基于知识与数据混合驱动的建模用于在人类C纤维微神经记录中稳健的峰值检测与排序

倾听疼痛与瘙痒的神经活动

我们日常的疼痛和瘙痒感受始于在皮肤中细长神经纤维上奔跑的微小电脉冲。科学家可以使用一种称为微神经记录的技术，在清醒志愿者体内将一根发丝粗细的电极插入神经，从而窃听这些信号。但在这些记录中，许多神经纤维同时发声，它们的电学“声线”几乎相同。本文提出了一种新的计算方法，以更好地分离和识别这些重叠信号，长期目标是解码人类神经如何编码像疼痛和瘙痒这样的感觉。

为什么神经峰值如此难以区分

每条感觉神经纤维通过称为峰值的短电脉冲向大脑传递信息。除了峰值的数量，峰值的精确时序和模式也会影响刺激的感觉。不幸的是，在人体外周神经中，不同纤维的记录峰值往往看起来几乎一样并且埋在噪声中。单根金属电极通常同时拾取多个纤维的信号，并且在长时间实验中其峰形会缓慢漂移。现有的大多数自动分离方法主要为拥有多个电极的阵列设计，在那种情况下空间信息有助于分离。当将这些方法应用于来自人类C纤维（对疼痛与瘙痒至关重要）的单电极记录时，这些方法往往不可靠。

用神经自身的时序作为指引

作者在微神经记录中采用了一种已有的巧妙技巧，称为“标记法”。在实验过程中，皮肤以低且稳定的频率给予温和的电脉冲。每次脉冲都会在固定延迟后可靠地诱发每条被激活的C纤维产生一次峰值，因此当按试次绘图时，同一纤维的重复响应形成一条垂直的“轨迹”。如果某条纤维在下一次脉冲之前发放了额外的峰值，它的传导会稍微变慢，下一次响应会到得更晚。这种延迟，称为依赖活动的延缓，作为该单一纤维近期活动的指纹。新工作在此基础上扩展，通过重新设计刺激协议，使得不仅常规背景脉冲，而且插入其间的额外脉冲都被视为时序锚点。因此，记录中所有电刺激诱发的峰值都变得精确地时间锁定并被标注，创造了在人类噪声神经中难得的“真实标签”数据集。

从原始噪声到干净峰值序列的混合路径

利用这一真实标签，团队构建了一个半自动分析管线，将专家知识与机器学习相结合。在知识驱动阶段，他们首先为所有可见轨迹计算平均峰值模板，并选择峰值最大且最干净的纤维作为主要目标。他们测量该纤维响应的一般延迟并查找延迟变长的区间，以此指示额外活动。这样峰值检测被限制在这些区间内，从而大幅缩小搜索空间并减少误报。在数据驱动阶段，每个检测到的波形被转换为数值特征——要么是紧凑描述符，要么是原始的3毫秒电压片段本身——并输入到多个分类器中，包括支持向量机和一种流行的提升树方法XGBoost。模型在来自真实标签协议的可靠标注峰值上进行训练，并通过交叉验证调优，以为每次记录找到最佳的模型–特征组合。

新方法的表现如何

作者在六个来自人类志愿者的具有挑战性的记录上测试了他们的管线，这些记录的信号质量和活跃纤维数量各不相同。他们将结果与依赖模板匹配的常用商用程序Spike2进行了比较。跨数据集，没有单一的机器学习方案每次都取胜，但使用原始波形的XGBoost往往在中位性能上最高。信噪比较高且活动纤维较少的记录排序效果最好，而一个特别嘈杂、峰形非常相似的数据集基本上无法排序。总体而言，新管线相比Spike2取得了更高的F1分数和明显更少的假阳性，尤其是在将注意力限制在生理潜伏期变化表明真实活动的时间区间时。在一个现实示例中，向皮肤注入一种诱发瘙痒的化学物质时，管线与Spike2在感兴趣纤维的峰值判断上大体一致，但新方法避免了许多具有不可信高发放率的可疑额外峰值。

这对理解疼痛与瘙痒意味着什么

对非专业读者而言，关键的信息是该研究提供了一种更可信的方式来倾听人类单个神经纤维，即便它们的信号微弱、噪声多且相互重叠。通过结合已知的生理行为——峰值在时间上的对齐方式以及其延迟如何随近期活动而变化——与现代机器学习，作者能够更好地判定哪些峰值确实属于某一纤维，哪些不是。这种改进的排序是科学家在将详细峰值模式安全地解释为疼痛、瘙痒或其他感觉编码之前的必要步骤。尽管一些记录仍然太混乱无法分析，该管线提供了判断数据可用性的明确标准，并为未来旨在解码神经疾病中自发性疼痛信号以及根据单个人类神经纤维发放特征定制治疗的研究奠定了基础。

引用: Troglio, A., Fiebig, A., Maxion, A. et al. Hybrid knowledge- and data-driven modelling for robust spike detection and sorting in human C-fiber microneurography. Sci Rep 16, 8975 (2026). https://doi.org/10.1038/s41598-026-41561-9

关键词: 微神经记录, C 纤维, 峰值排序, 疼痛与瘙痒, 机器学习