AI 如何为 TMS 找到“对的相位”？闭环系统让刺激学会因人而异

传统经颅磁刺激（TMS）的参数通常是固定的，像一把“万能钥匙”去尝试打开所有人的大脑之门。然而，大脑的兴奋性状态每时每刻都在波动，对张三有效的刺激时刻，对李四可能无效。如何让TMS变得更“聪明”，能实时读懂大脑的“情绪”，并自动调整策略？最近，发表在《NeuroImage》（IF≈5.9）上的一项研究，给出了一个令人兴奋的技术答案：利用人工智能（AI）中的强化学习，让TMS系统自动找到最适合个体的刺激时机。研究首次在25名健康志愿者中验证了这一闭环系统的可行性，结果显示，AI找到的“最优相位”能使刺激效果平均提升约38%，并能诱导大脑网络连接的持久变化。

这里说的“相位”，可以理解为大脑电活动（如μ节律，一种8-13Hz的脑波）周期中的特定时间点，好比海浪在波峰或波谷的瞬间。过去的研究发现，在特定相位（如波谷附近）给予TMS，能引发更强的反应（即皮层脊髓兴奋性更高）。但这需要研究人员预先设定一个“固定目标”（比如总是瞄准波谷），无法适应每个人、甚至同一个人在不同时刻的脑状态差异。这项新研究旨在解决这个核心痛点：能否让系统自己去“试错”和“学习”，动态找到最有效的那个相位？

让刺激学会“看人下菜”

研究团队设计了一个闭环系统。它像一个正在学习游戏的AI玩家，其核心是强化学习智能体（Agent）。在每一次TMS脉冲刺激前，智能体会从8个可能的相位区间中选择一个。刺激后，系统立即测量大脑的反应（配对脉冲运动诱电位，ppMEP幅度）。这个反应被转化为一个“奖励”信号：如果反应朝着预设目标（如增强兴奋性）变化，就给予正奖励；反之则给予负奖励。通过这400次“试错”循环（分为10个训练轮次（epoch）），智能体逐渐学会哪些相位能稳定地带来高奖励。

该系统验证了基于强化学习的闭环EEG–TMS自适应刺激框架。依托个体MRI神经导航，将双TMS线圈精准定位于左侧辅助运动区（SMA）与原始运动皮质（M1）手区，采用成对脉冲TMS（ppTMS）范式（SMA条件刺激+M1试验刺激，ISI=6 ms），配合64导高密度EEG和第一背侧骨间肌（FDI）表面肌电（EMG）实时采集。通过预测μ节律相位并实时触发TMS，深度学习智能体以ppMEP幅度变化为奖励参考，在多次训练中自动锁定最优相位，分别实现兴奋性上调或下调，并设对照。评估涵盖spMEP/ppMEP幅度、ppMEP/单脉冲MEP（spMEP）易化指数，以及静息态功能连接分析，统计学采用线性混合效应模型+贝叶斯模型交叉验证。整个流程如图1所示。

图1：研究设计总览。核心流程为：基线评估后，强化学习智能体（RL-Agent）通过“行动（选择相位）-观察（获得的诱发电位）-奖励”循环进行训练，以找到增强或减弱皮层兴奋性的最优μ节律相位。训练结束后，立即在30分钟后分别评估效果

下图（图2）展示了AI智能体在10个训练轮次中的学习过程。随着训练轮次增加，无论是“增强”还是“减弱”条件，智能体选择其最终认定“最优相位”的比例都在上升。这说明AI确实从反馈中“学到”了东西。

图2：强化学习智能体的学习曲线。随着训练轮次增加，智能体选择其最终识别出的“最优相位”的比例逐渐上升，表明学习发生。橙色为“增强”条件，蓝色为“减弱”条件 38%的提升与30分钟的余效

那么，AI找到的“最优相位”真的更有效吗？结果是肯定的。在“增强”条件下，当专门刺激AI学到的最优相位时，大脑反应（ppMEP幅度）相比基线平均增强了约38%。这是一个显著的效应，如果对比随机相位刺激，这个优势就非常明显了。下图（图3）直观地展示了这种差异。

图3：AI识别出的“最优相位”分布。橙色区域显示，在“增强”条件下，最优相位多集中在μ节律的上升半周期（波谷到波峰）；蓝色区域显示，在“减弱”条件下，则多集中在下降半周期（波峰到波谷）

更重要的是，这种优化的刺激似乎能留下“持久印记”。在学习结束30分钟后，研究人员通过静息态脑电图（EEG）发现，在“增强”条件下，左侧辅助运动区（SMA）与初级运动皮层（M1）之间的功能连接显著增强，而“减弱”和“随机”条件下则没有这种变化。功能连接反映了不同脑区协同工作的紧密程度，这提示AI引导的精准刺激可能对大脑网络产生了可测量的、持久的调节作用，如图4所示。

图4：训练后30分钟，左侧辅助运动区（SMA）与初级运动皮层（M1）之间的静息态功能连接变化。“增强”条件下连接显著增加（黄色），而“减弱”和“随机”条件下无显著变化 技术验证之后：离临床还有多远

这项研究的核心价值在于验证，而非宣称疗效。它在健康人群中，证实了“识别脑状态-自适应决策-实时反馈”这一闭环模式的技术可行性。论文讨论中指出，AI识别出的最优相位（“增强”条件下多在上升半周期）与之前许多开环研究中报告的高兴奋性相位一致。这表明AI能够独立地、以数据驱动的方式“重新发现”这些生理学规律，这是其可信度的重要佐证。

当然，我们需清醒认识研究的边界。首先，这是一项针对健康人的机制验证，而非临床疗效研究。其次，系统的智能化目前聚焦于单一的μ节律相位。未来的系统可能整合更多脑电特征，如μ节律的功率、不同脑区间的连接强度等，进行更全面的“脑状态”画像和决策。最后，从实验室原型到可靠的临床设备，还需解决算法效率、硬件实时集成、临床转化路径等诸多挑战。

这项研究描绘的未来图景，与依瑞德长期投入的个性化调控、闭环神经调控以及EEG/fNIRS-TMS多模态融合技术方向高度契合。它为未来智能化TMS系统如何实现“看人下菜”式的自适应刺激，提供了一条具体且经初步验证的技术路线参考。这预示着，未来的神经调控或许不再仅仅是“执行医嘱”，而是能够像一位经验丰富的医生一样，在刺激的每一刻都在“观察”并“思考”如何做出最佳调整。当然，从这项健康人群的技术验证走向普惠的临床应用，还有很长的路要走，需要跨学科的持续攻关。

撰文：吴玉莲、程希的Agent

审核：尧利书

编辑：马睿琦

参考文献：Humaidan D, Xu J, Chen J, et al. A first realization of reinforcement learning - based closed-loop EEG – TMS[J]. NeuroImage, 2026; 339: 122176.

扫码下载原文献