Nature Medicine | 脑深部电刺激的“自动驾驶”时刻：如何让帕金森病患者在行走时实时切换刺激模式

帕金森病患者最顽固的步态障碍——冻结步态、下肢肌张力障碍、步行耐力下降——长期以来对现有脑深部电刺激（DBS）疗法“免疫”。

2026年6月15日，Nature Medicine上发布了一篇题为 “Activity-dependent adaptive deep brain stimulation improves gait in Parkinson‘s disease”(活动依赖性自适应深部脑刺激改善帕金森病患者的步态)的重磅研究论文，瑞士洛桑大学医院与EPFL团队在35名患者中揭示了丘脑底核如何实时编码从坐到走的每一种运动状态，并据此构建了一套模块化神经解码框架，在4名顽固性步态障碍患者中实现了刺激参数随运动状态自动切换的闭环调控。这标志着DBS从“固定参数对症治疗”迈入“行为感知按需调控”的新阶段。

文章图片预览

1. 治疗悖论：DBS改善了震颤，却让走路变得更糟？

脑深部电刺激是帕金森病外科治疗的金标准。自2002年FDA批准STN-DBS以来，全球已有超过20万名患者接受该疗法。它对震颤、强直和运动迟缓三大核心症状的改善效果明确且持久——MDS-UPDRS III评分在刺激状态下通常可改善40%–60%。

但一个长期被临床医生忽视、却被患者反复抱怨的事实是：步态障碍——尤其是冻结步态、姿势不稳和行走耐力下降——对常规DBS反应不佳，甚至可能加重。

文献引用了一项系统综述（Daalen et al., 2025）的数据：晚期帕金森病患者中高达90%存在治疗抵抗性的步态障碍，这些症状是跌倒、骨折、丧失独立生活能力和死亡的主要预测因素。

为什么常规DBS治不好步态？

问题的根源在于参数优化的目标错配。临床医生在调试DBS参数时，通常以改善震颤和强直为目标——这些症状在静坐时最为明显，评估方便、反应迅速。但步态是一种动态的、全身性的、高度依赖行为情境的运动功能，它需要的刺激参数往往与静息状态下的最优参数相互冲突。

文献中报告的四个病例极具代表性：

• • P1：控制上肢强直的高振幅DBS在行走时干扰了右腿摆动；
• • P2：低左旋多巴状态下严重的冻结步态在增加DBS振幅后虽有缓解，却诱发了颈部强直和言语障碍；
• • P3：高左旋多巴状态下的右腿肌张力障碍在降低DBS振幅后迅速改善，但上肢强直随即加重；
• • P4：连续行走时右腿无力感在提高振幅后改善，却以异动症为代价。

这是一组典型的多目标冲突问题：同一个核团、同一对电极、同一组参数，无法同时最优地服务于静息状态下的上肢症状和行走状态下的下肢功能。

更为棘手的是，左旋多巴的药代动力学波动进一步加剧了这一冲突。服药后1–2小时内，多巴胺水平处于峰值，部分步态症状（如肌张力障碍）可能减轻，但冻结步态有时反而加重；而在剂末现象期，多巴胺耗竭又会让步态全面恶化。常规DBS是“固定输出”的，它无法感知患者此刻是坐在沙发上还是正在过马路。

传统DBS的困境可以概括为：用一张静态的“处方”去治疗一种动态的、情境依赖的疾病。

这正是自适应DBS（aDBS）概念的由来——让刺激器能够“感知”大脑状态并自动调整输出。但此前已商业化的aDBS方案（如Medtronic Percept平台基于beta频带的闭环刺激）主要针对的是药物浓度波动这一慢变量（分钟至小时级），对行为状态切换这一快变量（秒级）缺乏响应能力。结果就是：P4在接受了3个月基于beta频带的aDBS治疗后，虽然总体满意，却仍然在长时间行走时手动“超控”设备，强制提高振幅。

步态需要的不是aDBS，而是“活动依赖性”DBS——一种能在坐、站、走、转身、避障之间快速切换参数的闭环系统。

2. 从“听”到“懂”：解码丘脑底核的运动语言

要实现活动依赖性的闭环调控，研究者首先需要回答一个基础科学问题：丘脑底核的神经信号中，是否编码了足够的信息来实时区分不同的运动活动？

在此之前，学界已知STN的局部场电位在静息状态下以beta频带（13–30 Hz）的过度同步化为特征，且这种过度同步化与运动迟缓的严重程度相关。但步态——尤其是全身体动状态下的步态——的神经编码机制远未被清晰描述。

研究团队建立了一套多模态无线监测平台，能够在患者自由活动时同步记录：

• • STN LFP（通过植入式脉冲发生器的感知功能，250 Hz采样率）；
• • 双侧8块腿部肌肉的肌电活动（1.5 kHz）；
• • 全身三维运动学（Vicon光学捕捉 + 惯性测量单元）。

35名晚期帕金森病患者（MDS-UPDRS III OFF中位数36分）参与了机制研究部分。每位患者在6种治疗条件（OFF、仅左旋多巴、仅STN DBS、左旋多巴+STN DBS、不同DBS振幅、左旋多巴药代动力学不同时间点）下完成了坐、站、走、避障等标准化任务。

关键发现一：STN LFP的三个频带以“分工协作”的方式编码运动活动。

研究团队采用无偏拟合算法为每位患者个性化定义了低beta、高beta和gamma三个频带。结果发现：

• • gamma频带（37.7–68.8 Hz）功率随肌肉激活水平升高而增加：从坐到站到走，gamma功率呈阶梯式上升（P = 1.9×10⁻²⁰）；
• • 高beta频带（21.6–31.6 Hz）功率呈相反趋势，随运动强度增加而下降（P = 9.3×10⁻⁷）；
• • 低beta频带（12.9–19.5 Hz） 的调制模式高度个体化，部分患者增加、部分降低、部分无明显变化。

换言之：gamma是“油门”，高beta是“刹车”，低beta是每个人独特的“驾驶习惯”。

关键发现二：左旋多巴和DBS对运动编码产生了方向相反的“干扰”。

这是整个研究最具颠覆性的发现之一。

当团队对比仅左旋多巴和仅STN DBS两种条件下的STN频谱特征时，发现两者对运动活动的编码调制呈现显著相反的方向：

新旧技术范式对比：

这意味着：同一个患者在服药状态下和刺激状态下，其大脑用于“标记”行走的神经信号在频谱上发生了系统性偏移。

这一发现对工程实现产生了决定性影响——在OFF状态下训练的运动解码器，在ON状态下准确率从66.5%骤降至38.2%（几乎等同于随机猜测）。

关键发现三：左旋多巴吸收过程中的频谱“漂移”有明确时间尺度。

团队在9名患者中追踪了左旋多巴摄入后0、15、30、45分钟的频谱变化和步态参数变化。结果显示：

• • 步长和步行速度随时间逐渐改善；
• • 低beta功率与步态质量呈显著负相关（Spearman r = -0.5，P = 0.0084）；
• • 最优解码窗口长度经遗传算法优化后确定为18–20秒——这恰好对应左旋多巴药代动力学的特征时间常数，远大于步态周期（约1秒）。

这一发现揭示了系统设计的一个核心原则：运动状态是快变量（秒级），药物状态是慢变量（分钟级），两者必须在不同的时间尺度上分别处理。

3. 模块化解码 + 阈值控制：在商业硬件上实现闭环步态调控

在揭示了STN的运动编码机制之后，研究团队面临一个更为严峻的工程挑战：如何将这些原理转化为可在现有商业神经刺激器上运行的实时控制算法？

商业约束极为严苛：

• • 仅支持单个频带的实时功率监测（5 Hz带宽）；
• • 计算资源有限；
• • 不能运行复杂的机器学习模型；
• • 需要可解释、可手动调节的阈值控制逻辑。

团队的解决方案是一套双层模块化解码架构：

第一层：两个并行的治疗特异性随机森林解码器。

• • 解码器A在“仅STN DBS”状态下训练；
• • 解码器B在“STN DBS + 左旋多巴”状态下训练。
• • 每个解码器仅需少量数据进行训练（几分钟的行走记录），特征数量少、计算效率高。

第二层：一个慢时间尺度的治疗状态分类器。

• • 输入为18–20秒窗口内的频谱特征；
• • 输出为当前处于“ON左旋多巴”或“OFF左旋多巴”状态的概率；
• • 该分类器动态选择使用解码器A还是解码器B的输出。

这种设计的精妙之处在于：将“行为变化”和“药物变化”这两个在原始LFP信号中混叠的因素，通过时间尺度的差异进行分离，分别由不同的模块处理。

在伪在线验证中（数据按时间顺序回放，模拟实时运行），该模块化框架在OFF条件下达到69.5%的药物治疗状态分类准确率，ON条件下达到75.4%。更重要的是，当DBS振幅在0 mA和标准治疗值之间手动切换时，该框架仍然保持了高解码准确率——这说明它不仅对药物波动鲁棒，对刺激参数本身的变化也鲁棒。

基于这一解码框架，团队在Medtronic Percept平台上以阈值穿越模式实现了闭环控制：

• • 选择每位患者最具区分度的个性化频带（P1：7.8 Hz alpha同步化；P2：55.6 Hz gamma同步化；P3：40.4/62.5 Hz gamma同步化；P4：28.3/30.3 Hz高beta去同步化）；
• • 当LFP功率超过阈值时，刺激振幅在“静息最优值”和“步态最优值”之间切换（升幅或降幅方向取决于该频带是运动同步化还是去同步化）；
• • 转换时间参数经优化设置为1.2–1.6秒，确保平稳过渡。

4. 从实验室到真实世界：四名患者的临床概念验证

研究的最终环节是一项概念验证性临床试验（AdapGAIT，NCT06791902），纳入4名在标准DBS治疗下仍存在顽固性步态障碍的患者。

病例画像：

• • P1（连续DBS）：上肢强直控制良好，但高振幅刺激导致行走时右腿摆动受限；
• • P2（连续DBS）：低多巴胺状态下严重冻结步态，尤其在转身和过门时；
• • P3（连续DBS）：右腿肌张力障碍，且低多巴胺状态时有冻结步态；
• • P4（基于beta的aDBS治疗3个月）：总体满意但行走耐力差，自觉“腿重、费力”。

每位患者均先进行基线评估，识别其最困扰的步态障碍及对应的最优刺激振幅，然后提取个性化频谱特征、校准阈值，在连续两天内进行活动依赖性DBS与标准DBS的随机对照测试，部分任务在真实世界环境中（医院走廊、室外街道、300米跑道）完成。

核心数据：

1. 步态质量的量化改善（基于主成分分析）：

研究团队将每位患者的全身运动学参数（每步144个特征）降维后，计算活动依赖性DBS与标准DBS条件下步态模式相对于6名健康对照的Bhattacharyya距离。

• • P4：活动依赖性DBS条件下步态模式显著更接近健康对照组（P = 0.031，效应量r = 0.90），肌电分析显示腓肠肌推进期激活增强，对应步长增加和躯干稳定性改善；
• • P1：完成三次TUG任务的时间从标准DBS下的约13秒缩短至活动依赖性DBS下的约11秒；
• • P3：冻结步态环路测试中，13次标准DBS任务中100%出现冻结，而活动依赖性DBS下仅1/6次出现冻结（P = 0.03）。

2. 冻结步态的直接缓解：

在P2的360°转身测试中，活动依赖性DBS显著减少了冻结步态发作次数。在专用冻结步态环路中，完成时间中位数从标准DBS下的约10秒缩短至活动依赖性DBS下的约7秒（P = 0.028）。

3. 真实世界环境验证：

在实验室外评估中（P1：17分钟；P2：22分钟；P3：37分钟；P4：41分钟），片上阈值穿越算法对“静止/行走”的分类加权F1分数在0.74–0.85之间。传感鞋记录的步长轨迹显示活动依赖性DBS条件下步态参数持续改善。

4. 患者自评：

所有4名患者在自定义问卷中报告了整体运动功能的改善，改善来源主要为步态相关获益，且未报告核心运动症状（强直、运动迟缓、震颤）的恶化。 无不良事件报告。

行业意义：一场从“对症治疗”到“按需调控”的范式转移

这项研究的意义远超一篇顶级期刊论文本身。它指向了神经调控领域一个更深层的范式转移。

第一，它挑战了当前aDBS商业化的主流技术路线。

目前市售的闭环DBS系统（如Medtronic Percept平台已获批的BrainSense功能）主要基于beta频带功率作为生物标志物，用于根据药物浓度波动调整刺激强度。但本研究明确指出：beta频带在步态编码中的角色高度个体化且不稳定，P3甚至在基于beta的aDBS治疗中因缺乏显著beta标志物而导致反馈不稳定，最终退出了该治疗模式。

文中对比了两代自适应策略的关键差异：

第二，它为神经解码器的“个性化”提供了可工程化的模板。

深度学习在神经解码中虽已广泛应用，但在植入式医疗设备中，模型的可解释性、低算力需求和快速个性化是比原始准确率更重要的约束。本研究的随机森林解码器仅需数分钟的训练数据即可完成个性化，所有超参数由遗传算法离线优化，临床医生可通过平板界面手动调整阈值——这种设计使其具备了从实验室走向诊所的可行性。

第三，它为多目标神经调控提供了一个通用架构。

“静息最优 vs 运动最优”的冲突不仅在帕金森病中存在，在肌张力障碍、特发性震颤、甚至抑郁症的闭环DBS治疗中也普遍存在。本研究提出的“快解码器+慢分类器”双层架构，以及“将混叠因素按时间尺度分离”的设计原则，可以推广到更广泛的闭环神经调控场景。

虽然机制研究纳入了35名患者，但疗效的概念验证仍处于早期阶段。研究团队也坦承“长期可重复性超出本研究范围”,并且“扩展至更多频带或将皮层电图和可穿戴传感器纳入反馈，可增强可控性和稳定性。”

尽管如此，这项研究在方法论上的贡献是清晰且坚实的：它首次在步态这一复杂的全身体动行为上，完成了从神经编码机制揭示、到模块化解码算法设计、再到商业平台实机验证的完整闭环。 正如通讯作者Eduardo M. Moraud在文中所言：“我们的活动依赖性框架为下一代神经调控疗法提供了蓝图——这种疗法能够持续选择针对每位患者的行为情境和波动生理状态进行优化的参数。”研究团队估计，大规模临床验证和专用硬件的开发是下一阶段的核心任务。

参考资料

Scafa, S., de Seta, V., Wang, R. et al. Activity-dependent adaptive deep brain stimulation improves gait in Parkinson’s disease. Nat Med (2026). https://doi.org/10.1038/s41591-026-04432-4