脑电图与基底节局部场电位共享的频谱参数区分帕金森病睡眠特异性振荡

Shared Spectral Parameters Between EEG and Basal Ganglia LFP Distinguish Sleep-Specific Oscillations in Parkinson's Disease

作者信息Lisa Hirt, Ruby Martini, Siqun Tang, Michael Summers, Lesile West, Clete Kushida, Stephen V Gliske, Dulce Maroni, Younghoon Nho, Casey H Halpern, Aviva Abosch, John A Thompson
PMID42656011
发布时间2026-09
DOI10.1111/ene.70733

实验完整度

该研究包含多中心患者队列、同步PSG与STN-LFP记录、多模态频谱分析、睡眠分期分类验证等至少两个独立证据层级,并明确包含功能验证(分类器)和机制探讨。

主要模型

帕金森病患者(19例) 丘脑底核局部场电位记录 头皮脑电图记录

重点核对

患者入组标准:经STN DBS手术批准,排除睡眠呼吸暂停需CPAP等 记录时机:术后至少4周,神经刺激器植入前,停用睡眠药物至少2周 记录状态:OFF药物状态,夜间PSG 信号采样率:1375 Hz,后降采样至100 Hz 频谱分析:1-50 Hz,斜率计算30-45 Hz,specparam算法

摘要

背景:在帕金森病中,基底节与皮层节点之间与睡眠相关的振荡动力学可能提示睡眠功能障碍。丘脑底核与人类睡眠回路高度连接,目前是睡眠神经调控的关注靶点。方法:为研究皮层-皮层下相关性活动,我们在19例接受脑深部刺激的帕金森病患者中同步记录了多导睡眠图和丘脑底核局部场电位。我们评估了在多导睡眠图定义的睡眠分期中,丘脑底核局部场电位与脑电图的频谱功率相关性。此外,我们分析了无周期1/f频谱参数(指数和偏移),这些参数已被确定为跨睡眠分期的觉醒标志物。最后,我们在无周期特征上训练分类器,以测试仅1/f结构是否能够从脑电图和丘脑底核局部场电位中恢复PSG定义的睡眠分期。结果:结果揭示了记录模态与睡眠分期之间的显著交互作用。在清醒和快速眼动睡眠期间,丘脑底核局部场电位表现出比头皮脑电图显著更陡的频谱斜率。然而,这种分离随睡眠深度增加而减弱;在N2期斜率更为相似,在N3期发生反转,脑电图变得比局部场电位更陡。跨受试者,无周期成分表现出稳健的状态依赖性和模态差异,丘脑底核局部场电位总体保持更高的指数。仅丘脑底核局部场电位无周期特征对睡眠分期的分类高于偶然水平,且优于头皮脑电图,接近联合模态的上限。结论:这些发现突显了帕金森病中睡眠依赖性神经觉醒调节中不同的皮层下电生理特征。这些见解为针对睡眠功能障碍的侵入性和非侵入性闭环神经调控策略提供了潜在的生物标志物。试验注册:ClinicalTrials.gov标识符:NCT04620551。关键词:基底节、局部场电位、帕金森病、多导睡眠图、睡眠功能障碍。在19例帕金森病和STN-DBS患者中,皮层脑电图和STN LFP的无周期特征在整个多导睡眠图评分的睡眠夜间相互追踪。无周期偏移和斜率区分了清醒与睡眠,而仅STN-LFP特征对睡眠分期的分类准确性与STN-LFP和脑电图联合相当。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
帕金森病患者睡眠期间皮层脑电图与丘脑底核局部场电位的无周期频谱特征(如斜率、指数、偏移)是否相关,以及这些特征能否单独用于分类睡眠分期。
核心机制
无周期频谱特征反映皮层和皮层下网络兴奋-抑制平衡的睡眠依赖性调节,STN-LFP在清醒和REM期表现出更高的指数和更陡的斜率,提示基底节网络在这些状态下的过度兴奋或去抑制。
主要证据
在19例患者中同步记录PSG和STN-LFP,发现LFP指数在清醒和REM期显著高于EEG,NREM期差异减小;仅STN-LFP无周期特征分类睡眠分期的准确率为0.47(p<0.001),优于EEG的0.35,接近联合模态的0.5。
研究意义
无周期特征可能作为神经调控的生物标志物,用于针对睡眠功能障碍的闭环深部脑刺激策略。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

患者入组与数据采集

获取帕金森病患者在睡眠期间的脑电图和丘脑底核局部场电位同步记录。

在3个临床中心招募19例帕金森病患者,在STN DBS术后至少4周,通过外部化导线同步记录视频PSG和STN-LFP。

2

睡眠分期评分

根据PSG信号界定睡眠阶段。

由4名睡眠专家基于9通道EEG、EOG和EMG进行睡眠分期评分,对不一致的epoch进行共识评分。

3

EEG和LFP频谱分析

计算每个epoch的功率谱、斜率及无周期参数(指数和偏移)。

对EEG和LFP数据进行预处理,使用多窗谱估计和specparam算法进行频谱参数化。

4

EEG-LFP相关分析

评估STN-LFP与同侧/对侧EEG频谱的相关性,并检查睡眠阶段和半球差异。

对每个epoch计算STN-LFP频谱与EEG频谱的Pearson相关系数,并分析睡眠阶段和记录侧的影响。

5

无周期特征分类睡眠分期

测试仅使用LFP或EEG的无周期特征(指数和偏移)能否分类PSG定义的睡眠分期。

训练多项逻辑回归分类器,使用LOPO交叉验证,对比EEG-only、LFP-only和combined的性能。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Neuro Omega系统----
美敦力Medtronic--
Lead-DBS软件----
MATLAB软件MathWorks--
specparam算法----
高级归一化工具----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
患者招募
入组标准:经STN DBS手术批准;排除标准:睡眠呼吸暂停需CPAP、先前颅内手术等
阅读提示:Methods 2.1 Patient Population
记录条件
记录时间:术后至少4周;药物状态:OFF药物;刺激状态:无刺激;睡眠药物停用至少2周
阅读提示:Methods 2.2 Data Collection
信号采集
采样率:1375Hz;EEG通道:9个;LFP接触对选择:最佳临床效果
阅读提示:Methods 2.2 Data Collection, 2.6 LFP Preprocessing
睡眠分期
评分者:4名专家;共识一致性:96.6%
阅读提示:Methods 2.3 Sleep Stage Scoring
频谱分析
频率范围:1-50Hz;斜率范围:30-45Hz;多窗参数:NW=3
阅读提示:Methods 2.5 EEG Preprocessing and Spectral Analyses, 2.6 LFP Preprocessing
分类分析
分类器:多项逻辑回归;交叉验证:LOPO;特征:指数和偏移;置换次数:100
阅读提示:Methods 2.10 Leave-One-Participant-Out Classification Analysis