跳至正文

闭环神经刺激：让大脑治疗实现实时精准反馈

  • 由
🔭 前沿探索 📅 2026年3月 ⏱ 阅读约12分钟

想象一个随时”听大脑说话”的起搏器——它不是定时发出固定电脉冲，而是像一位经验丰富的工程师，持续监听神经信号，在异常出现的瞬间精准介入，完事后立刻退到幕后。这就是闭环神经刺激（closed-loop neurostimulation）的核心逻辑。

与传统的开环式神经刺激相比，闭环系统多了一只”耳朵”——实时读取大脑的电活动或化学信号，再用算法决定何时刺激、刺激多少。这个看似简单的改变，正在重塑帕金森病、难治性癫痫乃至更广泛脑疾病的治疗版图。目前，自适应脑深部刺激（adaptive DBS，aDBS）和响应式神经刺激（responsive neurostimulation，RNS）已进入临床应用阶段，更多方向仍在快速探索中。

📋 目录

什么是闭环神经刺激？

神经刺激的历史相当悠久：将电极植入特定脑区，持续施加电脉冲以改变神经活动，这种”开环”模式数十年来已帮助数万名帕金森患者控制震颤。但开环刺激有一个根本局限——它不”看”大脑的状态，只是不停地发出信号。

🧠 开环 vs 闭环：核心区别

开环刺激（传统 DBS）：固定参数、持续输出，不依赖实时神经状态。好比一个定速巡航汽车，无论路况如何都保持同一速度。

闭环刺激（aDBS / RNS）：读取神经信号 → 算法判断 → 动态调整或触发刺激。好比有自动驾驶功能的汽车，根据前方路况实时调速。

闭环神经刺激的完整技术链条包括三个环节：感知（sense）——通过植入电极或体表传感器采集神经信号；解码（decode）——算法识别信号中的异常特征，判断是否需要干预；刺激（stimulate）——根据判断结果触发或调整电脉冲输出，再将结果反馈回感知端，形成闭合回路。[5]

闭环系统如何运作？

闭环系统的”智慧”来自对反馈信号的识别与响应。当前临床设备主要依赖局部场电位（local field potential，LFP）——即电极周围神经群体的集合电活动。不同频段的 LFP 反映不同的神经状态，这为闭环控制提供了可操作的生物标志物（biomarker）。

⚡ 闭环控制的基本流程
  1. 采集：植入电极持续记录目标脑区的 LFP 或局部神经活动
  2. 特征提取：实时计算特定频段（如 beta 波功率）的变化
  3. 阈值比较：将信号与预设阈值比较，判断是否达到触发条件
  4. 刺激输出：触发条件满足时激活电脉冲，或按比例调整刺激幅度
  5. 反馈更新：刺激后重新采集信号，评估响应效果

这一流程听起来简洁，但实际实施面临相当复杂的参数决策：感知什么信号、阈值如何设定、刺激触发后持续多久、参数如何随运动或睡眠状态切换——每一个环节都需要个体化调适。[6]

帕金森病：自适应脑深部刺激（aDBS）

帕金森病（Parkinson’s disease）是目前闭环神经刺激研究最深入、证据积累最丰富的适应证。传统脑深部刺激（DBS）主要靶向丘脑底核（subthalamic nucleus，STN），持续高频电刺激可显著改善运动症状，但固定参数无法应对症状的日内波动，也存在副作用和能耗问题。

🔬 aDBS 的核心生物标志物：beta 振荡

STN 区域的 LFP 在 13–30 Hz（beta 频段）的功率与帕金森运动症状密切相关：beta 活动增强时，运动迟缓和强直往往加重；刺激有效压制 beta 后，症状随之改善。这一关系为 aDBS 提供了可操作的反馈信号。[7]

2024年，Nature Medicine 发表了一项盲法随机可行性试验，直接比较了慢性 aDBS 与传统 DBS 的临床效果，为 aDBS 的临床可行性提供了重要的对照证据。[2] 同年，一项多中心回顾性研究进一步在现实世界患者中验证了 aDBS 的临床表现。[10]

2025年，JAMA Neurology 刊出的长期个体化 aDBS 数据，展示了闭环系统在持续应用中的稳定性，标志着 aDBS 从短期概念验证走向了长期持续使用的阶段。[1] 另一篇同年发表的 NPJ Parkinson’s Disease 研究则补充了慢性 aDBS 的临床编程策略。[3]

然而，aDBS 的疗效并非对所有患者一致。研究发现，单阈值 aDBS 的效果高度依赖于阈值的精确设定、患者的运动状态，以及 STN beta 活动的可控程度——在 beta 可控性较低的患者中，闭环控制的优势会明显减弱。[4]

ℹ️ aDBS 研究进展时间线
  • 2016年前后：研究者识别核心技术挑战，包括 biomarker 选择、参数自适应逻辑等[8]
  • 2021年：LFP 频段与症状关系的综述系统梳理，为 biomarker 选择奠定基础[7]
  • 2023年：综述开始聚焦”如何从实验室走向临床实施”[5][6]
  • 2024–2025年：首批盲法 RCT 和长期慢性数据问世[1][2]

从覆盖更广神经精神疾病的视角来看，闭环 DBS 的应用探索也在向强迫症、抑郁症等精神科适应证延伸，但相关临床证据目前仍非常早期。[9]

癫痫：响应式神经刺激（RNS）

在癫痫治疗领域，闭环神经刺激以另一种形态落地——响应式神经刺激（responsive neurostimulation，RNS）。与 aDBS 的连续调控不同，RNS 的逻辑更像一个”灭火器”：系统平时静默监测，一旦检测到癫痫样放电，立即触发电刺激打断异常活动，阻止发作扩散。

🧠 RNS 系统的工作原理

RNS 装置将感知电极植入癫痫发作起始区（seizure onset zone），神经刺激器实时分析 ECoG（皮层脑电图）信号。当检测到预设的异常放电模式时，系统自动在毫秒级延迟内发出短暂高频电刺激，破坏异常同步化活动，从而防止或缩短临床发作。[13]

RNS 目前已积累了较长时间跨度的临床随访数据。2020年发表于 Neurology 的前瞻性研究报告了 9 年随访的疗效与安全性，为难治性局灶性癫痫患者提供了迄今最系统的长期证据之一。[11]

在更宏观的证据层面，国际抗癫痫联盟（ILAE）外科治疗委员会完成的系统综述与荟萃分析，整合了耐药性癫痫神经刺激策略的现有证据，为 RNS 的临床定位提供了重要参照。[16] 另一项专注于全面性癫痫的系统综述与荟萃分析，进一步描绘了 RNS、DBS 和迷走神经刺激（VNS）在不同癫痫类型中的证据边界。[17]

🔬 RNS 与传统神经刺激的比较

RNS、VNS（迷走神经刺激）和 DBS 是目前耐药性癫痫神经刺激的三条主要路线。RNS 的独特之处在于其严格的”按需触发”逻辑——只有在检测到异常放电时才工作，这既是其闭环优势，也意味着系统需要在个体化检测算法上做更多工作。[14][15]

反馈信号：大脑在说什么？

闭环系统的”感知”能力决定了它的上限。目前最成熟的反馈信号是局部场电位（LFP），它能够反映目标脑区神经元群体的集合活动，信噪比高、可长期稳定记录。但 LFP 本身也有局限——它是多个神经源的叠加信号，解读需要配合临床症状与个体化算法。

主要反馈信号类型
  • LFP / 皮层脑电（ECoG）：目前临床设备的主流选择，aDBS 和 RNS 均依赖此类信号[7]
  • EEG（脑电图）：无创、易采集，适用于非植入式闭环 BCI，但空间分辨率较低[19]
  • 神经化学信号：多巴胺、谷氨酸等神经递质的实时监测，代表下一代闭环系统的探索方向[18]

神经化学测量的加入尤其值得关注。现有闭环系统只”听到”大脑的电信号，而神经化学监测可以感知多巴胺等分子的实时浓度变化。2020年发表于 Neurosurgical Focus 的综述探讨了将电生理与神经化学测量结合用于闭环刺激的可能性，认为这将使系统获得更丰富的脑状态信息。[18]

在无创方向，EEG 信号驱动的自适应闭环脑机接口正在神经康复领域取得进展——这类系统不需要手术植入，通过头皮电极采集信号、识别神经状态，再触发外部刺激或辅助设备，为卒中后运动康复等场景提供了新的工具选项。[19]

扩展方向：不止于运动与癫痫

帕金森病和癫痫构成了闭环神经刺激目前最坚实的临床基础，但研究前沿已在多个方向展开探索。

ℹ️ 闭环神经刺激的探索方向
  • 神经精神疾病：抑郁症、强迫症等情绪/认知相关疾病的闭环调控，以脑状态而非固定解剖靶点为刺激触发条件[9]
  • 神经康复：卒中后运动功能重建，通过 EEG 识别运动意图，实时触发外骨骼或功能性电刺激[19]
  • 非侵入式癫痫控制：声学闭环 BCI 研究（动物实验）探索了通过体表声刺激在检测到癫痫活动后进行干预的可能性[20]
  • 多模态反馈整合：结合电生理与神经化学信号，构建更高维度的大脑状态模型[18]

值得一提的是，2024年发表于 Theranostics 的研究在啮齿类动物中展示了非侵入式声学闭环系统控制癫痫发作的初步证据，这是一个不需要植入电极的闭环干预思路。[20] 这类动物实验结果需要审慎对待，不能直接推论至人体临床应用，但它们代表了该领域对”降低侵入性”这一工程目标的持续追求。

技术瓶颈与现实挑战

闭环神经刺激的概念并不复杂，但将其转化为稳定可靠的临床工具，面临多层次的挑战。

⚠️ 当前主要技术挑战
  • biomarker 不稳定性：beta 振荡等反馈信号受运动状态、睡眠阶段、药物剂量影响显著，不同患者之间差异也很大，使通用触发阈值难以设定[4]
  • 个体化编程负担：aDBS 的参数（阈值、响应速度、刺激幅度范围）需要临床医生针对每位患者精心调试，在实际部署中增加了相当大的工作量[3][6]
  • 信号漂移与长期稳定性：植入电极与组织的界面会随时间发生变化，信号特征也可能随病情进展而漂移，要求系统具备自适应更新能力
  • 能耗与设备寿命：持续感知与实时计算比单纯刺激消耗更多能量，对电池寿命和设备小型化提出了更高要求
  • RNS 检测算法个体化：每位癫痫患者的发作模式不同，检测算法和刺激参数必须高度个体化，学习周期较长[12]

从更宏观的视角来看，闭环系统的临床实施需要神经外科医生、神经内科医生、神经工程师和数据科学家的紧密协作。从实验室原型走向规模化临床应用，不仅是技术问题，也是医疗体系的组织与流程问题。[6]

⚡ 从开环到闭环：aDBS 实施的关键决策点

目前的临床实施路径通常包括：① 植入标准 DBS 电极并完成初步调试；② 记录足够时长的 LFP 数据以评估 beta 活动特征；③ 根据个体 beta 可控性评估是否适合切换为闭环模式；④ 设定初始阈值并在门诊随访中持续优化。整个过程依赖于医患双方的持续配合与数据积累。[5][6]

📌 要点回顾

  • 闭环神经刺激的核心逻辑：感知神经信号 → 算法判断 → 动态调整或触发刺激，形成反馈回路，而非固定参数持续输出。[5]
  • 帕金森病 aDBS：以 STN 区域的 beta 振荡（13–30 Hz）作为主要反馈信号，根据 beta 功率动态调节刺激强度。2024年盲法随机可行性试验与2025年长期数据标志着 aDBS 进入临床应用新阶段。[2][1]
  • 癫痫 RNS：平时静默监测，检测到异常放电时即时触发刺激。9年前瞻性随访数据为难治性局灶性癫痫的长期治疗提供了现有最长时间跨度的临床证据。[11]
  • 反馈信号多样化：现有系统以 LFP/ECoG 为主；无创 EEG 闭环 BCI 在神经康复领域有所进展；神经化学监测（多巴胺等）代表下一代闭环系统的前沿探索。[18][19]
  • 关键挑战：biomarker 跨个体差异大、阈值依赖运动与睡眠状态、个体化编程负担重——这些是闭环系统从临床试验走向规模应用必须突破的核心瓶颈。[4][6]
  • 探索前沿：精神科适应证（抑郁、强迫症）、卒中神经康复和非侵入式闭环系统正在拓展这一技术的应用边界，但临床证据目前仍处于早期阶段。[9][20]

📚 参考文献

  1. Bronte-Stewart H, et al. (2025). Long-Term Personalized Adaptive Deep Brain Stimulation in Parkinson Disease. JAMA Neurology. PMID: 40982287
  2. Oehrn C, et al. (2024). Chronic adaptive deep brain stimulation versus conventional stimulation in Parkinson’s disease: a blinded randomized feasibility trial. Nature Medicine. PMID: 39160351
  3. Busch J, et al. (2025). Chronic adaptive deep brain stimulation for Parkinson’s disease: clinical outcomes and programming strategies. NPJ Parkinson’s Disease. PMID: 40883328
  4. Busch J, et al. (2024). Single threshold adaptive deep brain stimulation in Parkinson’s disease depends on parameter selection, movement state and controllability of subthalamic beta activity. Brain Stimulation. PMID: 38266773
  5. Wang S, et al. (2023). Closed-Loop Adaptive Deep Brain Stimulation in Parkinson’s Disease: Procedures to Achieve It and Future Perspectives. Journal of Parkinson’s Disease. PMID: 37182899
  6. Neumann W, et al. (2023). Adaptive Deep Brain Stimulation: From Experimental Evidence Toward Practical Implementation. Movement Disorders. PMID: 37148553
  7. Yin Z, et al. (2021). Local field potentials in Parkinson’s disease: A frequency-based review. Neurobiology of Disease. PMID: 33932557
  8. Arlotti M, et al. (2016). The adaptive deep brain stimulation challenge. Parkinsonism & Related Disorders. PMID: 27079257
  9. Groppa S, et al. (2024). Perspectives of Implementation of Closed-Loop Deep Brain Stimulation: From Neurological to Psychiatric Disorders. Stereotactic and Functional Neurosurgery. PMID: 38086346
  10. Li Q, et al. (2025). Adaptive vs Conventional Deep Brain Stimulation of the Subthalamic Nucleus for Treatment of Parkinson’s Disease: A Multicenter Retrospective Study. Neuromodulation. PMID: 40488687
  11. Nair D, et al. (2020). Nine-year prospective efficacy and safety of brain-responsive neurostimulation for focal epilepsy. Neurology. PMID: 32690786
  12. Skarpaas T, et al. (2019). Brain-responsive neurostimulation for epilepsy (RNS). Epilepsy Research. PMID: 30850259
  13. Jarosiewicz B, et al. (2021). The RNS System: brain-responsive neurostimulation for the treatment of epilepsy. Expert Review of Medical Devices. PMID: 32936673
  14. Simpson H, et al. (2022). Practical considerations in epilepsy neurostimulation. Epilepsia. PMID: 35700144
  15. Matias C, et al. (2019). Responsive Neurostimulation for the Treatment of Epilepsy. Neurosurgery Clinics of North America. PMID: 30898274
  16. Touma L, et al. (2022). Neurostimulation in people with drug-resistant epilepsy: Systematic review and meta-analysis from the ILAE Surgical Therapies Commission. Epilepsia. PMID: 35352349
  17. Haneef Z, et al. (2023). Neurostimulation in generalized epilepsy: A systematic review and meta-analysis. Epilepsia. PMID: 36727550
  18. Price J, et al. (2020). Clinical applications of neurochemical and electrophysiological measurements for closed-loop neurostimulation. Neurosurgical Focus. PMID: 32610297
  19. Jin W, et al. (2024). Electroencephalogram-based adaptive closed-loop brain-computer interface in neurorehabilitation: a review. Frontiers in Computational Neuroscience. PMID: 39371523
  20. Zou J, et al. (2024). Noninvasive closed-loop acoustic brain-computer interface for seizure control. Theranostics. PMID: 39346532