5D Library › 指—脑皮层放大、远端微针传入与卒中后认知网络重建的计算神经学 · English
第二章 揿针、皮肤与指尖的皮层放大
论文中的揿针方案
证据
干预方案(据论文第 2.2.2 节)。 治疗组在「醒脑开窍」针刺法与中风病基础药物治疗之上,加用双手十二井穴揿针:规格 Φ0.18 mm × 0.9 mm(医疗器械注册证号印于论文),以 75% 乙醇消毒后贴于少商、商阳、中冲、关冲、少泽、少冲六穴(左右各一,共 12 穴),嘱患者每天下午至睡前按揉 3 次,每次每穴 2–3 分钟,以局部酸胀或发红发热为度;24 小时更换一次针具;每周 5 天,共 4 周。对照组只接受「醒脑开窍」针刺法与基础治疗,论文中又称「空白组」(Lu 2024)。
这个方案有两个组成部分:一枚长 0.9 毫米、贴在皮肤上的针,以及患者每天三次、每次每穴两三分钟的按揉。对照组既没有针,也没有按揉,所以两组之间的任何差别,都同时包含针体、按压的机械刺激、每天花在手上的十几分钟注意力,以及「我在接受额外治疗」的预期。本章先看这两个组成部分在皮肤与感觉神经层面分别意味着什么,再看作者框架中的皮层放大、去甲肾上腺素增益与分子机制说法,最后看假揿针的证据。
黏弹性皮肤:标准线性固体
皮肤不是弹簧。把一个小物体压进皮肤,接触力在最初的一瞬最大,随后在几秒到几十秒内逐渐下降,这就是应力松弛 (Fung 1993)。描述这一现象最简单的模型是标准线性固体:一个弹簧与一个「弹簧—阻尼器」串联单元并联。在阶跃压入 之下,应力为
其中 是瞬时模量, 是长期模量, 是松弛时间。感受器对应力的反应大致分为两类:慢适应的单位(如 SA I)在持续受压时持续放电,但放电率逐渐下降;快适应的单位(如 FA I)只在应力变化时放电 (Johansson and Flanagan 2009)。下面是作者的模型:参数都是无量纲的示意值,用来看「贴着不动」与「按揉」在定性上的差别,不是对真实皮肤或真实神经的拟合。
推导
# Chapter 2. A press needle in viscoelastic skin (the author's model; dimensionless,
# illustrative parameters). Standard linear solid: tau ds/dt + s = E_inf (e + tau_e de/dt)
# tau_e = tau E0 / E_inf; a step e0 gives s(t) = e0 [E_inf + (E0 - E_inf) e^(-t/tau)].
# SA-like rate = g_s max(0, s - th_s), slowly adapting; RA-like rate = g_r max(0, |ds/dt|
# - th_r). Protocol of the thesis: taped for 24 h, rubbed 3 x 150 s a day (here 2 Hz).
import math
E0, EINF, TAU = 1.0, 0.35, 8.0 # instantaneous, long-term modulus; relaxation time (s)
TH_S, G_S, TA = 0.05, 40.0, 60.0 # SA threshold, gain, adaptation time constant (s)
TH_R, G_R = 0.02, 25.0 # RA threshold on |ds/dt| (per s), gain
DT = 0.005
def stress_path(indent, T):
"""Integrate the SLS for an indentation function indent(t); return s and ds/dt."""
s, out, e_prev = 0.0, [], indent(0.0)
tau_e = TAU * E0 / EINF
for k in range(int(T / DT)):
t = k * DT; e = indent(t); de = (e - e_prev) / DT; e_prev = e
ds = (EINF * (e + tau_e * de) - s) / TAU
s += ds * DT; out.append((t, s, ds))
return out
def spikes(path):
sa = ra = 0.0; a = 0.0
for t, s, ds in path:
a += (max(0.0, s - TH_S) - a) * DT / TA # slow adaptation variable
sa += G_S * max(0.0, s - TH_S - 0.7 * a) * DT
ra += G_R * max(0.0, abs(ds) - TH_R) * DT
return sa, ra
def step(e0):
return lambda t: e0 if t >= 0.2 else 0.0
def rub(e0, amp, f):
return lambda t: e0 + amp * 0.5 * (1 - math.cos(2 * math.pi * f * t))
def steady_sa(e0, th):
"""SA rate once relaxation and adaptation are complete (closed form)."""
return G_S * 0.3 * max(0.0, EINF * e0 - th)
if __name__ == "__main__":
e0 = 0.10
p = stress_path(step(e0), 120.0)
print("step indentation e0 = 0.10 at t = 0.2 s (stress in units of E0):")
print(" " + " ".join(f"t={tt:g}s: {p[int(tt / DT)][1]:.4f}"
for tt in (0.25, 2.0, 8.0, 30.0, 119.0)))
print(f" long-run stress E_inf e0 = {EINF * e0:.4f} ({EINF:.0%} of the peak)")
sa1, ra1 = spikes(p)
sa2, ra2 = spikes(stress_path(rub(e0, 0.10, 2.0), 150.0))
print(f"first 120 s after taping: SA {sa1:7.1f} RA {ra1:6.1f}"
" (model spike counts)")
print(f"150 s of rubbing at 2 Hz: SA {sa2:7.1f} RA {ra2:6.1f} (RA share"
f" {ra2 / (sa2 + ra2):.0%})")
print("per point per day, by SA threshold (static: 24 h at the steady SA rate;")
print("rubbing: 3 sessions x 150 s, as in the thesis protocol):")
for th in (0.01, 0.02, 0.03, 0.05):
TH_S = th
r = steady_sa(e0, th)
sa, ra = spikes(stress_path(rub(e0, 0.10, 2.0), 150.0))
print(f" threshold {th:.2f}: steady SA {r:.3f}/s -> static {r * 86400:8,.0f};"
f" rubbing {3 * (sa + ra):6,.0f}")
# step indentation e0 = 0.10 at t = 0.2 s (stress in units of E0):
# t=0.25s: 0.0996 t=2s: 0.0869 t=8s: 0.0595 t=30s: 0.0366 t=119s: 0.0350
# long-run stress E_inf e0 = 0.0350 (35% of the peak)
# first 120 s after taping: SA 8.2 RA 2.5 (model spike counts)
# 150 s of rubbing at 2 Hz: SA 80.6 RA 1425.9 (RA share 95%)
# per point per day, by SA threshold (static: 24 h at the steady SA rate;
# rubbing: 3 sessions x 150 s, as in the thesis protocol):
# threshold 0.01: steady SA 0.300/s -> static 25,920; rubbing 4,808
# threshold 0.02: steady SA 0.180/s -> static 15,552; rubbing 4,732
# threshold 0.03: steady SA 0.060/s -> static 5,184; rubbing 4,658
# threshold 0.05: steady SA 0.000/s -> static 0; rubbing 4,519在这组参数下,贴上之后 8 秒应力降到峰值的约 60%,30 秒后接近长期值,即峰值的 35%。最初 120 秒里,慢适应与快适应单位一共只产生约 11 个模型脉冲;而每次 150 秒、频率 2 赫兹的按揉产生约 1,500 个,其中 95% 来自快适应单位。贴着不动的 24 小时能贡献多少,完全取决于慢适应单位的阈值是否低于长期应力:阈值为 0.01 时一天约 25,920 个,阈值为 0.05 时为零;而三次按揉一天合计约 4,500–4,800 个,几乎不随这个阈值变化。
所以,「揿针提供 24 小时持续刺激」不能默认:它取决于论文没有测量的残余应力与阈值。方案中稳定的传入来自按揉,它对针体之外的皮肤同样起作用;这正是第八章要求真、假揿针两组都每天按压三次的原因。
机械转导:Piezo2
触觉的分子入口已经比较清楚。Coste 等人 2010 年鉴定出 Piezo1 与 Piezo2 两个机械门控阳离子通道 (Coste et al. 2010);Ranade 等人 2014 年在小鼠中发现,敲除感觉神经元中的 Piezo2 会使大多数低阈值机械感受器失去反应,轻触觉严重受损 (Ranade et al. 2014);Chesler 等人 2016 年报告了两名 PIEZO2 双等位基因功能丧失的年轻患者,两人的振动觉、触觉辨别与本体感觉明显受损,而痛觉与温度觉相对保留 (Chesler et al. 2016)。这是人体中少有的直接证据,说明 Piezo2 是精细触觉与本体感觉的主要转导通道。
但要注意两点。其一,0.9 毫米的针尖穿入表皮与真皮浅层,除了牵动低阈值机械感受器,还可能激活伤害性感受的 Aδ 与 C 纤维;这些纤维的转导机制与 Piezo2 主导的轻触觉不同。其二,「Piezo2 是触觉的转导通道」是机制知识,它说明指端刺激能够产生传入,而不说明这种传入能够改善卒中后的认知。机制上的合理性不能当作疗效证据。
指尖的感受器密度与皮层放大
作者框架说指尖在皮层中被放大「15–30 倍以上」。本轮核查没有找到这一数字的出处。可以核实的数字来自 Johansson 与 Vallbo 1979 年的微神经电图研究:他们在清醒受试者的正中神经记录了 334 个支配手部无毛皮肤的低阈值机械感受单位,结合神经纤维计数估计,指尖的单位密度约为 241 个/cm²,手掌约为 58 个/cm²,手掌、手指与指尖的相对密度为 1 : 1.6 : 4.2;密度梯度主要来自感受野小而清晰的 FA I 与 SA I 单位 (Johansson and Vallbo 1979)。
推导
# Chapter 2. (A) How many low-threshold mechanoreceptive units lie under a press-needle
# patch? Densities are those estimated by Johansson & Vallbo (1979) for GLABROUS skin:
# 241 units/cm2 at the fingertip, 58 in the palm, relative densities 1 : 1.6 : 4.2
# (palm : finger : fingertip). Jing-well points lie about 0.1 cun from the corner of the
# nail, at the edge of the glabrous skin, so the glabrous figures are an upper range.
# (B) The adaptive-gain idea of Aston-Jones & Cohen (2005) in its simplest form: a
# logistic unit y = 1/(1 + exp(-g (x - b))) with input noise s_in and output noise
# s_out. Discriminability d' of two nearby inputs is computed by quadrature, not
# simulation. This is the author's illustration, not a model of press-needle effects.
import math
DENS = {"fingertip (glabrous)": 241.0, "finger shaft": 58.0 * 1.6, "palm": 58.0}
def units(dens_cm2, r_mm):
return dens_cm2 / 100.0 * math.pi * r_mm ** 2
def moments(x, g, b, s_in, k=241):
"""Mean and variance of the logistic output when x is blurred by N(0, s_in^2)."""
w, m1, m2 = 0.0, 0.0, 0.0
for i in range(k):
z = -6 + 12 * i / (k - 1); p = math.exp(-z * z / 2)
y = 1 / (1 + math.exp(-g * (x + s_in * z - b)))
w += p; m1 += p * y; m2 += p * y * y
m1 /= w; m2 /= w
return m1, m2 - m1 * m1
def dprime(x1, x2, g, b=0.5, s_in=0.05, s_out=0.02):
a1, v1 = moments(x1, g, b, s_in); a2, v2 = moments(x2, g, b, s_in)
return (a2 - a1) / math.sqrt((v1 + v2) / 2 + s_out ** 2)
if __name__ == "__main__":
print("A. Units under a circular contact of radius r (glabrous-skin densities)")
print(" site spacing r = 0.5 mm r = 1 mm r = 2.5 mm")
for site, d in DENS.items():
print(f" {site:22s} {10 / math.sqrt(d):5.2f} mm" + "".join(
f"{units(d, r):12.1f}" for r in (0.5, 1.0, 2.5)))
print(f" fingertip / palm density ratio: {241 / 58:.2f}; twelve points at r = 1 mm:"
f" {12 * units(241, 1.0):.0f} (upper range)")
print("B. Adaptive gain: d' for inputs 0.50 vs 0.55 and 0.70 vs 0.75 (threshold 0.5)")
print(" gain g: " + "".join(f"{g:7d}" for g in (1, 5, 10, 20, 40, 80)))
for x1 in (0.50, 0.70):
print(f" {x1:.2f}/{x1 + 0.05:.2f}: " + "".join(
f"{dprime(x1, x1 + 0.05, g):7.2f}" for g in (1, 5, 10, 20, 40, 80)))
best = max(range(1, 121), key=lambda g: dprime(0.70, 0.75, g))
print(f" for 0.70/0.75 the best gain is g = {best}; beyond it saturation lowers d'")
# A. Units under a circular contact of radius r (glabrous-skin densities)
# site spacing r = 0.5 mm r = 1 mm r = 2.5 mm
# fingertip (glabrous) 0.64 mm 1.9 7.6 47.3
# finger shaft 1.04 mm 0.7 2.9 18.2
# palm 1.31 mm 0.5 1.8 11.4
# fingertip / palm density ratio: 4.16; twelve points at r = 1 mm: 91 (upper range)
# B. Adaptive gain: d' for inputs 0.50 vs 0.55 and 0.70 vs 0.75 (threshold 0.5)
# gain g: 1 5 10 20 40 80
# 0.50/0.55: 0.53 0.95 0.99 1.00 0.97 0.91
# 0.70/0.75: 0.52 0.91 0.87 0.55 0.09 0.01
# for 0.70/0.75 the best gain is g = 6; beyond it saturation lowers d'A 部分把这些密度换算成更直观的量:指尖相邻感受单位的平均间距约 0.64 毫米,手掌约 1.31 毫米;在半径 1 毫米的接触面下,指尖约有 7.6 个单位,手掌约 1.8 个;12 个穴位合计约 91 个,这是按无毛指腹密度估算的上限。除中冲在「中指末端最高点」外,其余井穴都在指甲角旁约 0.1 寸(如少商「拇指末节桡侧,指甲根角侧上方 0.1 寸」,论文第 2.2.2.2 节),处在无毛皮肤与指背皮肤的交界附近,而不是 Johansson 与 Vallbo 测量的指腹中央,所以实际密度很可能更低。
皮层放大是另一个问题。Penfield 与 Boldrey 1937 年用术中电刺激绘制了运动与体感代表区,著名的「小人图」是定性示意 (Penfield and Boldrey 1937)。Corniani 与 Saal 2020 年整合解剖与电生理资料,估计全身约有 23 万根触觉传入纤维,并发现神经支配密度与体感皮层代表区大小只呈弱相关,不能完全解释手与面部的放大 (Corniani and Saal 2020)。也就是说,手指在皮层中的「放大」确实存在,而且超过了外周密度所能解释的部分;但这个放大的倍数因测量方法而异,本书不引用「15–30 倍」这样的数字。第 34、43 本讨论过皮层可塑性与手,这里只回顾一点:代表区较大,并不意味着刺激该部位对远处的认知网络影响更大。
蓝斑与适应性增益
作者框架引用 Aston-Jones 与 Cohen 2005 年的蓝斑—去甲肾上腺素「适应性增益」理论 (Aston-Jones and Cohen 2005):蓝斑的相位性放电提高目标神经元输入—输出函数的斜率(增益),有利于专注当前任务;紧张性放电过高时则有利于探索。这一理论常被简化为「增益越高越好」。B 部分用最简单的形式说明它不是这样:一个阈值为 0.5 的逻辑斯蒂单元在输入噪声与输出噪声之下,分辨 0.50 与 0.55 两个输入时,增益从 1 提高到 20,区分度 从 0.53 升到 1.00;但分辨远离阈值的 0.70 与 0.75 时,最佳增益是 6,增益到 40 时 只剩 0.09,因为输出已经饱和。增益的效果取决于输入落在函数的哪一段。这是作者的示例;没有证据表明每天按揉揿针会以可测的方式改变人的蓝斑活动。
「vPAG P2RX7」
框架中提到「腹侧导水管周围灰质(vPAG)P2RX7」。这一说法来自 Tang 等人的大鼠研究:在重型创伤性脑损伤造成昏迷的大鼠中,手十二井穴针刺(浅刺、短时留针,不是放血)改善了意识与神经功能评分;脑干组织的基因芯片显示 P2rx7 等基因上调,免疫荧光显示 vPAG 中表达 P2RX7 的多巴胺能神经元被激活,侧脑室或 vPAG 内注射 P2RX7 拮抗剂可以阻断这一效应 (Tang et al. 2021)。
注
证据层级。 这是一项动物机制研究,对象是创伤性脑损伤后昏迷的大鼠,结局是促醒,不是卒中后轻度认知障碍,也没有人体数据。本书把「揿针通过 vPAG P2RX7 改善卒中后认知」视为未经检验的推测,不作为证据使用。
假揿针
要把针体的作用与按压、注意和预期分开,需要一个外观与操作都相同、但不刺入皮肤的假揿针。Miyazaki 等人 2009 年做了这样的验证 (Miyazaki et al. 2009)。
证据
假揿针的验证(Miyazaki 等,2009)。 90 名未接受过针刺的健康男性大学生随机接受揿针(Pyonex)或去掉针体的安慰装置,各 45 人,分析 42 人与 39 人。问卷中,揿针组 4/42(9.5%)、安慰组 0/39 感到刺入(费舍尔精确检验 P = 0.074);认为自己接受了真针的分别为 7/42(16.7%)与 5/39(12.8%),差异不显著。作者据此认为参与者无法区分揿针与安慰装置。在其中有腰痛的参与者中,揿针组的视觉模拟评分下降多于安慰组(P < 0.05)。
这项研究支持「假揿针可以用来设盲」,但它的参与者是年轻健康男性,暴露是短时间贴敷;「不显著」也不等于「相同」,4/42 对 0/39 的差别在更大的样本中可能显著。卒中后的老年患者每天自己按揉 12 个穴位、连续四周,手指感觉可能本身受损,也可能在按揉中逐渐分辨出针尖。所以第八章规定:在正式试验之前先做设盲的预试验,并在试验结束时用 Bang 设盲指数 (Bang et al. 2004) 检验参与者是否猜中了分组。
假说 · 尚未验证 · 按揉而非针体提供主要传入
作者的假说(尚未确立): 在每天按揉的揿针方案中,传入到皮层的信号主要来自按揉的动态机械刺激,真揿针与不刺入的假揿针在按揉期间诱发的体感皮层反应差别很小。什么样的结果能证明它是错的: 在事先登记的交叉设计中,按揉期间记录的体感诱发电位(或指端微神经电图的放电计数),真揿针比假揿针高出事先写定的界值以上,且置信区间不包含该界值以下的差别。
本章小结
论文的揿针方案由针体与每天三次的按揉组成,对照组两者都没有。在作者的黏弹性皮肤模型中,贴敷后的应力在几十秒内松弛到峰值的约 35%,快适应传入只在按揉时出现,静置 24 小时的贡献取决于无法测得的阈值,可以从零到很多。Piezo2 是精细触觉的主要转导通道,有人体遗传学证据;指尖无毛皮肤的感受单位密度约 241 个/cm²,是手掌的约 4.2 倍;皮层放大超过外周密度所能解释的部分,但「15–30 倍」没有出处,井穴也不在指腹中央。适应性增益的效果是非单调的;vPAG P2RX7 是大鼠脑外伤的机制证据。假揿针在健康年轻人中通过了设盲检验,用于卒中患者时需要重新验证。
参考文献
Fan, Y. (2026). Finger–Brain Cortical Magnification, Distal Microneedle Afference and Computational Neurology of Post-Stroke Cognitive Network Reconstruction: From Complex-Network Pinning Control and Thalamocortical 10 Hz Alpha Restoration to Drift-Diffusion Models, Read Beside the Twelve Jing-Well Points of the Lingshu [指—脑皮层放大、远端微针传入与卒中后认知网络重建的计算神经学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23839915 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).