近日，来自加州大学旧金山分校的研究团队在 npj Parkinson’s Disease 上发布重磅成果：通过机器学习模型，他们首次提出一种基于患者自身 神经电位与步态特征的深脑刺激（DBS）参数优化策略。该研究证明，个性化调整刺激频率、强度与脉宽，不仅可显著改善步速、稳定性和协调性，还同步调整脑内 β 波节律，为帕金森症的步态障碍治疗带来前所未有的突破。
什么是“帕金森步态”？
帕金森步态通常被称为慌张步态或小碎步步态，是帕金森病患者因运动功能障碍出现的典型行走异常表现，主要表现为步幅短小、拖地行走、身体前倾，且可能伴随步态冻结（突然无法迈步）或慌张步态加速（行走时越走越快难以停止）。
01
为何传统 DBS 无法稳定改善“走路”质量？
RESEARCH INTRODUCTION
展开剩余76%深脑刺激在缓解帕金森患者的震颤、迟缓和僵硬方面已有广泛应用，但其对步态问题（如步速慢、步幅不稳定、 freezing 现象） 的疗效表现不一。原因在于：步态是一种复杂的时空协调动作，由多个肌群与神经网络同步控制。传统针对静态症状（如 Tremor/OFF 状态）的参数设定，未考虑行走中多阶段的生理负荷与运动需求变化。此外，每个患者的神经连接和运动反馈在个体间差异显著，单一调参往往无法兼顾动态运动表现与神经调控平衡。
UCSF 团队由 Doris Wang 博士领导，与 Philip Starr 教授等联合开展此项研究，目标是建立一个系统的、个性化的 DBS 参数调优管道，兼顾步态表现与大脑神经振荡特征，并在安全范围内探寻最优组合。
02
真实步行+神经模型，共创“自定义 DBS”
RESEARCH METHOD
研究从三位正在接受 DBS 的 PD患者中采集数据。他们装配了植入式双向神经刺激器，可同时记录苍白球（GP）局部场电位（LFP）和运动皮层的电位。患者在地面行走中持续监测步态参数（如步速、步幅、摆臂幅度与步频变异性），形成一个综合评价指标——步态性能指数。该指标对速度、协调性、稳定性具有高敏感度与可靠性。
研究团队系统调整 DBS 的三个基本参数：频率、脉冲宽度、刺激强度。然后应用 高斯过程回归建立模型，将 DBS 设置与 WPI 关联预测，探索出每位患者的最优配置，并进行了验证。关键神经标志物包括：立足时段苍白球 β 波的节律下降和对侧腿站立阶段苍白球与运动皮层之间 α 波相干性的提升。这两种震荡模式成为 gait 优化的重要生理信号。
实验结果表现显著：在优化模型推荐的参数下，患者步态质量明显提升；β 波下调和 α 波同步增强与步态稳定性高度相关。此外，个体间虽差异显著，但也发现 β‑band 活动与步态表现之间存在一致模式，为日后更广泛推广提供神经生物标志指导。
03
定制化DBS的未来应用
RESEARCH SIGNIFICANCE
这项研究具有里程碑式意义，尤其在以下几个方面：
首先，它开启了一条基于生理 + 行为反馈的 “闭环优化 DBS” 路径。将临床外设与运动轨迹结合，通过机器学习模型预测最适参数，这不仅提升了治疗效率，也缩短了临床调参时间。
其次，对于脑机接口技术而言，这是一种极具参考价值的范式：将神经信号（如 β 或 α 波）作为反馈反馈指标，联合行为输出（如步态、语音、肢体动作），构建一个行为-神经-决策闭环。未来，BCI 系统可根据实时神经振荡自动调整刺激或反馈策略，实现真正意义上的“智能神经调控”。
第三，这一方式还为未来个性化治疗提供了蓝图。在 Freezing of Gait 等难治步态障碍中，如能结合传感监测整体走路状态，实时调整 DBS 策略，或可复现该模式的定量优化。”
在政策与临床层面，2025年2月，美国食品药品监督管理局（FDA）批准了首个用于治疗帕金森病的自适应（或自我调节）深部脑刺激（DBS）系统——美敦力Percept。其核心思想正是利用患者神经活动反馈进行个性化刺激调节。这篇建模研究与之高度契合，提供神经机制与行为调控的系统化支撑。
未来，集成深度学习模型预测控制与强化学习闭环策略，结合更大样本验证，实现实时 DBS 参数优化，有望对姿态平衡乃至语音、表情等多维功能恢复产生一致启发。
新闻来源：npj Parkinson’s Disease
论文参考：DOI: 10.1038/s41531-025-00990-5
发布于：浙江省央企配资流程详解最简单提示：文章来自网络，不代表本站观点。
