慢性疼痛的机制复杂，涉及多个脑区和脑网络。我们探究静息态脑活动是否能够提供反映这一状态的指标。基于数分钟的静息态脑电图（EEG）记录，我们生成时频谱图，以表征各皮质区域在不同频率和时间上的振荡活动，并将其输入CREST（皮质静息态脑电空间变换器）：该模型将一个参数冻结的图像识别网络与一个图模型相结合，前者将每个区域的数据作为图像（此处为时频谱图）进行处理，后者对56个皮质区域进行联合加权，以判别慢性疼痛状态。在125名受试者（74名慢性疼痛患者、51名健康对照）中，采用留一受试者交叉验证进行评估，CREST区分两组的受试者工作特征曲线下面积（AUROC）为0.782（置换检验p < 0.005）。对照实验提示，每位受试者的个体α节律在其中发挥作用。临床相关性：基于静息态脑电图的慢性肌肉骨骼（MSK）疼痛状态指标，有望帮助阐明其病理生理机制并指导治疗。
1
斯坦福大学医学院麻醉学、围术期与疼痛医学系，疼痛医学部，系统神经科学与疼痛实验室
美国加利福尼亚州帕洛阿尔托
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站中查找该作者
通信作者：
yasha{at}stanford.edu
Edward Lannon
1
斯坦福大学医学院麻醉学、围术期与疼痛医学系，疼痛医学部，系统神经科学与疼痛实验室
美国加利福尼亚州帕洛阿尔托
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站中查找该作者
Sean Mackey
1
斯坦福大学医学院麻醉学、围术期与疼痛医学系，疼痛医学部，系统神经科学与疼痛实验室
美国加利福尼亚州帕洛阿尔托
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站中查找该作者
摘要
全文
信息/历史
指标
预览 PDF
摘要
慢性疼痛的机制十分复杂，涉及多个脑区和脑网络。我们探讨静息态脑活动是否携带能够反映这种状态的信息。基于几分钟的静息态脑电图（EEG）数据，我们生成频谱图，以表示皮层每个区域在频率和时间维度上的振荡方式，并将其输入 CREST（皮层静息态脑电图空间变换器，Cortical Resting-state EEG Spatial Transformer）：一种冻结的图像识别网络，将每个区域作为一幅图像——此处为一幅频谱图——进行读取；该网络与图模型相结合，对56个皮层区域进行联合加权，以判定慢性疼痛状态。在125名受试者中（74名慢性疼痛患者，51名健康对照者），通过留一受试者交叉验证进行评估，CREST将两组区分开来，其受试者工作特征曲线下面积
（AUROC）= 0.782（置换检验 p < 0.005）。对照实验表明，每个人各自的个体 α 节律都发挥了作用。
临床意义
静息态脑电图（EEG）读数有望阐明慢性肌肉骨骼疼痛的病理生理机制，并为治疗提供参考。
I. 引言
慢性肌肉骨骼（MSK）疼痛是医学领域最常见且致残性最强的疾病之一，但其潜在机制仍未得到充分理解。慢性 MSK 疼痛所驱动的神经可塑性并不局限于伤害感受通路，还扩展至涵盖大脑主要网络的分布式回路，包括默认模式网络、显著性网络和中央执行网络。然而，大多数人体记录研究一次只采样一个网络，因此无法测量网络间的相互作用，相应地，关于疼痛的脑模型也并不完整。一个尚待解答的问题是：这些网络中的分布式静息态活动是否包含足以区分慢性 MSK 疼痛与健康状态的信息；对此问题的回答或将有助于深化基础认识并推动治疗方法的开发。
静息态脑电图（EEG）是一种颇具吸引力的感测方式。它成本低廉且无创，并能捕捉皮层持续产生的电节律，其中一些节律（如 α 波和 β 波）在慢性疼痛中会发生改变 [
1
]、[
2
]。静息态闭眼（EC）和睁眼（EO）会引发不同的脑通信模式，分别偏向内感受和外感受处理。此外，既往疼痛 EEG 研究大多依赖单一网络、人工挑选的频谱或连接特征以及小样本，而且往往未采用能够确保模型学到的是疼痛特征而非对个体的记忆的评估方式。这些手工设计的方法可能难以复现，也可能缺乏泛化能力；我们采用一种
一种刻意保持通用的方法，由核心信号处理和机器学习组件构成。
我们将静息态源定位 EEG 转换为各脑区的频谱图，即呈现各皮层脑区节律随频率和时间变化的图像，并采用 CREST 对慢性疼痛状态进行分类。CREST 是一种皮层静息态 EEG 空间 Transformer（“皮层”指将活动映射至皮层本身，即源空间），能够依据皮层的解剖布局进行推理。
本文的主要贡献如下：
提出 CREST：一种可将任意脑区信号渲染为图像作为输入的方法。该方法使用冻结的 ImageNet 预训练网络对每幅图像进行编码，并通过一种感知半球结构的图 Transformer 在皮层布局上进行推理；
将该方法应用于以 α 波为锚定的频谱图后，仅凭频谱表征即可解码慢性疼痛状态；在留一受试者交叉验证中，AUROC 达到 0.78（N = 125）；
消融实验揭示了该性能的来源：移除预训练骨干网络、皮层图结构或位置编码都会导致结果变差，其中预训练的影响最大；
以每个人自身的 α 波峰值为锚点，可消除受年龄混杂影响的 α 波绝对位置；对照实验表明，这一个体化频带发挥了作用。
II. 相关工作
慢性疼痛的机制理解
尽管经过数十年的努力，对肌肉骨骼（MSK）疼痛机制基础的探索已涵盖影像学、自主神经信号和电生理学等领域，但仍未形成可常规使用的测量指标。功能性磁共振成像（fMRI）特征能够区分急性疼痛状态，但成本高昂，不适用于常规或重复检测；自主神经指标（如心率变异性、皮肤电导）成本低廉，但缺乏特异性。静息态 EEG 持续受到关注，因为慢性疼痛伴随着皮层节律的变化。
以及连接性[1]–[3]。此外，已报道的分类器往往采用小规模队列和手工设计的特征，而且很少有研究证实其性能能够适用于此前未见过的个体。
临床生物标志物的机器学习
临床生物标志物发现利用机器学习处理高维生理数据，其主要限制在于样本量较小，以及模型可能学习混杂因素而非目标信号；受试者独立评估和混杂因素分析是公认的保障措施。
用于脑数据的Transformer与空间模型
Transformer[4]和图神经网络已被应用于脑数据，将解剖区域视为节点，并将它们之间的空间或功能关系视为边。与此同时，研究者还利用在自然图像上预训练的卷积网络[5]、[6]，对生理信号的时频表示进行解码。
CREST将这两条思路结合起来：以预训练的图像骨干网络作为逐区域编码器，并以作用于皮层分区的图Transformer作为空间推理器。
III. 材料与方法
我们通过四阶段流程描述CREST：1）队列获取；2）谱图构建；3）逐区域编码；4）空间聚合。下面将对各阶段进行更详细的介绍。
队列获取
我们研究了125名具有完整静息态记录的成年人：其中74名患有慢性疼痛（即持续时间超过3个月；SC组，Subject Chronic），51名为健康对照者（SH组，Subject Healthy），两组比例为59∶41。两组在年龄（SC组57.1 ± 15.0岁，SH组40.6 ± 14.3岁）和性别（SC组女性占79.7%，SH组女性占43.1%）方面存在差异，我们将在下文的队列混杂因素分析中对此加以处理。数据是在获得知情同意并遵循经批准的IRB方案的情况下采集的。每位参与者贡献了一个
在两种条件下进行静息态脑电图（EEG）记录：闭眼（EC）和睁眼（EO）。连续采集的 250 Hz EEG 经源定位后映射至一个包含 56 个区域、标注左右半球的皮层分区图谱。
EEG 时频谱图
对于 56 个皮层区域中的每一个，我们根据其源定位时间序列计算时频谱图：在 120 s 的片段上使用 10 s 窗口，并以 1 s 为步长滑动，分析 2–45 Hz 的频率范围，随后将时间轴插值为 224 列。每个区域分别生成一张闭眼和一张睁眼时频谱图。两者分别编码，并在特征空间中通过拼接、绝对差和逐元素乘积进行融合（只要某个区域包含多个条件，CREST 就会采用这种方式进行融合）。
在滤波器组处理之前，我们去除非周期性（1/f）背景；该背景本身受年龄影响 [7]。具体做法是逐帧减去双对数坐标下的线性拟合，并保留正残差；随后对滤波器组输出进行对数压缩，生成图像。作为区域编码器，我们采用的 EfficientNet-B0 原生分辨率为 224 × 224。α 节律是静息 EEG 中占主导地位、频率约为 8–12 Hz 的振荡，在闭眼时最强。其精确峰值频率因人而异，平均接近 10 Hz，但可偏移约 ±2 Hz；每个人的这一峰值即个体 α 频率（IAF），它是一种稳定特征，在同一个体不同会话间保持一致 [8]，且会随年龄增长而降低 [9]。我们根据每位参与者的闭眼频谱估计其 IAF [10]，并据此调整滤波器组：三角形滤波器组将滤波器中心集中在 IAF ±4 Hz 范围内，并在其上方逐渐稀疏，使 α 频带在图像中呈现为较宽的条带（窗口范围内约为 13 行/Hz，窗口上方约为 2 行/Hz；图 2）；对于 125 名参与者中缺乏明显 α 峰的 4 人，则使用 10 Hz 作为默认值。我们以 α 频带为基准，原因是：
1）慢性疼痛患者在 α 频段及其邻近频段的皮层节律发生改变 [1]、[2]；2）个体 α 峰值频率（IAF）已被提出作为疼痛敏感性的标志物 [3]；3）丘脑皮层节律失调假说是一种具有影响力但仍存在争议的解释，该假说将慢性疼痛与静息态节律向较低频率偏移联系起来 [11]。以每个人自身的峰值为锚点，可消除 α 节律绝对频率位置的影响——这也是与年龄混杂最为严重的部分——转而强调其周围活动的形态。在人口统计学变量基础上检验增量预测价值，则可防范残余混杂的影响。
下载图片
在新标签页中打开
图 1.
CREST 流程。
静息态 EEG 经由以下步骤处理：（a）记录（闭眼和睁眼状态）；（b）进行源定位，映射至 56 个皮层区域；（c）将每个区域的节律转换为以 α 节律为锚点的时频谱图；（d）使用在照片上预训练、从未使用 EEG 重新训练的图像网络，对每张时频谱图进行特征汇总；（e）在整个皮层范围内比较这 56 组汇总特征；（f）模型输出慢性疼痛的概率（ROC 曲线，AUROC 为 0.782，采用留一受试者交叉验证，N = 125）。
下载图片
在新标签页中打开
图 2.
将图像分辨率集中于每个人自身的 α 节律。
（a）
来自一个皮层区域的源定位 EEG。
（b）
以该参与者的 α 峰值（IAF，9.5 Hz）为锚点的滤波器组，将其 224 个滤波器中的 101 个置于 IAF ± 4 Hz 范围内，从而将图像细节集中于该范围。
（c）
由此得到的频率到图像行的映射，在该窗口以下及窗口内部较陡，而在窗口以上较平缓（约 2 行/Hz）。
（d）
CREST 所读取的图像：α 节律在 224 × 224 的画布上占据一个宽带。
（e）
作为参照，对同一信号采用均匀频率间隔处理：α 节律被压缩成一条细带。两幅图中的红色括号均标示 IAF ± 4 Hz 范围。将该窗口重新锚定至偏离各参与者自身峰值的位置会降低
解码（见表 II）。
通过 EfficientNet 进行频谱图编码
频谱图中具有判别力的信息往往体现在局部时频纹理（条带的密度与规律性）中，而非类似物体的形状。因此，我们推测，在自然图像上训练的网络已知更偏重局部纹理而非全局形状 [12]，可能无需任何 EEG 专项训练，即可有效迁移为通用频谱图编码器。为此，我们使用在 ImageNet 上预训练且参数冻结的 EfficientNet-B0 [5]、[6] 对每个脑区的频谱图进行嵌入编码，并对其输出执行全局平均池化，得到各脑区的特征向量（图 3）。冻结骨干网络使该方法保持简洁；下文的消融实验表明，随机初始化的骨干网络会导致性能崩溃，降至随机水平以下。
查看此表：
内嵌查看
弹窗查看
下载 PowerPoint
表 I.
队列人口统计学特征。
查看此表：
内嵌查看
弹窗查看
下载 PowerPoint
表 II.
消融实验、基线方法与频率锚定对照（留一受试者交叉验证（LOSO），5 个随机种子；相对于完整 CREST 的配对 ΔAUROC）。
下载图片
在新标签页中打开
图 3.
从单个脑区的频谱图到决策。
(a)
将单个脑区以 α 频率为锚点的频谱图视为一幅图像。
(b)
一个现成的图像识别网络（EfficientNet-B0）在照片上训练，且从未使用 EEG 重新训练，用于输出其学得的 1280 种视觉模式各自在该图像中的响应强度；图中展示了其中 3 种。
(c)
对每种模式在整幅图像上的响应取平均值，将该脑区概括为 1280 个数值。对每个脑区应用同一个网络，得到每个脑区对应的一行特征，并标注其所属半球。
(d)
随后，各脑区相互比较，每对脑区均根据皮层距离进行加权（采用四层图 Transformer；图示配对仅作示意）。
(e)
将各脑区的信息整合为单一汇总表征，并转换为
转换为慢性疼痛概率。规模相同的未训练网络，其性能降至随机水平以下（见表 II）。
CREST 架构
CREST 可将任意脑区级图像作为输入；上文所述的以 α 节律为锚点的时频谱图是本文评估的具体实例。56 个脑区级特征向量构成一个四层图 Transformer [4] 的节点，该模型具有 4 个注意力头，模型维度为 384（1280 维脑区级嵌入在进入注意力机制前被投影至 384 维）（图 3）。脑区身份通过基于脑区分区的 7 × 8 行列布局的固定正弦位置编码引入，并采用镜像处理，使双侧同源脑区共享同一位置。注意力还受到一个可学习的 56 × 56 矩阵的偏置调节，该矩阵以皮层距离的负值初始化，使相邻脑区和同源脑区在初始时具有更强的耦合；正是这一偏置使 Transformer 成为皮层上的图。一个可学习的分类标记与各脑区共同参与注意力计算，关注各脑区，其输出表征被传入由线性层和 sigmoid 函数组成的输出头，以生成慢性疼痛概率。图 1 展示了完整流程。
评估方法
我们采用严格的留一受试者交叉验证（LOSO）进行评估：每一折均将一名参与者完全留出，因此同一受试者不会同时出现在训练集和测试集中。对 5 个随机种子下的结果进行平均，形成集成结果。统计显著性检验采用受试者标签随机置换构建的零分布。我们报告受试者层面百分位数自助法置信区间对应的 AUROC，以及以队列基准发生率为参照的精确率–召回率曲线下面积。
IV. 结果与讨论
分类性能
在严格的 LOSO 交叉验证下（N = 125；74 名慢性疼痛患者，51 名健康受试者），CREST 区分两组的 AUROC 为 0.782（基于留出受试者的自助法 95% 置信区间为 0.69–0.87），曲线下面积为
精确率–召回率曲线下面积为0.820，而基准率为0.592。我们报告的是对不同随机种子的预测结果取平均后得到的AUROC；5个随机种子仅改变初始化和训练顺序，始终不改变交叉验证的折划分。观测到的AUROC高于全部B = 200次受试者标签随机置换所得到的零分布结果（零分布均值为0.42，由于59/41的类别不平衡而低于0.50；最大值为0.63）；每次置换均在重新标记的受试者数据上重新运行整个流程（p = (1+0)/(1+200) < 0.005），因此，该结果并非有限样本造成的假象。总体而言，区分能力远高于随机水平，且在不同随机种子下保持稳定。
消融评估
仅凭主要性能指标无法判断各组件的贡献，因此，我们在相同的评估设置下对各组件进行消融（表II）。迄今为止，最主要的影响因素是ImageNet预训练：将冻结的骨干网络替换为架构相同但随机初始化的网络后，AUROC从0.782骤降至0.422，低于随机水平，表明几乎全部信号都来自具有跨领域通用性的预训练特征，而非网络容量。在该表征的基础上，空间模型带来了幅度较小但一致的增益：完全舍弃区域图的均值池化基线仍达到0.739，而完整的图Transformer则将AUROC提升至0.782（配对增益为+0.043）。这一增益依赖于位置编码：移除位置编码后，图模型的AUROC降至0.731，并不优于池化。相反，仅采用拼接与完整融合在统计上无显著差异（0.786；配对ΔAUROC为+0.004，95%置信区间为[−0.006，+−0.015]）。基于相同特征的梯度提升树（XGBoost）基线达到0.673。因此，预训练提供了表征，而皮层图则在此基础上提供了较小的空间增益。
信号重要性与解释
将我们的频率关注重点从每个人的α峰移开，应当
如果解码器确实利用了真实的 α 节律生理信息，那么上述操作应使其性能下降，事实也确实如此。将重点锚定于个体 α 峰值时，AUROC 为 0.782；将相同的分辨率预算重新分配至 β 频段后，AUROC 降至 0.734；将其固定于统一的 10 Hz 时，AUROC 降至 0.733；而为每名受试者随机选择一个频率作为锚点时，AUROC 则降至 0.687（表 II）。在当前样本量下，仅相较于每名受试者采用随机锚点时的性能下降具有统计学显著性（配对 ΔAUROC 为 0.096，95% CI 为 [−0.191, −0.004]）；β 频段和固定 10 Hz 条件下的下降幅度相近，但其配对置信区间均跨越零。由于随机锚点条件下的性能仍高于随机水平，因此仍存在非频段特异性的成分；但锚定于每名受试者自身的峰值，相较于随机放置的频段，能够带来可测量的性能增益。总体而言，部分判别信号似乎与每名参与者自身的 α 节律有关。
队列混杂因素评估
慢性疼痛组与健康组在年龄和性别方面存在差异（表 I），因此我们考察 CREST 是否仅仅反映了人口学特征。以年龄和性别为自变量对 CREST 评分进行线性拟合，仅能解释其方差的 10.7%（R² = 0.107）。在包含年龄和性别的逻辑回归模型中加入该评分后，模型拟合优度较仅包含人口学特征的模型显著改善（似然比检验，p = 1.9 × 10⁻⁶），因此 CREST 捕捉到了超出人口学代理指标所能解释范围的疼痛相关脑活动。
讨论
多网络脑建模有助于阐明与慢性疼痛症状相关的脑变化。可重复的慢性疼痛脑电图相关指标可通过提供额外的神经生理表型，对自我报告形成补充，尤其适用于纵向研究和治疗反应研究。CREST 并未确立疼痛的客观真值，也不应被解读为能够证实或否定某一
个体的自我报告；在临床应用之前，仍需在独立临床队列和个体内纵向研究中进行评估。
在方法学上，CREST 是一套适用于小样本临床脑电图（EEG）研究的精简方案。由于骨干网络经过预训练且参数冻结，该方法仅需少量标注数据，无需进行 EEG 特异性的表征学习。相应地，推理的计算成本较低——每个脑区仅需通过冻结的 EfficientNet-B0 进行一次前向传播，再经过一个四层 Transformer——不过，上游的源定位步骤仍是部署机构需要满足的主要要求。
本研究存在明确的局限性。这是一项单中心研究，样本量较小，且人口统计学构成不均衡；研究解码的是单一时间点的疼痛状态，而非追踪其变化。慢性疼痛患者常用的中枢神经系统活性药物也会改变静息态频谱，但这些药物并未纳入混杂因素模型。此外，源覆盖范围因记录而异：未重建出偶极子的脑区会被剔除，因此图模型仅在脑区分区中有源数据的子集上运行。本文将 α 频段定位结果作为信号的一项特性予以报告；我们并不对网络所执行计算的机制做出任何断言。外部验证和纵向测试是下一步的自然方向。
V. 结论
在严格的留一受试者交叉验证（LOSO）评估下，CREST 基于静息态 EEG 时频谱图解码慢性疼痛状态，受试者工作特征曲线下面积（AUROC）达到 0.78。结果表明，流程中的每个组成部分均有贡献，且具有判别力的信号与每位受试者自身的个体 α 节律有关。由于骨干网络经过预训练且参数冻结，该方法可推广至任何以图像形式呈现的脑区级信号。它提供了一种精简、可复用的方法，并为一种目前仍几乎完全依赖自我报告进行测量的病症提供了候选 EEG 相关指标。
已声明的资助方信息
美国国家药物研究所
滥用，
，T32 DA035165
脚注
elannon{at}stanford.edu，
smackey{at}stanford.edu
参考文献
[1].
↵
S. Ta Dinh、M. M. Nickel、L. Tiemann、E. S. May、H. Heitmann、V. D. Hohn、G. Edenharter、D. Utpadel-Fischler、T. R. Tölle、P. Sauseng、J. Gross 和 M. Ploner，“通过静息态脑电图评估慢性疼痛患者的脑功能障碍”，《疼痛》，第160卷，第12期，第2751–2765页，2019年。
OpenUrl
CrossRef
PubMed
[2].
↵
M. Ploner、C. Sorg 和 J. Gross，“疼痛的脑节律”，《认知科学趋势》，第21卷，第2期，第100–110页，2017年。
OpenUrl
CrossRef
PubMed
[3].
↵
A. J. Furman、T. J. Meeker、J. C. Rietschel、S. Yoo、J. Muthulingam、M. Prokhorenko、M. L. Keaser、R. N. Goodman、A. Mazaheri 和 D. A. Seminowicz，“脑α峰值频率可预测疼痛敏感性的个体差异”，《神经影像》，第167卷，第203–210页，2018年。
OpenUrl
CrossRef
PubMed
[4].
↵
A. Vaswani、N. Shazeer、N. Parmar、J. Uszkoreit、L. Jones、A. N. Gomez、L. Kaiser 和 I. Polosukhin，“注意力就是你所需要的一切”，载于《神经信息处理系统进展》（NeurIPS），2017年。
[5].
↵
M. Tan 和 Q. V. Le，“EfficientNet：重新思考卷积神经网络的模型缩放”，载于国际机器学习会议（ICML），2019年，第6105–6114页。
[6].
↵
J. Deng、W. Dong、R. Socher、L.-J. Li、K. Li 和 L. Fei-Fei，“ImageNet：大规模层次化图像数据库”，载于IEEE计算机视觉与模式识别会议（CVPR），2009年，第248–255页。
[7].
↵
T. Donoghue、M. Haller、E. J. Peterson、P. Varma、P. Sebastian、R. Gao、T. Noto、A. H. Lara、J. D. Wallis、R. T. Knight、A. Shestyuk 和 B. Voytek，“神经功率的参数化
将频谱分解为周期性和非周期性成分”，《自然神经科学》，第23卷，第12期，第1655–1665页，2020年。
打开链接
CrossRef
PubMed
[8].
↵
T. H. Grandy、M. Werkle-Bergner、C. Chicherio、F. Schmiedek、M. Lövdén 和 U. Lindenberger，“个体α峰值频率可作为健康青年及老年成人稳定的神经生理特质标志物”，《心理生理学》，第50卷，第6期，第570–582页，2013年。
打开链接
CrossRef
PubMed
Web of Science
[9].
↵
W. Klimesch，“脑电α和θ振荡反映认知与记忆表现：综述与分析”，《脑研究综述》，第29卷，第2–3期，第169–195页，1999年。
打开链接
CrossRef
PubMed
Web of Science
[10].
↵
A. W. Corcoran、P. M. Alday、M. Schlesewsky 和 I. Bornkessel-Schlesewsky，“迈向可靠的个体α频率（IAF）自动量化方法”，《心理生理学》，第55卷，第7期，文章编号e13064，2018年。
打开链接
CrossRef
PubMed
[11].
↵
R. R. Llinás、U. Ribary、D. Jeanmonod、E. Kronberg 和 P. P. Mitra，“丘脑皮质节律失调：一种通过脑磁图表征的神经及神经精神综合征”，《美国国家科学院院刊》，第96卷，第26期，第15222–15227页，1999年。
打开链接
[12].
↵
R. Geirhos、P. Rubisch、C. Michaelis、M. Bethge、F. A. Wichmann 和 W. Brendel，“在ImageNet上训练的卷积神经网络偏向纹理；增强形状偏向可提高准确性和鲁棒性”，载于国际学习表征会议（ICLR），2019年。
返回顶部
上一页
下一页
发布于2026年8月28日。
下载PDF
电子邮件
感谢您有意帮助传播bioRxiv上的内容。
注意：索取您的电子邮箱地址仅用于标明您是本文的发送者。
您的电子邮箱
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或用逗号分隔。
您将通过电子邮件发送以下内容
CREST：用于慢性疼痛推断的皮层静息态脑电空间 Transformer
邮件主题
（您的姓名）从 bioRxiv 向您转发了一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于验证您是否为人类访客，并防止自动提交垃圾信息。
分享
CREST：用于慢性疼痛推断的皮层静息态脑电空间 Transformer
Yasha
Iravantchi
，
Edward
Lannon
，
Sean
Mackey
bioRxiv
2026.08.25.747119；
doi：
https://doi.org/10.64898/2026.08.25.747119
分享本文：
复制
引文工具
CREST：用于慢性疼痛推断的皮层静息态脑电空间 Transformer
Yasha
Iravantchi
，
Edward
Lannon
，
Sean
Mackey
bioRxiv
2026.08.25.747119；
doi：
https://doi.org/10.64898/2026.08.25.747119
文献管理器格式
BibTeX
Bookends
EasyBib
EndNote（带标签格式）
EndNote 8（xml）
Medlars
Mendeley
Papers
RefWorks 带标签格式
Ref Manager
RIS
Zotero
推文小工具
Facebook 点赞
Google Plus One
学科领域
神经科学
学科领域
所有文章
动物行为与认知
(7948)
生物化学
(18581)
生物工程
(14727)
生物信息学
(44013)
生物物理学
(22395)
肿瘤生物学
(19525)
细胞生物学
(26682)
临床试验
(138)
发育生物学
(13862)
生态学
(20818)
流行病学
(2067)
进化生物学
(25257)
遗传学
(16076)
基因组学
(23357)
免疫学
(18542)
微生物学
(42129)
分子生物学
(17902)
神经科学
(92623)
古生物学
(692)
病理学
(2963)
药理学与毒理学
(5052)
生理学
(8032)
植物生物学
(15858)
科学传播与教育
(2090)
合成生物学
(4527)
系统
生物学
(10160)
动物学
(2369)
关键词：慢性疼痛 · 静息态脑电图 · 时频分析 · 空间变换器 · 脑网络建模 · 个体α节律
原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.747119v1?rss=1