神经信号的调控机制，严重制约了精准神经疗法的临床落地。
研究通过系统性分析指出，现有解码方案往往是“一对一”定制，不仅耗时耗力，还难以在不同患者、不同疾病间推广；建立通用化、标准化的解码框架已成为神经调控领域的迫切需求。
核心突破：py_neuromodulation平台的多重优势
研究团队开发的py_neuromodulation平台以开源模块化设计为核心，实现了侵入性脑信号解码的标准化与高效化，旨在解决个体训练的临床局限、满足神经解码的临床需求。
在py_neuromodulation平台中实现的脑信号解码的应用以及神经刺激的适配 @Nat. Biomed. Eng
该平台采用Python语言开发（支持3.10及以上版本），以MIT许可开源并托管于GitHub，实现了离线分析与在线实时处理的算法统一——仅需替换数据来源，即可保证实验室研究与临床设备应用的性能一致性。平台可提取振荡动态、波形形状、区域间相干性等20余种脑信号特征，并创新性地整合MRI连接组学技术，为跨患者解码提供了底层支撑。
针对跨患者解码的核心难题，平台提供三种关键方法：将电极信号映射至标准化脑网格的空间插值法、基于全脑连接特征筛选最优通道的连接组学方法，以及结合对比学习（CEBRA）的非线性嵌入法，彻底摆脱了对患者个体训练的依赖。留一参与者、跨队列及留一队列交叉验证显示，三种方法均显著优于随机水平，其中CEBRA表现最佳。
值得一提的是，py_neuromodulation平台还具备可及性优势。经测试，该平台在普通笔记本电脑（Intel i7）上即可实现高效计算：六通道FFT特征提取仅需1毫秒，包含波形等复杂特征的单通道计算也仅需3毫秒，完全满足临床实时调控的需求。
三大临床场景验证：从运动解码到情绪监测
研究团队在运动障碍、抑郁症、癫痫三大领域开展了大规模临床验证，全面展现了平台的实用价值：
在帕金森病与癫痫患者的运动解码中，研究纳入了来自柏林、北京、匹兹堡、华盛顿四个队列的56名患者，涵盖腕旋转、按键、握拳等多种上肢运动任务。结果显示，结合连接组学与CEBRA对比学习的方法表现最优，在跨队列验证中实现0.68±0.09的平衡准确率，且无需任何患者个体训练。值得关注的是，解码性能与帕金森病患者的运动症状严重度呈负相关（Spearman相关系数rho=-0.36，P=0.02），提示神经退行性病变对运动编码的影响；而130Hz深部脑刺激会暂时降低解码性能，需针对性调整模型策略。在两名新招募的帕金森病患者中，预训练模型的运动检测率达0.97，甚至优于同期训练的个体模型。
跨患者、跨队列、跨疾病、跨运动类型和跨刺激条件的运动解码 @Nat. Biomed. Eng
针对8名难治性抑郁症患者，研究通过分析其亚属扣带回皮层（SCC）的局部场电位信号，成功解码了情绪效价（valence）变化。患者观看正负性及中性情绪图片时，平台在刺激后150毫秒即可启动解码，600毫秒达到性能峰值，各类情绪分类的平衡准确率达0.60-0.64。连接组学分析进一步定位到左前额叶-扣带回回路为核心情绪解码网络，该网络与经颅磁刺激的抗抑郁靶点高度重叠。更重要的是，情绪解码性能与患者接受DBS治疗2年后的抑郁评分改善程度显著相关（rho=0.79，P=0.01），为预测治疗效果提供了全新生物标志物。
使用难治性抑郁症患者扣带皮层前部（SCC）的局部场电位（LFP）信号进行情绪解码 @Nat. Biomed. Eng
在癫痫患者的发作检测优化中，研究分析了9名患者超过100小时的响应性神经刺激（RNS）设备数据。通过对检测阈值方向、幅度、持续时间三大参数的网格搜索优化，平台将发作检测的F1分数从传统设置的0.41±0.12提升至0.92±0.06，显著降低了假阳性刺激率。结构连接组学分析还发现，检测性能与双侧颞叶、海马、扣带回的网络连接强度相关（rho=0.42，P=0.02），为定位发作病灶提供了新视角。
用于RNS中癫痫检测的预测参数识别 @Nat. Biomed. Eng
开放共享：加速精准神经疗法落地
为推动临床转化，研究团队已全面开放平台资源：py_neuromodulation的完整代码、文档及教程可通过GitHub获取（文末链接2），跨患者运动解码模型的权重已上传至Zenodo数据库，方便全球科研人员与临床医生直接应用。平台还支持与Alpha Omega等神经刺激设备的API对接，可直接将解码结果转化为刺激指令，实现"解码-调控"的闭环衔接。
研究指出，该平台的推出不仅解决了侵入性脑信号解码的标准化难题，更建立了“脑网络靶点-信号特征-精准调控”的完整技术链条。未来通过前瞻性临床研究的进一步验证，有望在帕金森病动态调节、抑郁症个体化靶点选择、癫痫发作预警等领域实现突破，为千万神经疾病患者带来更精准的治疗方案。
声明：
1.本文主要基于9月24日发表的《Invasive neurophysiology and whole brain connectomics for neural decoding in patients with brain implants》，视频、图片来自论文，播客由AI生成。本文仅用作学术分享，如有侵权请告知删除。
2.本公众号分享的医疗资讯仅供参考，不应被视为医疗建议。在做出任何与健康相关的决定或治疗计划之前，务必咨询合格的医疗专业人员。本文所呈现的信息基于当前的研究和专家观点，随着新证据的出现，这些信息可能会有所变化。
参考：
https://doi.org/10.1038/s41551-025-01467-9
https://github.com/neuromodulation/py_neuromodulation
https://neuromodulation.github.io/py_neuromodulation/
