脑机接口算法:虚之实把抑郁症 E/I 失衡,从假说算到毫秒级

关注上方,不迷路 抑郁症患者的大脑里,兴奋和抑制正在失衡。这个假说流传了二十多年,氯胺酮的快速抗抑郁作用指向谷氨酸能信号,磁共振波谱报告显示患者皮层GABA减少。 但证据大多停在细胞和区域

关注上方<脑机观澜>,不迷路

抑郁症患者的大脑里,兴奋和抑制正在失衡。这个假说流传了二十多年,氯胺酮的快速抗抑郁作用指向谷氨酸能信号,磁共振波谱报告显示患者皮层GABA减少。

但证据大多停在细胞和区域层面。当我们把镜头拉到宏观脑网络,问一句"全脑的兴奋/抑制比到底有没有变",答案一直是:理论上应该有,但没人能在头皮脑电上定量测出来。

不是因为模型不够好,是因为模型跑不动。

2026年11月初,杭州虚之实科技有限公司为第一单位,在PsyArXiv挂出一篇预印本,标题叫《Excitation-inhibition imbalance in depression and the limits of observability》。

论文用摊销贝叶斯推断,把传统动力学模型逐人拟合的时间从小时级压到毫秒级,让抑郁症的E/I失衡从假说变成了可算参数,117人大队列的个体脑网络参数反推因此第一次变得可行。

读完这篇论文,最感兴趣的不是发现了什么新生物标志物,而是它补上了脑电建模从实验室走到临床的关键一步。

01

抑郁症研究的困局:

要机制就要慢,要快就没机制

过去二十年,脑电领域积累了大量抑郁症的候选标记。alpha功率降低、alpha峰频率偏移、无周期性指数变化。

这些描述符计算很快,秒级出结果,统计上也能区分患者和健康人。但它们有一个共同的局限:是统计摘要,不是机制参数。

一个alpha峰频率的偏移,可能是兴奋增加导致的,也可能是抑制减少导致的,还可能是两者同时变化但比例不同。

频谱描述符告诉你"波形变了",但不告诉你"什么物理量变了",更预测不了"如果施加一个刺激,系统会怎么响应"。

要回答机制问题,需要生成式模型。Wilson-Cowan模型是这类模型的经典代表,它把大脑看作兴奋性和抑制性神经元群体的耦合网络,参数直接对应突触耦合强度和外部驱动。

但传统路线有个致命的瓶颈:像动态因果建模这样的方法,需要对每个人单独做似然优化,一个人跑几小时。上百人的队列研究,算力上不现实。

行业长期卡在一个两难里:要机制就要慢,要快就没机制。

三个核心网络的闭眼静息态功率谱。频谱描述符容易算,但说不清机制。

02

虚之实的pipeline:

三区域Wilson-Cowan + 摊销推断

技术上可以拆成三层。

第一层,模型架构。论文聚焦三个核心网络:默认模式网络、突显网络和注意网络。

每个网络用一个兴奋-抑制耦合的Wilson-Cowan单元描述,九个参数刻画区域内和区域间的耦合关系。这个尺度足够捕捉大尺度网络动态,又足够轻量,适合实时计算。

第二层,摊销推断。这是整篇论文的方法论核心。传统做法是来一个被试,从头拟合一遍。

虚之实的做法是:先建立共享的仿真库,一次性模拟海量参数组合对应的脑电频谱,然后用回归调整的近似贝叶斯计算,把新被试的推理变成一次查表加插值。结果是,每个人的推断时间从小时级压到毫秒级。

速度不是目的。速度是让E/I失衡从假说变成可测参数的前提。以前只能离线研究的Wilson-Cowan参数,现在可以跑在VR头环里实时更新。

第三层,状态观测器。模型标定后,论文用粒子滤波实现了一个实时状态观测器,检测脑网络工作点的突然偏移。中位检测延迟0.008秒。这个能力对闭环刺激至关重要。

状态观测器检测工作点偏移的中位延迟0.008秒

这套pipeline的完整代码、仿真库和配套数据集随预印本同步开源。

03

正面发现:E/I失衡的定量证据

在117名被试(抑郁组22人,对照组95人)的闭眼静息态脑电上,模型给出了三个一致的发现。

第一,在组水平上,抑郁症患者在三个核心网络上都表现出向兴奋偏移的倾向,E/I平衡指数稳定地偏向兴奋侧。

第二,抑制性环路的增益更强,工作点驱动更低。抑郁患者的大脑不是简单地"太兴奋"或"太抑制",而是兴奋-抑制关系的重新配置。

第三,模型推断的默认模式网络共振频率与汉密尔顿抑郁量表评分显著正相关(ρ=0.58,p=0.0007),控制病例状态、年龄和性别后的偏相关仍为0.54。

有意思的是,从同一批脑电记录用标准非参数方法计算的alpha峰频率,与量表评分毫无关联(ρ=0.14,p=0.44)。

模型把共振频率从频谱的背景噪声和峰宽污染中分离了出来,这是传统描述符做不到的事。

模型推断的DMN共振频率与HamD评分相关(ρ=0.58),传统alpha峰频率无关联(ρ=0.14)

04

但论文没有夸大,

它把边界也写进了结果

这篇预印本最不同寻常的地方,是作者花了整整一节篇幅,系统性地报告了模型做不到什么。

模型在区分抑郁症和健康人这件事上,并没有 outperform 简单的频谱描述符。

最好的模型推导量和最好的频谱描述符之间的AUC差异,配对bootstrap检验的结果是0.001,95%置信区间跨过零点,p=0.97。

论文没有硬说模型更好,而是直接给出了区间估计。

逐时刻的潜在状态重建效果有限。状态观测器的平均skill score只有0.045,换句话说,模型很难实时追踪每一毫秒的大脑状态变化。

但这个限制来自模型自身的内在随机性,不是算法不够好。

闭环刺激在剂量匹配后与固定刺激没有显著差异(p=0.12)。

论文没有宣称闭环比开环更准,而是如实报告:闭环的真正价值在于把剂量变成了状态自适应量,但当前设计的控制器还没有把这种潜力转化为精度优势。

这些"没有"不是败笔,反而是硬货的背书。

在预印本里主动暴露边界的研究不多见,虚之实作为一家商业公司愿意这样做,说明它的目标是建立一个可复用、可校准的方法论框架,而不是刷一个漂亮数字。

05

对产业的坐标:

VR+EEG+tES闭环的算法底座

这些发现对虚之实的业务意味着什么?

虚之实的核心产品方向是VR+EEG+tES一体化脑机干预。

VR提供沉浸式认知训练场景,EEG实时读取大脑状态,tES施加经颅电刺激调节神经活动。这三者要形成一个真正的闭环,需要一个能在毫秒级推断个体脑网络状态的算法引擎。

这篇论文提供的正是这个底座。摊销推断让大队列标定成为可能,状态观测器让实时检测成为可能,Wilson-Cowan的参数化让刺激如何改变网络状态从黑箱变成了可解释的物理量。

至于当前模型的边界,组别区分没有超越频谱、状态重建不够完美、闭环优势尚未体现,这些是工程迭代的问题,不是方向性的问题。

论文在Discussion里写了一句很关键的话:闭环控制的改进路径,是让控制器使用被试自己的后验参数,或在线识别扰动。这几乎就是在说下一代产品该往哪走。

写在最后

抑郁症的诊断至今依赖症状报告,没有客观的脑功能指标。

虚之实这篇预印本没有宣称解决了这个问题,但它做了一个扎实的基础工作:

把兴奋-抑制失衡从假说变成了可定量推断的模型参数,把个体化建模从计算不可能变成了毫秒级可行,并且诚实地标出了当前技术能走多远。

在这个领域,知道边界比夸大能力更有价值。

#脑机接口#抑郁症脑机接口#虚之实#计算神经科学#闭环神经调控#非侵入式脑机接口

声明:本文基于以下学术论文素材撰写:Yu, P. et al. Excitation-inhibition imbalance in depression and the limits of observability: cohort-level inference from resting-state EEG with an amortised three-region Wilson-Cowan model. PsyArXiv (2026). https://osf.io/preprints/psyarxiv/5cx93_v2

免责声明:本公众号仅作信息分享之目的,内容仅供参考,不作为专业决策依据。

转载声明:未经许可,一律不接受转载。如需转载,请后台留言咨询。

       原文标题 : 脑机接口算法:虚之实把抑郁症 E/I 失衡,从假说算到毫秒级

(来源:维科网)
免责声明:本文内容来源于第三方或整理自互联网,本站仅提供展示,不拥有所有权,不代表本站观点立场,也不构成任何其他建议,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容, 请及时联系我们进行处理。

相关推荐