BrainYears: A functional ERP–EEG brain age clock for scalable assessment of brain aging
本研究介绍了“BrainYears”，这是一种基于脑电图（EEG）的可扩展、非侵入性且具有成本效益的机器学习模型，该模型利用通过 Sens.ai 头戴设备捕获的 643 个神经特征来准确预测实际年龄，为在临床环境之外评估大脑老化提供了一种可重复的功能性生物标志物。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你的大脑不仅仅是一个会像一双磨损的运动鞋那样逐渐老化的静态器官。相反，把它想象成一个繁忙、高速运转的广播电台。每一秒钟，它都在广播信号、切换频率，并对周围的世界做出反应。长期以来，科学家们一直试图通过进行庞大、昂贵且沉重的 MRI 扫描——基本上是给电台的建筑拍一张高分辨率的照片，看看墙壁是否变薄了——来弄清楚这个“广播电台”有多“老”。
但如果仅仅通过聆听它的广播，就能判断出这个广播电台有多老呢？
这正是巴克研究所（Buck Institute）和 Sens.AI 的研究团队所做的工作。他们开发了一种名为 BrainYears 的新工具。这个工具不是通过拍摄你大脑结构的图像，而是通过在你玩一个简单的电子游戏时，聆听你大脑的电信号。这就像是一个侦探，仅仅通过观察你对惊喜派对的反应，就能猜出你的年龄，而不是去测量你房子的尺寸。
“广播电台”测试
为了训练这位侦探，研究人员使用了涵盖从青年到老年阶段的大量成年人的数据。他们要求参与者佩戴一个轻便的耳机（可以把它想象成一个酷炫的、充满未来感的头带），并玩一个叫做“艾力克森干扰任务”（Eriksen flanker task）的游戏。在这个游戏中，你必须指向中心箭头的方向，同时忽略两侧指向错误方向的箭头。有时，你甚至必须强迫自己停止动作。
在你玩游戏时，耳机记录下了你的大脑电信号。研究人员并没有只观察单一指标；他们捕捉了 643 个不同的特征。想象一下，这些特征就像调音台上 643 个不同的旋钮：有些测量你的反应速度，有些测量你脑波的节奏（就像歌曲中的低音或高音），还有些测量你的大脑如何处理错误或干扰。
双重侦探的神奇之处
研究人员使用了一种巧妙的两步机器学习技巧来根据这些信号推算你的年龄。
- 线性侦探： 首先，他们使用了一种称为 ElasticNet 的方法来寻找明显的、直线型的模式。这就像是注意到随着人们年龄的增长，他们的大脑波通常会稍微变慢。
- 非线性侦探： 但衰老并不只是一个直线过程；它是混乱且复杂的。因此，他们使用了第二个侦探（梯度提升回归器，Gradient Boosted Regressor）来观察那些“剩余部分”——即第一个侦探错过的那些奇怪且复杂的模式。
当他们在一个从未见过的新群体（128 人，即其数据的 20%）上测试这个系统时，结果令人印象深刻。该系统预测出的生理年龄与实际年龄的 Pearson 相关系数为 0.92（一种极强的关联性），平均误差仅为 4.43 年。对于仅凭 5 分钟游戏得出的猜测来说，这已经非常接近了！
为什么这改变了游戏规则
论文明确反对那种认为我们需要巨大的、昂贵的 MRI 机器来测量大脑衰老的观点。MRI 扫描虽然很棒，但它们就像是试图通过把卡车开到广播塔下面来聆听广播电台——沉重、昂贵，而且你无法每天都这么做。
BrainYears 时钟则不同。它是：
- 便携的： 你可以在家佩戴这款耳机。
- 可扩展的： 你可以轻松地将其应用于成千上万的人。
- 可重复的： 你可以每周或每月检查一次你的大脑“年龄”，以观察它的变化，而这在 MRI 中是无法实现的。
数据究竟说明了什么
研究人员发现，大脑衰老不仅仅是某个零件损坏的问题。它是整个电台的一次协调性转变。
- 信号： 随着年龄的增长，低频信号（delta 和 theta 波段）往往会下降，而高频信号（beta 和 gamma 波段）则趋于上升。
- 组合： 最重要的线索并非来自单一来源。系统需要反应时间、错误信号和脑波节奏的综合信息才能做出判断。如果你移除任何一个类别（比如你在停止动作时的“抑制”信号），系统的预测能力就会下降。这证明了大脑衰老是一种分布式现象——它是在所有地方同时发生的。
细则说明（我们仍未了解的部分）
尽管这个工具是一个巨大的进步，但作者们非常谨慎，并未将其称为万能灵药。
- 它是时钟，而非医生： 该工具根据你的大脑信号预测你的“生理年龄”（即你过了多少个生日）。它目前还不能诊断阿尔茨海默病等疾病，尽管作者们认为，如果你的“大脑年龄”远高于你的实际年龄，这可能是一个警告信号。
- 需要更多测试： 该模型是使用 Sens.AI 的耳机数据构建的。作者承认，他们需要针对其他耳机和不同人群进行测试，以确保它对每个人都有效。
- “为什么”仍是一个谜： 我们知道信号随年龄变化的事实，但论文并未完全解释每一个信号变化的生物学背后的“原因”。
总结
BrainYears 项目表明，我们可以通过聆听大脑的“电信号之歌”来衡量大脑是如何衰老的，而不是仅仅拍摄它们的“建筑照片”。这是一种功能性的、可重复的且易于获取的方式，用于追踪大脑健康。虽然它还不是解决所有衰老之谜的最终方案，但它提供了一个充满前景、有趣且实用的新方法，让我们能够时刻关注我们最重要的器官。正如作者所言，这是一个在实验室之外测量功能性大脑衰老的框架，将一个复杂的生物过程转化成了我们在客厅里就能进行的日常检测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。