支持向量机在带状疱疹相关性疼痛患者神经调控状态识别中的应用

Application of support vector machine in identifying neuromodulation states in patients with zoster-associated pain

摘要

目的 脊髓电刺激(spinal cord stimulation，SCS)是治疗难治性带状疱疹相关性疼痛(zoster-associated pain，ZAP)的常用方法。传统开环调控模式主要依赖患者主观反馈进行人工参数调节，而闭环调控模式的SCS临床应用尚不成熟，其优化与完善仍需进一步探索。已有研究发现SCS可影响脑电功能连接特征。本研究旨在探讨基于脑电功能连接特征的支持向量机(support vector machine，SVM)能否有效识别SCS的不同调控状态。 方法 回顾性纳入21例行SCS治疗的ZAP患者，记录置入SCS治疗前，出院时，术后1、3、6个月的疼痛视觉模拟评分法(Visual Analogue Scale，VAS)评分。采集SCS开启(SCS-on)和关闭(SCS-off)状态下5~10 min的脑电数据，将脑电数据按7∶3随机划分为训练集和测试集。提取脑电特征导联的皮尔逊相关系数(Pearson correlation coefficient，PCC)及相干性(coherence，COH)，构建基于SVM的分类模型。采用准确率、灵敏度、特异度及受试者操作特征曲线下面积(area under the curve，AUC)作为评估指标，验证模型对SCS-on与SCS-off 2种脑电状态的识别效果；采用夏普利加性解释(Shapley additive explanations，SHAP)方法分析各脑电特征对SVM模型预测的贡献度和作用方向。 结果 SCS能够有效缓解ZAP患者的疼痛，患者经SCS治疗后，在出院时及术后1、3、6个月的VAS评分均显著低于治疗前，差异均有统计学意义(均P<0.001)。不同核函数SVM识别SCS调控状态的结果显示：径向基核SVM准确率为0.912，灵敏度为0.927，特异度为0.893，AUC为0.972；线性核SVM准确率为0.677，灵敏度为0.714，特异度为0.665，AUC为0.744。SHAP分析结果显示：对模型分类结果贡献最为显著的前20个关键特征均为COH特征；beta频段中O₂-F₈、FP₂-F₇电极对的COH对模型预测的贡献度最高，且二者数值的升高与SCS-on状态呈正相关；而theta频段P₄-P₈电极对的COH则与SCS-off状态密切相关。 结论 基于脑电功能连接特征的SVM模型能够识别ZAP患者SCS不同调控状态，提示SCS可能引起脑功能连接特征发生改变，为今后研究基于脑电闭环调控SCS提供了基础。

Abstract

Objective Spinal cord stimulation (SCS) is a commonly used treatment for refractory zoster-associated pain (ZAP). The conventional open-loop regulation mode mainly relies on patients’ subjective feedback for manual parameter adjustment, whereas the clinical application of closed-loop SCS regulation remains immature and requires further optimization. Previous studies have shown that SCS can influence electroencephalography (EEG) functional connectivity. This study aims to investigate whether a support vector machine (SVM) based on EEG functional connectivity features can effectively identify different neuromodulation states of SCS. Methods A total of 21 patients with ZAP who underwent SCS treatment were retrospectively included. Visual Analogue Scale (VAS) scores were recorded before SCS implantation, at discharge, and at 1, 3, and 6 months postoperatively. EEG data lasting 5-10 minutes were collected under SCS-on and SCS-off conditions. The EEG data were randomly divided into a training set and a test set at a ratio of 7∶3. Pearson correlation coefficient (PCC) and coherence (COH) between EEG feature channels were extracted to construct an SVM-based classification model. Model performance in distinguishing SCS-on and SCS-off EEG states was evaluated using accuracy, sensitivity, specificity, and the area under the receiver operating characteristic curve (AUC). Shapley additive explanations (SHAP) were used to interpret the SVM model by analyzing the contribution and direction of each EEG feature to the model prediction. Results SCS effectively alleviated pain in patients with ZAP. Compared with baseline, VAS scores were significantly reduced at discharge and at 1, 3, and 6 months after SCS treatment (all P<0.001). The classification performance of SVM with different kernel functions for identifying SCS neuromodulation states showed that the radial basis function kernel SVM achieved an accuracy of 0.912, sensitivity of 0.927, specificity of 0.893, and AUC of 0.972, whereas the linear kernel SVM achieved an accuracy of 0.677, sensitivity of 0.714, specificity of 0.665, and AUC of 0.744. SHAP analysis showed that the top 20 most influential features contributing to the classification results were all COH features. In the beta frequency band, the COH between electrode pairs O₂-F₈ and FP₂-F₇ contributed most strongly to the model prediction, and increases in these values were positively associated with the SCS-on state. In contrast, the COH of the P₄-P₈ electrode pair in the theta frequency band was closely associated with the SCS-off state. Conclusion The SVM model based on EEG functional connectivity features can effectively identify different neuromodulation states of SCS in patients with ZAP. These findings suggest that SCS may induce alterations in brain functional connectivity and provide a basis for future studies on EEG-based closed-loop SCS regulation.

Graphical abstract

关键词

脊髓电刺激 / 带状疱疹相关性疼痛 / 脑电图 / 功能连接 / 支持向量机

Key words

spinal cord stimulation / zoster-associated pain / electroencephalography / functional connectivity / support vector machine

导 读

带状疱疹(herpes zoster，HZ)是人类古老的病毒感染性疾病，人类对其认识可追溯至数千年前。中国西汉马王堆汉墓《五十二病方》(约公元前200年)中记载的疑似“缠腰火丹”的皮肤疱疹病症，是目前所知道的中医对本病的最早文字记录。现代医学证明HZ的病原体为水痘-带状疱疹病毒(varicella zoster virus，VZV)，人是VZV的唯一宿主。初次感染VZV后，表现为水痘或呈隐性感染，以后VZV可长期潜伏在感觉神经节(主要是脊髓背根神经节和三叉神经节)中。当机体免疫力低下或免疫防御功能受损(如极度疲劳、恶性肿瘤、慢性传染病、HIV感染、器官移植后长期使用免疫抑制剂)时，VZV可再度被激活，并沿感觉神经扩散，引起相应神经支配区域皮肤的炎症反应，其特征是沿感觉神经相应节段分布的成簇皮肤疱疹，常伴有明显的神经痛症状。大多数HZ急性期患者经过及时、合理的治疗，可以达到临床治愈。而部分患者在皮肤疱疹完全愈合后仍遗留或再次出现疼痛，发展为带状疱疹后神经痛(postherpetic neuralgia，PHN)。PHN以顽固的长期疼痛为临床特点，长期的疼痛不仅会影响患者的睡眠及生活质量，还可导致焦虑、抑郁，甚至使其产生自杀的意念。该病是严重危害人类健康的顽症之一，给社会造成了巨大的经济负担，患者家庭也受到了困扰，可能导致疼痛灾难化。临床上将HZ急性期、亚急性期及PHN等不同疾病阶段出现的神经病理性疼痛统称为带状疱疹相关性疼痛(zoster-associated pain，ZAP)。

目前关于该病的研究报道主要集中在其发病机制及治疗手段。ZAP的发病机制比较复杂，以中枢敏化与外周敏化为关键，不同病程可能存在多种机制重叠。对于不同病程的优先治疗方案，国内外尚无充足的证据链，尤其是PHN阶段，治疗效果往往达不到预期。疼痛治疗是临床上处理ZAP的重点，也是研究的重点。目前临床上治疗ZAP常用的药物包括钙通道调节药(如普瑞巴林、加巴喷丁)、抗抑郁药、阿片类镇痛药、非麻醉性镇痛药等。除药物治疗外，神经调控治疗是目前临床上治疗ZAP的有效手段。外周神经电刺激、脊髓电刺激、背根神经节脉冲射频调节、重复经颅磁刺激等是临床上比较常用的神经调控治疗方法。此外，中医中的针灸也可以通过外周神经-免疫网络的刺激发挥镇痛作用。镇痛药、激素、神经营养药及生物因子等药物体现了药物治疗的多样性，肋间、椎旁、神经节及硬膜外等靶点体现了神经阻滞治疗的多样性，射频、神经电刺激等微创介入手段则为难治性ZAP提供了更为精准的干预手段。

《带状疱疹相关性疼痛专题》刊发来自全国部分医疗机构的临床研究论文，旨在引起临床与科研工作者对这一危害人类数千年却至今未能被完全攻克的古老疾病的关注。同时，期待更多基础研究学者与临床医生携手，深入探索其发病机制、疾病转归规律及防治策略，并致力于新型治疗技术与药物靶点的开发。

(中南大学疼痛医学研究所 阎雪彬教授；浙江大学医学院附属第一医院 冯智英教授)

带状疱疹相关性疼痛(zoster-associated pain，ZAP)是带状疱疹患者在出疹前、出疹时及疱疹愈合后存在的神经病理性疼痛^[1]。流行病学调查^[2]显示中国每年带状疱疹的患病率约为7.7%，ZAP是带状疱疹患者就诊的首要原因。若ZAP在发病早期未能得到及时有效控制，不仅会严重影响患者的生活质量和工作能力，还会给家庭及社会带来沉重的经济负担^[3-5]。此外，病程迁延可进一步发展为慢性顽固性疼痛——带状疱疹后神经痛(postherpetic neuralgia，PHN)，使治疗难度显著增加。

目前临床上尚无针对ZAP显著有效的治疗方案，药物治疗仍是缓解ZAP最基本的方法^[1]。据报道^[6]，超过60%的ZAP患者可能对药物产生耐药，不能充分缓解疼痛。此外，大剂量长疗程的药物治疗可能带来一系列不良反应，如头晕、恶心、呕吐、便秘，甚至增加患心血管疾病的风险^[7]。脊髓电刺激(spinal cord stimulation，SCS)是一种神经调控方法，已被美国食品药品监督管理局(Food and Drug Administration，FDA)批准应用于多种神经病理性疼痛疾病。SCS具有微创、可逆、安全、相对于药物治疗不良反应少、治疗效果持久的优点^[8]，在难治性ZAP患者中显示出较好的安全性及疗效^[9-10]。尽管SCS能够缓解部分难治性神经病理性疼痛，但是仍存在诸多局限，如疼痛控制不理想、镇痛效果逐渐减弱、感觉不适等。目前应用的大部分是传统的开环SCS，需要依靠人工反复调整电刺激参数。

目前SCS的镇痛机制尚未明晰，主要以经典的“闸门控制理论”为基础，但该理论并不能解释其全部作用机制。临床研究^[11]发现SCS可以引起慢性疼痛患者脑电图(electroencephalography，EEG)特征发生改变。SCS不仅可能调节疼痛的感觉成分，还可能作用于疼痛的情绪体验、情感反应和动机维度等更为复杂的层面^[12-15]。此外，SCS的适应证从疼痛逐步扩展到意识障碍、运动功能障碍等多种疾病。这进一步提示“脊髓上机制”也是SCS重要的作用机制之一。

本研究通过纳入置入SCS治疗的ZAP患者，采集不同神经调控状态(SCS关闭/开启)下的静息态EEG数据，提取EEG功能连接特征，探讨基于EEG特征构建的支持向量机(support vector machine，SVM)模型对SCS的不同调控状态的识别能力，旨在为今后进一步研究开发SCS神经病理性疼痛闭环调控系统提供基础。

1 对象与方法

1.1 伦理声明

本研究为临床回顾性研究，已获得南华大学附属长沙中心医院伦理委员会批准(审批号：2022-S0152)，符合《赫尔辛基宣言》的伦理原则，所有研究对象均签署了知情同意书。

1.2 对象

纳入南华大学附属长沙中心医院2022—2023年诊断明确的ZAP患者。患者均为保守治疗无效或不良反应难以耐受的中重度疼痛，拟接受短时程SCS置入术来缓解疼痛。完善相关检查，排除手术禁忌证，并于术前1 d重新评估患者疼痛程度，向患者及家属充分说明治疗过程及治疗风险、潜在并发症。

纳入标准：1)经正规治疗后，疼痛视觉模拟评分法(Visual Analogue Scale，VAS)评分≥5的ZAP住院患者；2)短时程置入SCS治疗，留置时间为7~15 d；3)刺激模式均为传统的低频刺激(刺激频率为50 Hz)；4)年龄为>18~<80岁，右利手。

排除标准：1)其他疾病所致神经病理性疼痛与ZAP的范围一致或交叉；2)妊娠，患有恶性肿瘤、精神病、严重的心脑血管疾病，合并其他慢性疼痛、肝肾功能不全、凝血功能障碍，存在脊柱结核及占位；3)伴有偏头痛，存在头部外伤史；4)疱疹累及三叉神经分支；5)无法沟通及无法耐受手术，不能或不愿配合完成研究；6)因电极移位和感染导致治疗中断。

中途退出：如果患者要求中途退出或患者在研究过程中出现任何身体不适、生命体征不稳定等情况，研究者可基于医学安全角度考虑，建议患者退出研究。

1.3 方法

1.3.1 SCS手术治疗

术前常规禁饮禁食，必要时术前口服镇静剂。患者取俯卧位，给予心电监护、低流量吸氧。根据患者疼痛部位判断受累神经节段，选择相应棘突间隙为穿刺点。常规消毒铺巾，1%利多卡因局部麻醉，硬膜外穿刺针针尖斜面向上穿刺，沿椎板间隙加压进针，直到阻力消失有落空感，回抽无血液和脑脊液，表示针尖已突破黄韧带进入硬膜外腔。置入电极(NO.3873；美国Medtronic公司)，不断调整电极方向至正确位置，在X线下显示电极位于棘突外侧，椎弓根内侧的目标区域，侧位显示电极位于硬膜外腔后间隙。连接刺激器，根据患者反应调节触点、频率、脉宽及电压等参数，直至患者原有疼痛区域完全被酥麻感覆盖，再将电极妥善固定。为防止电极位置移动，通常叮嘱患者术后卧床休息48 h，定时换药并检查电刺激穿刺及固定部位伤口有无感染迹象，根据患者的反应及时调整电刺激参数，持续刺激为7~15 d。使用传统的低频刺激模式，频率为50 Hz，脉宽范围为450~500 μs，电流设定为0.5~3.5 V。

1.3.2 临床观察指标

1)一般指标：记录患者的性别、年龄、带状疱疹分布区域及持续时间、合并症、药物使用情况、SCS留置时间、住院时间、SCS留置期间的不良反应(伤口感染、电极移位等)。

2)疼痛评估：采用VAS评分对患者治疗前及治疗后的4个时间点进行疼痛评估。0分代表没有疼痛，10分代表剧烈疼痛；1~3分代表轻度疼痛，疼痛较轻微，不影响入睡；4~6分代表中度疼痛，已经影响睡眠；7~10分代表重度疼痛，疼痛导致无法入睡。评估时间点为治疗前(SCS置入前1 d)、出院时、术后1个月、术后3个月、术后6个月。出院后均以电话随访的形式对疼痛程度进行评估。

1.3.3 实验设备及EEG采集

采用美国OpenBCI公司生产的16导联脑电采集EEG，该设备由电极帽、信号放大器以及专用接收软件OpenBCI GUI构成。电极的安放位置遵循国际公认的10~20系统。电极名称依次为FP₁、FP₂、C₃、C₄、P₇、P₈、O₁、O₂、F₇、F₈、F₃、F₄、T₇、T₈、P₃、P₄，16个电极分别与放大器上的16个通道相连接，Cz通道为参考电极，Fpz通道为接地电极。参考电极通道固定于双耳乳突处，具体电极位置见图1。采样频率设定为125 Hz，且设备自带50 Hz陷波器以及带通频率可调节的带通滤波器。

EEG采集流程：接受SCS治疗的ZAP患者在SCS置入4~5 d后，分别采集SCS开启(SCS-on)即治疗状态(刺激覆盖整个疼痛区域且刺激在疼痛区域引发麻木感，但未达到引起疼痛的程度)及SCS关闭(SCS-off)状态下的静息态EEG信号。具体操作如下：首先关闭电刺激30 min，随后采集5~10 min闭眼状态下的静息态EEG。之后开启电刺激，并调整电刺激参数，确保刺激覆盖整个疼痛区域。待患者适应3~5 min后，再次采集5~10 min闭眼静息态EEG。采集前，需对研究对象前额及颞区皮肤进行清洁处理，为其佩戴尺寸合适的电极帽，注入导电膏，并调整所有电极，使其阻抗低于10 kΩ。采集过程中，患者需处于安静环境，闭目且保持清醒状态，避免出现体动、言语表达或眨眼等行为。

1.3.4 EEG预处理

采用Matlab软件(美国MathWorks公司)及EEG LAB软件进行数据处理与分析^[16]。首先，对EEG数据进行1~45 Hz带通滤波，同时采用50 Hz的陷波滤波消除工频干扰。随后，将连续的EEG数据按照5 s一段进行分段及基线校正，自动删除振幅超过 ±80 μV的数据段。人工目视检查各导联的每个数据段，删除含明显眼动伪迹、肌电伪迹的污染数据段。对坏导进行插值处理，为严格控制数据质量，若某个患者的坏导数量超过2个，则不纳入后续分析。最后，以所有电极信号的平均值作为重参考标准，完成重参考。

最终纳入21例患者的EEG数据开展后续分析。经预处理后，在SCS-on状态下，每例患者的有效EEG数据时长为(460.238±61.434) s；在SCS-off状态下，每例患者的有效EEG数据时长为(425.524±60.460) s。为满足机器学习模型的输入要求，本研究将EEG信号按每5 s划分为1个样本，最终获得1 926个SCS-on的EEG样本、1 786个SCS-off的EEG样本，对应每名研究对象保留(91.810±12.291)个SCS-on的EEG样本、(85.104±12.092)个SCS-off的EEG样本。

依据EEG生理节律特征，将EEG信号划分为5个典型频段：delta频段(1.0~<4.0 Hz)、theta频段(4.0~<8.0 Hz)、alpha频段(8.0~<13.0 Hz)、beta频段(13.0~<30.0 Hz)及gamma频段(30.0~45.0 Hz)。

1.3.5 EEG特征提取

1)皮尔逊相关系数(Pearson correlation coefficient，PCC)用于衡量2个变量的线性关系，值为+1~-1，+1为线性正相关，-1为线性负相关，0为线性不相关，PCC的绝对值越大，相关性越强^[17]。

2)相干性(coherence，COH)反映EEG信号之间的相互关系，用于测量2个EEG信号在频率域上的相关度，取值范围为[0，1]，值越大表明2个信号在该频率下的相关性越强。与PCC类似，COH仅能反映2个信号的线性相关性。

本研究运用Python3.8中的mne工具包^[18]，针对所有患者脊髓刺激开启(SCS-on)与关闭(SCS-off)2种状态下的EEG样本，首先计算全频段(1~45.0 Hz)内配对电极的PCC，获得1×120维的PCC特征向量；随后分别针对delta、theta、alpha、beta及gamma 5个特征频段，计算各频段内配对电极的COH，每个频段对应1×120维的COH特征向量。最终，整合全频段PCC特征与各频段COH特征，共获得1×720维(120×5+120×1)的EEG特征向量矩阵。

1.3.6 机器学习

此研究的机器学习分析基于Python 3.8环境，采用Scikit-learn开源工具包实现SVM模型的构建及其相关功能^[19-21]。具体模型训练与测试流程及参数设置如下。

数据划分：采用train_test_split函数将原始数据集(含1 926个SCS-on样本、1 786个SCS-off样本)按7꞉3的比例随机划分为训练集(70%)与测试集(30%)。数据划分的基本单位为“样本”而非“研究对象”，可避免因被试个体差异直接引入分组偏差，从而保障训练集与测试集的类别分布均衡。此外，为防止同一研究对象的多个样本同时分布于训练集和测试集而导致模型过拟合于该研究对象的个体特征，进一步引入按研究对象分层的随机划分策略。该策略在样本层面随机划分的基础上，确保每位研究对象的所有样本也按相同比例(7꞉3)被分配至训练集与测试集。

特征预处理与模型构建：在模型训练前，采用StandardScaler对所有样本的特征数据进行标准化处理^[22]，使每个特征维度的数据均值为0，标准差为1，其变换函数如式(1)所示。其中，x^*为标准化的特征值，x为原始的特征值，μ为该特征所有样本数据的均值，\delta为标准差。在此基础上，分别构建基于径向基核函数(radial basis function，RBF)与线性核函数的SVM二分类模型，用于识别SCS-on与SCS-off 2种状态。

x^{\mathrm{*}}=\frac{x-\mu }{\delta }(1)

超参数优化：采用网格搜索结合五折交叉验证(5-fold cross-validation，5-fold CV)策略对SVM模型的超参数进行寻优，以交叉验证的平均分类准确率为评价指标选取最优超参数。结合模型特性与实际需求，设计涵盖线性核与径向基核对应关键参数的搜索空间。包括线性核SVM，仅优化惩罚系数C，其搜索范围为[0.1, 0.5, 1, 10, 100]；径向基核SVM，同步优化惩罚系数C与核函数参数gamma，其中C的搜索范围为[0.1, 0.5, 1, 10, 100]，gamma的搜索范围为[0.001, 0.01, 0.1, 1, ‘scale’, ‘auto’]。最终确定的最优超参数组合为RBF核，C=10，gamma=0.1；线性核，C=1。

模型评价指标及夏普利加性解释(Shapley additive explanations，SHAP)分析：在本研究中，真阳性(true positive，TP)指预测及实际均为SCS-on的样本个数；假阳性(false positive，FP)指实际为SCS-off却预测为SCS-on的样本个数。假阴性(false negative，FN)指预测为SCS-off而实际为SCS-on的样本个数；真阴性(true negative，TN)指实际及预测均为SCS-off的样本个数。采用准确率、灵敏度、特异度、曲线下面积(area under the curve，AUC)指标来评价不同核函数SVM在识别SCS不同状态中的表现，各指标的计算公式详见表1。此外，应用SHAP方法对SVM模型进行特征贡献度分析。通过计算各特征的平均绝对SHAP值以量化其整体贡献，值越高表明该特征对模型预测的影响越大。通过SHAP值揭示特征与预测结果的关系。较大的SHAP值提示该特征对预测的正向影响，而较低的值则可能表示较小或负向的影响^[23]。

1.4 统计学处理

采用GraphPad Prism 9.0统计学软件进行数据分析。对于计量资料(包括年龄、术前疼痛评分、术后不同时间点疼痛评分、SCS留置天数等)，采用Shapiro-Wilk检验评估其正态性。经检验符合正态分布的数据以均数±标准差表示，计数资料(包括性别、疼痛区域分布、病程分期等)以例数表示。

对于术后不同时间点疼痛评分与术前基线评分的比较，通过Shapiro-Wilk检验验证各时间点疼痛评分的正态性，并采用Levene检验评估方差齐性。若数据同时符合正态分布且方差齐性，采用单因素重复测量方差分析进行统计检验，多重比较采用Bonferroni校正，分析术后各时间点与术前基线的差异。若数据不满足正态性或方差齐性假设中的任一条件，则采用Kruskal-Wallis检验。P<0.05为差异具有统计学意义。

2 结 果

2.1 一般资料

共纳入21例ZAP患者，年龄为(66.43±9.51)岁，其中男性12例，女性9例。13例(61.9%，13/21)患者的疼痛区域在胸部，3例(14.3%，3/21)在颈部，5例(23.8%，5/21)在腰部。57.1%的患者处于疱疹病毒感染的亚急性期，疾病持续时间为1~3个月，42.9%的患者处在PHN阶段，疼痛持续时间超过3个月。所有患者在置入SCS前均有中至重度的疼痛，SCS的留置天数为11.333±1.958。患者的具体信息见表2。

2.2 临床疗效

患者治疗前VAS评分为7.714±1.419，出院时VAS评分为4.043±1.530，术后1个月VAS评分为4.190±1.842，术后3个月VAS评分为3.952±1.932，术后6个月VAS评分为3.714±2.369。与治疗前相比，出院时及术后1、3、6个月的VAS评分均明显降低，差异均有统计学意义(均P<0.001)。

2.3 分类结果评价

不同核函数SVM识别SCS调控状态的结果显示：径向基核SVM准确率为0.912，灵敏度为0.927，特异度为0.893，AUC为0.972；线性核SVM准确率为0.677，灵敏度为0.714，特异度为0.665，AUC为0.744。

2.4 基于SVM的SHAP分析

SHAP特征重要性图(图2A)显示，对模型分类结果贡献最为显著的前20个关键特征均为COH特征，其中beta频段的O₂电极与F₈电极的COH(COH_beta_O₂_F₈)及FP₂电极与F₇电极的COH(COH_beta_FP₂_F₇)对模型预测的全局贡献度最高(平均绝对SHAP值位列前2)。SHAP蜂群图(图2B)显示，beta频段的O₂电极与F₈电极COH(COH_beta_O₂_F₈)的SHAP值分布最广，该特征取高值时(红色点)对应的SHAP值越趋向正方向，表明其值增大时，模型越倾向于预测为“SCS-on状态”。类似地，beta频段的FP₂电极与F₇电极的COH(COH_beta_FP₂_F₇)特征SHAP值以正向为主，表明其值增大时，模型越倾向于预测为“SCS-on状态”。而theta频段内P₄与P₈电极相干性(COH_theta_P₄_P₈)特征SHAP值以负向为主，提示该特征值增大时，模型更倾向于预测为“SCS-off状态”。

3 讨 论

EEG功能连接分析为理解神经系统疾病的机制提供了重要视角^[24]，而基于EEG功能连接特征的机器学习方法已在多种神经系统疾病的识别中展现出潜力^[25-28]。本研究旨在探索一种能够客观区分SCS开启与关闭状态的新方法。值得注意的是，即使传统统计学分析未能揭示组间差异具有统计学意义，先进的机器学习算法仍能从相同的EEG数据中识别出有效的模式，从而区分不同的疼痛表型^[29]。同时，有证据^[30]表明SCS能够改变慢性疼痛患者的EEG COH特征。基于上述背景，本研究未依赖传统统计学方法进行特征筛选，而是直接提取全脑的PCC及COH特征构建SVM模型。结果显示，该模型区分SCS-on与SCS-off状态的准确率达到0.912。这表明在这2种状态下，存在可被机器学习捕捉的、不同的EEG活动模式，提示SCS对脊髓上水平的脑功能活动产生了影响。为进一步阐明SVM模型的决策机制，本研究采用SHAP方法进行特征贡献度分析。结果显示，beta频段O₂-F₈与FP₂-F₇电极对的相干性对模型预测贡献最大，且其SHAP值以正向为主。这表明SCS开启可能伴随beta频段O₂-F₈和FP₂-F₇相干性的增强。然而，本研究的高准确率仅证明了状态的可区分性，模型本身并未直接建立这些特定EEG连接变化与镇痛效果(如VAS评分下降)之间的因果关联。因此，这些特征变化与SCS镇痛效应的具体关系，尚待未来研究明确。

近年来，以实现精准调控为目标的SCS闭环管理策略受到关注，例如通过记录诱发复合动作电位来实时调节刺激参数^[31]。相对于其他神经影像学及电生理学方法，EEG具有应用成本低、无创、操作简单、时间分辨率高等优势，已被应用于脑机接口。在本研究中，基于EEG功能连接特征构建的SVM模型能较准确地区分SCS 2种不同的调控状态，为未来利用EEG信号探索SCS闭环调控提供了基础。

本研究尚存在局限性：第一，样本量有限且缺乏独立外部验证，模型的泛化能力有待进一步验证。机器学习模型在小样本下易出现过拟合，其表现可能无法推广到更广泛的人群。未来的核心任务是在更大规模的独立队列中严格验证模型的稳定性。尽管临床EEG数据获取困难且个体差异大，但未来通过引入迁移学习等先进策略，有望克服这一瓶颈，提升模型的跨个体适用性。第二，模型的临床适用范围较窄。本研究仅验证了传统50 Hz低频刺激模式下的效果，而临床上高频、暴发式等不同刺激策略^[32]可能引发不同的EEG响应。未来需纳入多模式刺激数据，以增强模型的普适性和临床实用性。第三，本研究仅完成了“状态识别”，未能建立所识别的EEG模式与临床镇痛疗效之间的桥梁。后续研究将追踪这些EEG特征变化，并分析其与患者疼痛评分改善的相关性，确立该工具在疼痛管理中的实际应用价值。

综上所述，基于EEG功能连接特征的SVM模型能够识别ZAP患者SCS不同调控状态，提示SCS可能引发脑功能连接特征发生改变，为今后研究基于EEG闭环调控SCS提供基础。

参考文献

[1] 于生元, 万有, 万琪, 等. 带状疱疹后神经痛诊疗中国专家共识[J]. 中国疼痛医学杂志, 2016, 22(3): 161-167.

[2] YU Shengyuan, WAN You, WAN Qi, et al. China expert consensus on diagnosis and treatment of postherpetic neuralgia[J]. Chinese Journal of Pain Medicine, 2016, 22(3): 161-167.

[3] Yang F, Yu SY, Fan BF, et al. The epidemiology of herpes zoster and postherpetic neuralgia in China: results from a cross-sectional study[J]. Pain Ther, 2019, 8(2): 249-259.

[4] Pan CX, Lee MS, Nambudiri VE. Global herpes zoster incidence, burden of disease, and vaccine availability: a narrative review[J]. Ther Adv Vaccines Immunother, 2022, 10: 25151355221084535.

[5] Koshy E, Lu MT, Kumar H, et al. Epidemiology, treatment and prevention of herpes zoster: a comprehensive review[J]. Indian J Dermatol Venereol Leprol, 2018, 84(3): 251-262.

[6] Li Y, An ZJ, Yin DP, et al. Disease burden due to herpes zoster among population aged ≥50 years old in China: a community based retrospective survey[J/OL]. PLoS One, 2016, 11(4): e0152660[2025-09-02].

[7] Zhou JH, Sun WP, Liu YZ, et al. Clinical characteristics, treatment effectiveness, and predictors of response to pharmacotherapeutic interventions among patients with herpetic-related neuralgia: a retrospective analysis[J]. Pain Ther, 2021, 10(2): 1511-1522.

[8] 神经病理性疼痛诊疗专家组. 神经病理性疼痛诊疗专家共识[J]. 中国疼痛医学杂志, 2013, 19(12): 705-710.

[9] Expert group on diagnosis and treatment of neuropathic pain. Expert consensus on diagnosis and treatment of neuropathic pain[J]. Chinese Journal of Pain Medicine, 2013, 19(12): 705-710.

[10] Mbrah AK, Nunes AP, Hume AL, et al. Prevalence and treatment of neuropathic pain diagnoses among U.S. nursing home residents[J]. Pain, 2022, 163(7): 1370-1377.

[11] Doth AH, Hansson PT, Jensen MP, et al. The burden of neuropathic pain: a systematic review and meta-analysis of health utilities[J]. Pain, 2010, 149(2): 338-344.

[12] Knotkova H, Hamani C, Sivanesan E, et al. Neuromodulation for chronic pain[J]. Lancet, 2021, 397(10289): 2111-2124.

[13] Zhou HC, Han R, Chen L, et al. Effect of implantable electrical nerve stimulation on cortical dynamics in patients with herpes zoster-related pain: a prospective pilot study[J]. Front Bioeng Biotechnol, 2022, 10: 862353.

[14] Heijmans L, Joosten EA. Mechanisms and mode of action of spinal cord stimulation in chronic neuropathic pain[J]. Postgrad Med, 2020, 132(sup3): 17-21.

[15] Stancák A, Kozák J, Vrba I, et al. Functional magnetic resonance imaging of cerebral activation during spinal cord stimulation in failed back surgery syndrome patients[J]. Eur J Pain, 2008, 12(2): 137-148.

[16] De Ridder D, Vanneste S. Burst and tonic spinal cord stimulation: different and common brain mechanisms[J]. Neuromodulation, 2016, 19(1): 47-59.

[17] Yearwood T, De Ridder D, Bin Yoo H, et al. Comparison of neural activity in chronic pain patients during tonic and burst spinal cord stimulation using fluorodeoxyglucose positron emission tomography[J]. Neuromodulation, 2020, 23(1): 56-63.

[18] Delorme A, Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J]. J Neurosci Methods, 2004, 134(1): 9-21.

[19] Moon SE, Chen CJ, Hsieh CJ, et al. Emotional EEG classification using connectivity features and convolutional neural networks[J]. Neural Netw, 2020, 132: 96-107.

[20] Meunier D, Pascarella A, Altukhov D, et al. NeuroPycon: an open-source Python toolbox for fast multi-modal and reproducible brain connectivity pipelines[J]. NeuroImage, 2020, 219: 117020.

[21] Abraham A, Pedregosa F, Eickenberg M, et al. Machine learning for neuroimaging with scikit-learn[J]. Front Neuroinform, 2014, 8: 14.

[22] Mari T, Asgard O, Henderson J, et al. External validation of binary machine learning models for pain intensity perception classification from EEG in healthy individuals[J]. Sci Rep, 2023, 13(1): 242.

[23] Martinez-Murcia FJ, Ortiz A, Gorriz JM, et al. EEG connectivity analysis using denoising autoencoders for the detection of dyslexia[J]. Int J Neural Syst, 2020, 30(7): 2050037.

[24] Zandbagleh A, Mirzakuchaki S, Daliri MR, et al. Classification of low and high schizotypy levels via evaluation of brain connectivity[J]. Int J Neural Syst, 2022, 32(4): 2250013.

[25] Lundberg SM, Lee SI. A unified approach to interpreting model predictions[C]//Neural Information Processing Systems, 2017.

[26] Fingelkurts AA, Fingelkurts AA, Kähkönen S. Functional connectivity in the brain: is it an elusive concept?[J]. Neurosci Biobehav Rev, 2005, 28(8): 827-836.

[27] Gallo S, El-Gazzar A, Zhutovsky P, et al. Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies[J]. Mol Psychiatry, 2023, 28(7): 3013-3022.

[28] Song ZX, Deng B, Wang J, et al. An EEG-based systematic explainable detection framework for probing and localizing abnormal patterns in Alzheimer’s disease[J]. J Neural Eng, 2022, 19(3): 036007.

[29] Chandaka S, Chatterjee A, Munshi S. Cross-correlation aided support vector machine classifier for classification of EEG signals[J]. Expert Syst Appl, 2009, 36(2): 1329-1336.

[30] Zare M, Rezvani Z, Benasich AA. Automatic classification of 6-month-old infants at familial risk for language-based learning disorder using a support vector machine[J]. Clin Neurophysiol, 2016, 127(7): 2695-2703.

[31] Levitt J, Edhi MM, Thorpe RV, et al. Pain phenotypes classified by machine learning using electroencephalography features[J]. Neuroimage, 2020, 223: 117256.

[32] Witjes B, Ottenheym LA, Huygen FJPM, et al. A review of effects of spinal cord stimulation on spectral features in resting-state electroencephalography[J]. Neuromodulation, 2023, 26(1): 35-42.

[33] Levy R, Deer TR, Poree L, et al. Multicenter, randomized, double-blind study protocol using human spinal cord recording comparing safety, efficacy, and neurophysiological responses between patients being treated with evoked compound action potential-controlled closed-loop spinal cord stimulation or open-loop spinal cord stimulation (the evoke study)[J]. Neuromodulation Technol Neural Interface, 2019, 22(3): 317-326.

[34] Billot M, Naiditch N, Brandet C, et al. Comparison of conventional, burst and high-frequency spinal cord stimulation on pain relief in refractory failed back surgery syndrome patients: study protocol for a prospective randomized double-blinded cross-over trial (MULTIWAVE study)[J]. Trials, 2020, 21(1): 696.

基金资助

长沙市自然科学基金(kq2208443┫。This work was supported by the Changsha Natural Science Foundation)

长沙市自然科学基金(China ┣kq2208443)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。