婴儿痉挛症复发机制新探：基于NA-MEMD的跨通道相位-幅值耦合与脑网络拓扑分析

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Altered Neuronal Networks in Infantile Epileptic Spasms Syndrome: Investigation of Cross-channel Interactions and Relapse

本研究针对婴儿痉挛症（IESS）患者经促肾上腺皮质激素（ACTH）初始治疗有效后仍易复发的临床难题，创新性地采用噪声辅助多元经验模态分解（NA-MEMD）方法分析跨通道相位-幅值耦合（PAC）特征。研究发现，复发组患者在低频段（如α-β）PAC强度显著增强，而高频段（β-γ）PAC减弱，且脑网络呈现高模块化、低全局效率等拓扑异常。该成果为早期识别非结构性IESS患者长期预后提供了客观电生理标志物，对个体化治疗策略制定具有重要意义。

　　

在婴儿神经系统发育的早期阶段，一种名为婴儿痉挛症（Infantile Epileptic Spasms Syndrome, IESS）的年龄特异性癫痫综合征可能悄然出现。这种疾病不仅表现为频繁的癫痫性痉挛发作和高度失律脑电图模式，更对患儿的认知和行为发展构成严重威胁。尽管促肾上腺皮质激素（ACTH）被广泛用作一线治疗方法，但近半数患者在初始发作控制后仍会经历复发，这成为临床实践中亟待解决的难题。

目前，基于脑电图（EEG）的BASED（Burden of Amplitudes and Epileptiform Discharges）评分量表虽被用于评估复发风险，但其依赖主观判读，迫切需要更客观、可靠的定量生物标志物。近年来，神经振荡间的相互作用逐渐受到关注，其中相位-幅值耦合（Phase-Amplitude Coupling, PAC）作为一种重要的跨频率耦合形式，在生理和病理脑功能中均扮演关键角色。然而，大多数PAC研究集中于通道内耦合，而跨通道PAC（即不同脑区节律间的相位-幅值关系）可能更反映大尺度网络动力学，其在IESS复发中的作用尚不明确。

非线性、非平稳的EEG信号分析一直是技术挑战。传统方法如集合经验模态分解（EEMD）在跨通道模态对齐和伪耦合抑制方面存在局限。为此，张楚婷、叶建宏等研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表研究，创新性地将噪声辅助多元经验模态分解（NA-MEMD）与跨通道PAC分析相结合，深入探究IESS复发的神经动力学机制。

关键技术方法概述

研究纳入中国人民解放军总医院2015-2020年采集的IESS患者（复发组26例、未复发组15例）和健康婴幼儿（15例）的静息态EEG数据。采用NA-MEMD对多通道信号进行分解，通过Hilbert变换提取本征模态函数（IMF）的相位和幅值序列，以调制指数（Modulation Index, MI）量化PAC强度，并利用替代检验排除伪耦合。基于显著PAC构建加权有向脑网络，以电极作为节点、PAC强度作为边权，计算聚类系数（C_p）、模块度、全局效率（E_glob）等拓扑指标。通过机器学习模型（如k近邻、线性判别分析等）评估特征对预后的分类效能。

研究结果

1. 仿真验证NA-MEMD优越性

通过设计非线性与非平稳多通道信号模拟实际神经交互，对比NA-MEMD与EEMD的性能。NA-MEMD在跨通道模态对齐方面表现更优，有效抑制了模式混叠引起的伪耦合。

例如，在非线性仿真中，EEMD出现P→X通道的虚假3 Hz-50 Hz耦合，而NA-MEMD精准还原了预设的P→Y最强耦合强度（图2）。非平稳仿真中，EEMD将~10 Hz相位振荡分裂至多通道，产生虚假耦合，而NA-MEMD结果更接近真实交互（图3）。

2. IESS患者跨通道PAC特征异常

研究将PAC合并为6个频段对（表I），其中Freq.1（δ/θ-θ/α）、Freq.3（α-β）和Freq.6（β-γ）显示组间显著差异。

复发组在Freq.3（如T3-C4通道）呈现PAC强度显著增强（复发vs未复发，p=0.034），而Freq.6（如P3-Fp2通道）强度减弱（复发vs未复发，p=0.005），未复发组与健康对照组接近（图5）。空间分析发现，Freq.3的异常耦合集中于颞叶网络（如T3-C4-T5），Freq.6涉及枕叶至前额叶的长程通路（图6），且相关分析提示P3-O1、P3-Fp2等通道可能为信息整合核心节点。

3. 脑网络拓扑重构与预后关联

基于PAC构建脑功能网络，复发组在Freq.6呈现高模块化、低聚类系数和全局效率的特征（图7-8），提示高频段网络趋于局部模块化而整体整合能力下降。未复发组网络特征则更接近健康对照，如模块度显著低于复发组（p=0.049）。

4. 机器学习验证预后预测价值

结合PAC与网络特征（如Freq.6模块度）的分类模型中，广义可加模型（GAM）对IESS与健康对照的区分准确率达94.6%，朴素贝叶斯（NB）对复发/未复发的分类准确率达87.8%（图9），显著优于单一特征模型。

结论与意义

本研究首次通过NA-MEMD驱动的跨通道PAC分析，揭示IESS复发相关的特异性神经振荡交互模式：复发患者存在低频耦合增强与高频耦合减弱的“频率失衡”，且脑网络在高频段呈现模块化重构。这一发现不仅为理解IESS复发的脑网络机制提供了新视角，更通过可量化的电生理指标为早期预后预测提供了新工具。未来扩大样本量并开展纵向验证后，该方法有望指导ACTH治疗后高风险患者的个体化干预策略，改善长期神经发育结局。