基于强化学习的闭环脑电-经颅磁刺激的首次实现
机器学习
2026-02-09 v1
摘要
背景：经颅磁刺激（TMS）是研究人脑神经生理学和治疗脑部疾病的强大工具。传统上，治疗性TMS采用一刀切的方法，忽略了个体间和个体内的差异。脑状态依赖的脑电-经颅磁刺激（EEG-TMS），例如将TMS与感觉运动mu节律的预设相位耦合，能够根据目标相位诱导不同的神经可塑性效应。但这种方法仍然依赖于使用者，因为它需要预先定义目标相位。目标：提出一种基于机器学习的闭环实时EEG-TMS装置的首次实现，以独立于使用者地识别与高/低皮质脊髓兴奋性状态相关的个体mu节律相位。方法：我们对25名参与者应用EEG-TMS，靶向辅助运动区-初级运动皮层网络，并使用强化学习算法识别与高/低皮质脊髓兴奋性相关的mu节律相位。我们采用线性混合效应模型和贝叶斯分析来确定强化学习对皮质脊髓兴奋性（以运动诱发电位幅度为指标）和功能连接性（以静息态脑电相干性的虚部为指标）的影响。结果：强化学习有效地识别了与高/低兴奋性状态相关的mu节律相位，并且它们的重复刺激导致受刺激的感觉运动网络功能连接性的长期增加与减少。结论：我们首次证明了闭环EEG-TMS在人类中的可行性，这是迈向脑部疾病个体化治疗的关键一步。
引用
@article{arxiv.2602.06907,
title = {A first realization of reinforcement learning-based closed-loop EEG-TMS},
author = {Dania Humaidan and Jiahua Xu and Jing Chen and Christoph Zrenner and David Emanuel Vetter and Laura Marzetti and Paolo Belardinelli and Timo Roine and Risto J. Ilmoniemi and Gian Luca Romani and Ulf Zieman},
journal= {arXiv preprint arXiv:2602.06907},
year = {2026}
}