该论文发表于IEEE Transactions on Neural Systems and Rehabilitation Engineering（中科院康复医学一区，IF=4.8），题目为《Uncovering Brain Network Insights for Prognosis in Disorders of Consciousness: EEG Source Space Analysis and Brain Dynamics》。

清华大学电子系郝泽轩博士为该文的第一作者，中国人民解放军总医院第七医学中心神经外科夏小雨主任和清华大学电子系窦维蓓教授为该文的通讯作者。

论文链接：https://ieeexplore.ieee.org/abstract/document/10373974

论文概要

本研究通过脑电图源空间分析和脑动力学方法，对178名意识障碍（DOC）患者的脑网络进行了深入研究，并在6个月的随访期内评估了其预后。利用图论和高阶拓扑分析，发现积极的预后与脑网络中大规模低频超同步的较低水平相关，且这种模式主要受特定状态的驱动。与不良预后的患者相比，预后良好的患者在脑网络中表现出较低的分离度、较高的整合度和更强的稳定性。这些发现为识别预后生物标志物提供了新的视角，并有助于深入理解意识改善或恢复的内在机制。研究背景

意识障碍（DOC）患者的预后评估是神经科学研究中的一项重要挑战。传统上，意识被认为是大脑动态信号协调和分离与整合之间平衡的结果。脑损伤导致的结构断开和功能连接（FC）异常，破坏了支持意识的神经基础，降低了全脑信息传播的能力。低意识状态与网络隔离增加、整合减少、动态丰富性和功能多样性降低有关。此外，大脑信号的时空演化，即大脑动力学，可以通过几种状态来表征，这些状态在时间上过渡并重复出现，每种状态对应不同的FC模式，即特定状态FC。

尽管这些理论为理解意识障碍提供了框架，但EEG脑网络与预后之间的关系，以及不同脑状态下脑网络的预后效用，尚未得到充分探讨。这些知识对于发现新的预后标志物和理解意识恢复机制至关重要。

。研究方法

研究团队首先对脑电信号进行了精确的源定位分析，随后从静态和动态两个维度深入研究了脑网络的功能连接。进一步地，他们运用图论和高阶拓扑分析技术，详细探讨了脑网络的结构特征。

（1）脑电信号源重构

本文选择使用加权最小规范估计（wMNE）进行源定位，并使用加权相位滞后指数（wPLI）进行 FC。并通过“Yan2023”100区域皮层图谱提取区域级时间序列，计算每个大脑区域的平均信号。每个区域被分配到七个已知的静息状态网络（RSNs）中，如视觉网络（VSN）、默认模式网络（DMN）等。接下来，研究通过加权相位滞后指数（wPLI）来表征功能连接（FC），节点代表大脑区域，边值代表连接强度。

（2）静态功能连接

本文首先从静态角度研究了大脑网络。使用复Morlet小波对每个脑区的信号进行卷积，以提取相位信息。该研究特别关注δ波段（1-4 Hz），使用三种不同峰值频率的小波进行分析。将分析信号分割成不重叠的500样本（即2秒）的片段，并计算每个频率、时间片段和区域对之间的连接性。最后，计算各频率和各时程的连通性平均值。两个区域信号之间每个时间窗内的连通性计算方法如下：

其中，N 是窗口大小（即窗口中的时间戳数量），Sxy 表示从 x 和 y 区域的分析信号得出的交叉谱密度。

（3）动态特定状态功能连接

本文通过微状态分析来研究脑网络的动态特征。研究人员首先对EEG信号滤波为δ波段（1-4 Hz），并从每个记录中随机抽取1000个脑电地形图，再使用改进的k均值聚类方法（忽略极性）来确定最佳的微状态类别数量（k*），并将中心点视为这个类别的微状态图。其他时间点的脑电地形图根据与微状态图的绝对空间相关性被分配到相应的微状态类别。最后，使用与静态FC所述类似的程序计算特定状态的 FC。不过，这里的 FC 是针对每个微状态类别分别计算的（将特定微状态类别内的所有样本合并）。

（4）图论和高阶拓扑分析

为了探索不同预后的 DOC 患者脑网络的差异，本文采用了两种图论特征，即聚类系数（CC）和参与系数（PC），来研究组间在功能分离和整合方面的差异。此外，本文还利用高阶拓扑特征，即一维贝蒂数（β₁），β₁ 反映了大脑网络中循环/回路的数量,可以用来评估组间网络稳定性的差异。

研究结果

本文通过对不同预后（6个月随访）的 DOC 患者（n = 178）和25位健康受试者的数据进行研究分析，得出下述结果。

（1）大尺度的低频超同步可推出不良预后

结果表明，在所有网络级别的连通性中，健康受试者的低频神经同步性明显低于 DOC 患者。与病情未改善组相比，改善组在所有网络内和网络间连接中也表现出明显较低的低频同步性。这些结果表明，较好的预后与较低的低频神经同步性有关。亚组分析进一步证实了这一发现。例如，在基线 MCS 和 VS/UWS 亚组中，病情改善组的 VSN-SMN 连接平均值明显低于未改善组，如图1所示。

图2 静态 FC 中病情好转和病情好转患者之间的网络级比较

其中， p 值经 FDR 校正： *p<0.05 和 **p<0.01 。VSN = 视觉网络；SMN = 感觉运动网络；DAN = 背侧注意网络；SAN = 显著性注意网络；LIM = 边缘网络；FPN = 顶叶前网络；DMN = 默认模式网络；FC = 功能连接；MCS = 微意识状态；VS/UWS = 植物状态/无反应清醒综合征。网络级别的 FC 是根据区域到区域的 FC 计算得出的。

（2）只有特定的微状态能用于预后

在本研究中，微状态类别的最佳数量被确定为四个（即k*=4 ）。根据之前的研究，四个微状态图（图 3）被标记为微状态 A、B、C 和 D。耐人寻味的是，只有微状态 B 的 FC（FC_B）在改善组和未改善组之间显示出显著差异。研究结果突出表明，改善组和未改善组之间的差异效应分布并不是在所有时刻都保持在同一水平，而是在特定的大脑状态下更为明显。

图3 微状态图和特定状态下组间FC比较

此外，本文还发现，δ波段和宽带（1-45 Hz）微状态图之间具有显著的空间相似性（皮尔逊相关系数大于 0.98）。然而，当这些δ段微状态图应用于δ段和宽带信号时，微状态时间序列的平均重叠率仅为 58.4%（SD = 13.1%）。这些结果表明，不同频段内的微状态时序表现出很高的变异性，突出表明从一个频段获得的微状态时序在其他频段中的应用效果有限。

（3）病情改善患者的脑网络整合性和稳定性更强

与未改善的患者相比，改善的患者表现出明显较低的CC、更高的PC以及更大的β₁（图4）。在其他三种脑状态中没有观察到明显的差异。对于静态脑网络，发现 CC、PC 和 β₁ 的模式与微状态 B 相似。

图4 病情改善和未改善患者的FC_B比较

（4）不同特征的重要性不同

为了评估某一特征在考虑其他特征时的重要性，本文采用了模型依赖法（即多变量逻辑回归）和模型诊断法（即 SHAP 值）。在逻辑回归分析中，本文选择了在单变量检验中与患者预后（好转与未好转）显著相关的特征。如图 5 所示，在考虑了特征间的线性效应后，发现病因、伤后时间和 FC_B与预后显著相关。有趣的是，与之前的研究不同，当年龄作为协变量被引入模型时，它并不是一个重要的预测因子。

图5 使用逻辑回归和 SHAP 值进行特征重要性分析

其中，T=病因；TPI=伤后时间；BD=基线诊断；FC=功能连接；FC_B=微状态B的功能连接；OR=奇数比；DNN=深层神经网络；SHAP=夏普利加法解释；红色表示特征与结果的正相关，蓝色表示负相关。

本文还建立了DNN模型，利用临床特征和脑电图网络级连接性进行预测，并使用 SHAP 方法评估每个特征的重要性。如图 5 所示，根据 SHAP 值，对预后预测最重要的前五个特征包括两个临床特征（病因和基线诊断）和三个 FC_B平均连接性（DMN-SMN、VSN-DAN 和 DMN-VSN）。在排名前十的特征中，FC特征占了八个，只有两个是静态FC特征，分别排名第六（VSN-FPN）和第八（SMN-VAN）。DNN 模型在不良和良好预后之间达到了可接受的预测能力（AUC = 0.714）。研究结果强调了病因和特定状态 FC（FC_B），尤其是DMN 和 VSN的连通性在预后预测中的重要性。

结论

本研究通过分析植物状态患者的脑电图数据，发现δ波段的超同步性减弱与患者预后的改善相关，而微状态B在这一过程中起着关键作用。此外，特定状态的功能连接（FCB）相较于静态功能连接（FC）在预测预后方面更为有效，且默认模式网络（DMN）和视觉网络（VSN）的连通性对预后具有显著影响。这些发现为DOC患者的预后评估提供了新的生物标志物，并揭示了其潜在的神经机制。

撰写整理 陆文涛

审稿校稿 潘家辉