全球超10亿患者受抑郁等精神疾病困扰，其中约30%对药物治疗反应不佳，亟需新的治疗策略。侵入式脑机接口为难治性精神疾病治疗提供了新路径：通过植入颅内电极记录神经活动，实时解码疾病相关脑状态，作为反馈信号动态调整刺激参数，形成闭环治疗过程。抑郁等情感障碍的核心表现之一是情绪状态异常，因此，临床可用的脑机接口治疗系统首先需要解决的问题是如何精细、稳定、实时地读出患者的情绪状态。

7月22日，浙江大学双脑中心杨雨潇研究员/王跃明教授团队联合浙江大学附属第二医院朱君明主任医师团队、浙江大学附属第一医院胡少华主任医师团队在《Nature Computational Science》发表题为“Cross-task, explainable and real-time decoding of human emotion states by integrating gray and white matter intracranial neural activity”的研究论文，构建了大规模、高质量的人类情绪表征颅内神经信号数据集，开发了侵入式脑机接口方法与系统，实现了细粒度、跨任务、可解释、在线动态的人类情绪解码，情绪效价和唤醒的细粒度回归解码性能较已有脑电情绪解码研究提升一倍，为侵入式脑机接口治疗精神疾病提供了技术基础。

侵入式脑机接口治疗精神疾病如何实现？帕金森病、癫痫等神经疾病的脑深部电刺激治疗已相对成熟，但抑郁等精神疾病的神经调控治疗仍面临症状波动复杂、神经标志物不明确、刺激作用机制尚不清晰等挑战。侵入式脑机接口治疗精神疾病仍处于探索阶段，相关技术路径大致可分为两类：一类借鉴帕金森病和癫痫治疗中的响应式刺激策略，在检测到异常神经活动时触发刺激；另一类面向更复杂的脑状态进行控制论动态调控，将情绪状态视为持续变化的动态系统，并根据实时神经反馈自适应量化计算需要的刺激参数。无论采用哪一路径，脑机接口治疗都依赖可靠的神经解码，即能够从脑活动中稳定解码情绪相关状态，并将其转化为可用于反馈调控的控制信号。

侵入式脑机接口需要怎样的情绪解码？临床可用的情绪解码模型至少需要满足四个条件。第一，模型需具备高性能，情绪相关神经活动分布广泛，需突破传统上只使用灰质信号的限制，挖掘白质信号对解码性能提升的价值。第二，模型需具备跨场景泛化能力，捕捉不同诱发方式下的共同脑状态。第三，模型要可解释，明确支撑解码的脑信号空间、时间和频域信息。第四，模型要能在线实时运行，满足闭环调控等应用需求。基于这一目标，团队构建了从离线建模到在线验证的一体化实验与计算框架。

图1.侵入式脑机接口实现细粒度、跨任务、可解释、在线动态的人类情绪解码

研究共纳入22名因临床诊疗需求而植入SEEG电极的药物难治性癫痫受试者，其中18名受试者的数据用于离线解码分析，另有4名受试者参加在线实时解码。受试者观看图片和视频，完成情绪诱发任务，并在每个试次后自评情绪效价和唤醒分数，同步记录颅内脑电，电极广泛覆盖边缘系统、皮层、皮层下结构以及白质纤维束，形成了大规模、高质量的颅内情绪解码数据集，包含约90小时颅内脑电记录及3000个情绪标签。

之后，每位受试者分别训练个体化解码模型。模型首先提取谱功率特征，再通过特征筛选、自监督 LSTM 自编码器和监督式多层感知机模块，将高维神经动态映射为连续的效价和唤醒度评分。模型性能主要通过试次独立的交叉验证相关系数（cvCC）和交叉验证决定系数（R²）评估。

图2.个体化深度学习情绪解码模型

核心结果：

1.灰白质信号融合显著提升情绪解码性能

个体化模型能够显著解码连续效价/唤醒度评分。在视频任务中，群体层面的效价解码交叉验证cvCC达到0.70，R²达到0.49，较现有EEG和SEEG情绪解码模型的平均水平提升一倍以上（R²=0.21）；在图片任务中，模型同样表现出显著解码能力。研究团队进一步发现，白质中记录的信号并非传统认为的单纯噪声，单独解码时，白质信号性能略低于灰质信号，但仍显著高于随机水平；当灰质与白质信号共同输入模型时，解码性能显著优于单独使用任一信号类型，说明白质信号能够提供互补信息。

图3.高性能解码

2.模型识别可迁移的情绪神经表征

研究团队进一步检验：在一种任务中训练出的模型，能否迁移到另一种任务？结果显示，跨任务模型的性能虽不及在目标任务上直接训练的模型，但显著优于随机模型。更具应用意义的是，跨任务模型可作为预训练模型，通过少量目标任务数据快速微调。当仅使用50%试次（约43个）时，其性能已接近目标任务内训练模型。上述结果提示，模型可识别与情绪维度相关的可迁移神经表征。

图4.跨任务解码

3.模型揭示边缘-丘脑-皮层网络对情绪维度的共享与偏向编码

为了让解码模型不仅“能预测”，也“能解释”，研究团队进一步分析了哪些脑区和白质纤维束最关键。结果显示，约4个关键脑区即可接近全脑区性能，提示少量关键脑区可支持较高性能的情绪解码。这些关键脑区可分为三类：效价与唤醒度的共享编码主要位于边缘-皮层区域；效价编码更偏向额顶叶后外侧通路，唤醒度编码更偏向丘脑等区域。白质纤维束也呈现相似的共享/偏向分布。

图5.情绪维度的共享与偏向编码

4.从离线分析走向在线系统：实时情绪解码

在线实时验证是情绪解码走向应用的关键一步。研究团队建立在线脑机接口系统：前一天通过离线实验训练个体化模型，第二天接入实时颅内脑电数据流，并在在线任务中实时输出解码结果。4名受试者的在线解码性能均显著高于随机水平，且与离线训练性能相当，系统平均延迟为376毫秒。

本研究围绕人类情绪状态解码，提出了一套高性能、跨任务、可解释、实时的颅内脑电解码框架。核心创新包括：第一，实现灰白质信号融合的高性能解码；第二，识别不同诱发任务之间可迁移的神经表征；第三，揭示边缘-丘脑-皮层网络共享与偏向性编码情绪的规律；第四，完成在线实时验证。总体而言，该研究为人类情绪状态的神经解码提供了新的计算框架，推动情绪解码从离线分析向在线系统迈进，为侵入式脑机接口治疗精神疾病提供了重要的技术基础。

浙江大学脑与脑机融合前沿科学中心、医学院附属第二医院、南湖脑机交叉研究院、脑机智能全国重点实验室杨雨潇研究员为论文第一兼共同通讯作者，浙江大学计算机科学与技术学院博士研究生陈文君为论文共同第一作者。浙江大学计算机科学与技术学院、南湖脑机交叉研究院王跃明教授为共同通讯作者；浙江大学医学院附属第二医院朱君明主任医师、浙江大学医学院附属第一医院胡少华主任医师亦为共同通讯作者。浙江大学计算机科学与技术学院研究生陈宇扬、丁菱、张弛，浙江大学医学院附属第二医院王爽、蒋鸿杰、朱周乐、郭鑫霞医师，浙江大学医学院附属第一医院魏宁医师、浙江大学脑机智能全国重点实验室潘纲教授为本研究做出了重要贡献。该研究受到国家自然科学基金、浙江省自然科学基金等项目支持。