CN106345056B - 基于机器学习的深度脑刺激电极阵列优化系统 - Google Patents

基于机器学习的深度脑刺激电极阵列优化系统 Download PDF

Info

Publication number
CN106345056B
CN106345056B CN201610839586.XA CN201610839586A CN106345056B CN 106345056 B CN106345056 B CN 106345056B CN 201610839586 A CN201610839586 A CN 201610839586A CN 106345056 B CN106345056 B CN 106345056B
Authority
CN
China
Prior art keywords
electrod
stimulation
array
electrode
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610839586.XA
Other languages
English (en)
Other versions
CN106345056A (zh
Inventor
王江
苏斐
刘宇
李会艳
邓斌
刘晨
魏熙乐
于海涛
张镇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201610839586.XA priority Critical patent/CN106345056B/zh
Publication of CN106345056A publication Critical patent/CN106345056A/zh
Application granted granted Critical
Publication of CN106345056B publication Critical patent/CN106345056B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/05—Electrodes for implantation or insertion into the body, e.g. heart electrode
    • A61N1/0526—Head electrodes
    • A61N1/0529—Electrodes for brain stimulation
    • A61N1/0534—Electrodes for deep brain stimulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
    • A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
    • A61N1/36067—Movement disorders, e.g. tremor or Parkinson disease

Landscapes

  • Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Electrotherapy Devices (AREA)

Abstract

本发明提供一种基于机器学习的深度脑刺激电极阵列优化系统，利用ANSYS软件仿真深度脑刺激电极阵列，并根据神经影像数据构建三维的神经组织电导模型，然后通过有限元分析求解特定组织位置的刺激电场强度；将刺激电场结合时变的脉冲序列作用于NERUON软件仿真的帕金森病灶区的单神经元多间室模型及神经网络模型，寻找电极附近神经元被影响的空间范围；应用机器学习分类算法寻找有效特征并进行分类建模，实现依据帕金森疾病的刺激靶点特征选择刺激配置的优化。有益效果是将机器学习分类算法应用于生理信号特征的分类建模，提出了深度脑刺激电极阵列最优刺激配置的方案，有效地解决传统临床应用中的反复试验方法存在的耗时久、不能得到最优刺激配置的缺陷。

Description

基于机器学习的深度脑刺激电极阵列优化系统
技术领域
本发明涉及生物电磁刺激技术，特别是一种基于机器学习的深度脑刺激电极阵列优化系统。
背景技术
帕金森病(Parkinson’s Disease，PD)是一种由中枢神经系统功能退化引起的神经退行性疾病，会导致患者肌肉僵硬、震颤、运动徐缓、姿势步态异常等症状，甚至丧失运动能力，给家庭和社会都带来了极大的负担。目前PD的临床疗法主要有药物治疗、手术损毁术和深度脑刺激(Deep Brain Stimulation，DBS)三种。随着电磁刺激技术的不断发展，DBS以其微创性、可逆性和可控性在很大程度上取代了原有的药物治疗和手术损毁术，成为治疗PD的重要脑调制技术。DBS主要包含植入式刺激电极、连接导线和脉冲发生器(InternalPulse Generator，IPG)三个组成部分，整个系统通过外部的可编程器件远程控制IPG，经由连接导线对目标靶点施加电脉冲刺激。在PD的治疗中，常见的目标靶点有：底丘脑核(Subthalamic Nuclues，STN)、苍白球内侧(Globus Pallidus interna,GPi)、丘脑腹侧中间核(Ventral intermediate nucleus，Vim)和脚桥核(Pedunculopontine nucleus，PN)。
目前，临床应用中最常见的DBS电极是由美国美敦力公司制造的3387、3389电极，这是美国食品药物管理局(FDA)在2002年批准的第一款应用于临床的电极。是由四个直径为1.27mm、高度为1.5mm的表面电极片构成，每个电极为等直径的圆柱体，表面接触面积为6mm2。在双极性刺激模式中，需要开通两个电极接触片，一个作为阳极一个作为阴极；在单极性刺激模式中，脉冲发生器作为阳极，电极片设置为阴极。单极性刺激的脉冲序列通常为电压1-5V、脉宽60-200us、频率120-185Hz的波形。另外，传统的美敦力电极在临床治疗PD的应用中，需要从65种电极配置方式中选择一种，刺激波形的可调参数(电压、脉宽、频率)共有25480种组合，作用于病人的特定刺激方式需要临床医生根据经验从这些组合种中反复调节得到的，以期最大程度的减缓症状、最小化负面影响和刺激能耗，此过程将花费很长时间而且很难得到最优的刺激配置。
尽管DBS已经成为临床医生和病人广泛接受的治疗方法，其使用过程中仍然存在着许多不足：
其一：DBS电极的圆柱形设计会对神经活动产生对称的调节作用，降低刺激的灵活性，不能有效的作用于结构复杂的帕金森疾病的刺激靶点，在这种电极设计方式下，很难施加没有副作用的刺激。
其二：临床医生通过反复试验的方法为病人选取DBS电极的配置方案，包括刺激电极的数目、刺激波形参数，如幅值、频率、脉宽等，这种方法非常耗时而且不能得到最优的、个体化的设计。
动物模型实验研究表明：DBS疗法的作用效果与其对特定目标组织放电样式的调节相关。增加刺激电极的数目有助于产生空间更加精确的刺激模式。精密加工技术的发展为设计含有更多电极片的多电极阵列刺激的发展提供了新的机会。随着植入式电极阵列电极数目的增多，会极大的复杂化临床医生选取刺激配置的过程，使得人工配置变得不切实际。
发明内容
针对上述技术中存在的不足，本发明提供了一种基于机器学习的深度脑刺激电极阵列优化系统，其目的之一：通过刺激阵列的不同配置方式实现对帕金森疾病的刺激靶点的最优刺激及最少的刺激溢出；其目的之二是通过机器学习分类算法实现对不同刺激配置作用效果的衡量；其目的之三是能够实现根据帕金森疾病的刺激靶点的形态特征最优的选择刺激配置。
为实现上述目的，本发明采用的技术方案是提供一种基于机器学习的深度脑刺激电极阵列优化系统，其中：该系统包括有相互连接的电极阵列仿真模块、三维神经组织电导模型、生理模型、机器学习分类算法、电极配置与有效特征的关系数据库以及方法验证；电极阵列仿真模块在三维神经组织电导模型的不同空间位置产生不同强度的刺激电场，刺激电场的大小通过ANSYS的有限元求解方法得到；将不同区域的刺激电场强度分别与生理模型结合，分析生理模型电活动的变化，应用神经元活化区域及网络活动改变表征电极阵列仿真模块的作用效果；应用机器学习分类算法对生理模型电活动变化的特征进行提取、分类建模，实现对电极阵列仿真模块效果的定量评估；遍历电极阵列仿真模块所有的电极阵列配置模式，得到生理模型的不同电活动变化，经由机器学习分类算法搭建电极配置与有效特征的关系数据库；方法验证的过程是指通过对帕金森疾病的刺激靶点的特征进行提取后，在电极配置与有效特征的关系数据库寻找与特征匹配的电极阵列配置模式，然后将选定的刺激作用于帕金森疾病的刺激靶点，通过刺激靶点电活动的变化的分析，验证此方案的有效性。
本发明的效果是解决了传统DBS电极对称性刺激带来的副作用，及临床刺激参数调节反复试验的复杂性问题。传统的DBS电极的影响范围是对称的，而目标靶点的几何形状通常为不规则的，因此会对靶点外的神经组织产生刺激作用，继而带来负面影响。本发明中引入电极阵列的结构，通过调节电极阵列的不同开关模式，可以实现对不规则形状刺激的最小外溢，能够降低传统刺激的负面影响。本发明提供的机器学习分类方法，通过对电极配置方法和刺激效果引起的神经变化特征进行建模，得到电极配置与有效特征的关系数据库。后续应用中即可通过此关系数据库，依据刺激靶点的形状特征及神经组织的电活动选取有效的刺激配置方案，从而避免了临床应用中的反复试凑高耗时的缺点。
附图说明
图1为本发明的基于机器学习的深度脑刺激电极阵列优化系统结构图；
图2为本发明的生理模型部分示意图；
图3为本发明的机器学习分类算法流程图；
图4为本发明方法验证示意图。
图中：
1、电极阵列仿真模块 2、三维神经组织电导模型 3、生理模型 4、机器学习分类算法 5、电极配置与有效特征的关系数据库 6、方法验证 7、电极数目 8、电极宽度 9、电极高度 10、电极直径 11、电极显示 12、导线 13、电极 14、封装层 15、神经组织 16、单神经元模型 17、神经网络模型 18、胞体 19、树突 20、有髓鞘轴突 21、间室间的线性阻抗 22、STN23、GPe 24、GPi 25、丘脑 26、突触连接 27、特征提取 28、分类器训练 29、分类模型 30、帕金森疾病的刺激靶点
具体实施方式
结合附图对本发明的基于机器学习的深度脑刺激电极阵列优化系统结构加以说明。
本发明的基于机器学习的深度脑刺激电极优化系统的设计思想是：其一，利用电极阵列代替圆柱形电极，通过选择性的开通或关闭某些电极可以保证对具有复杂形状的目标靶点的最优刺激，最小程度的降低刺激外溢。针对电极阵列在特定组织位置产生的刺激电场强度的问题，本发明首先构建电极阵列及其三维神经组织电导模型2，利用有限元分析方法进行求解；然后将得到的特定电场刺激与脉冲序列结合后作用于生理模型3，记录生理模型电活动的变化。其二，将机器学习分类算法4与生理模型电活动变化结合，可构建一套完整的评价不同电极配置作用效果的度量指标。本发明首先对生理模型3电活动的变化，特别是被刺激影响的范围的特征进行提取，然后应用机器学习分类算法对这些特征进行分类建模，从而得到有效特征的分类器模型，即电极配置与有效特征的关系数据库5。其三，为验证本发明中所构建数据库的有效性6，提出通过对帕金森疾病的刺激靶点形态特征进行提取，经由上述数据库反推电极配置形式，然后将设定的刺激作用于目标靶点即可实现对本系统的方法验证。
本发明的基于机器学习的深度脑刺激电极阵列优化系统主要由电极阵列仿真模块1、三维神经组织电导模型2、生理模型3、机器学习分类算法4、电极配置与有效特征的关系数据库5、方法验证6六部分组成。
图1所示为基于机器学习的深度脑刺激电极阵列优化系统的全系统结构，主要包括6个部分，电极阵列仿真模块1、三维神经组织电导模型2、生理模型3、机器学习分类算法4、电极配置与有效特征的关系数据库5、方法验证6。电极阵列仿真模块1和三维神经组织电导模型2是在ANSYS软件中实现，电极阵列仿真模块1在三维神经组织电导模型2的不同位置所产生的刺激电场大小，通过有限元计算得到。其中，电极阵列仿真模块1主要包含四个电极阵列参数：电极数目7、电极宽度8、电极高度9和电极直径10，以及电极阵列的三维显示部分11。三维神经组织电导模型2包括四个组成部分，用a、b、c、d表示，分别代表导线12、电极13、封装层14和神经组织15。
图2所示为帕金森病灶区的生理模型部分示意图，包括单神经元模型16和神经网络模型17两部分。其中单神经元模型16包含胞体18、树突19、有髓鞘轴突20和连接不同间室的线性阻抗21组成，用来验证电极阵列不同刺激配置模式对单神经元放电特性的影响。神经网络模型17包含STN22、GPe23、GPi24、丘脑25以及突触连接26五部分，用来研究电极阵列不同刺激配置模式对基底核神经网络活动的影响。
图3所示为机器学习分类算法流程图，主要由特征提取27、分类器训练28、分类模型29三部分组成。其中特征提取阶段主要是对单神经元或神经网络受影响区域特征进行预处理、模型表示和特征提取权重确定。分类器训练阶段拟采用k最邻近算法、支持向量机、神经网络、随机森林等分类算法进行分类训练。分类模型29主要通过将其它待分类特征作为分类模型的输入，然后对其输出的预测结果进行验证，以证明分类模型的正确性。
图4所示为方法验证示意图，通过神经影像数据等可得到帕金森疾病的刺激靶点30的形态特征，将此形态特征作为电极配置与有效特征的关系数据库5的输入，得到相应的电极阵列刺激配置方案1作为输出，然后将此刺激施加于帕金森疾病的刺激靶点，观察帕金森疾病的刺激靶点30的生理活动变化，以验证此方案的有效性。

Claims (6)

1.一种基于机器学习的深度脑刺激电极阵列优化系统，其特征是：该系统包括有相互连接的电极阵列仿真模块(1)、三维神经组织电导模型(2)、生理模型(3)、机器学习分类算法(4)、电极配置与有效特征的关系数据库(5)以及方法验证(6)；电极阵列仿真模块(1)在三维神经组织电导模型(2)的不同空间位置产生不同强度的刺激电场，刺激电场的大小通过ANSYS的有限元求解方法得到；将不同区域的刺激电场强度分别与生理模型(3)结合，分析生理模型(3)电活动的变化，应用神经元活化区域及网络活动改变表征电极阵列仿真模块(1)的作用效果；应用机器学习分类算法(4)对生理模型(3)电活动变化的特征进行提取、分类建模，实现对电极阵列仿真模块(1)效果的定量评估；遍历电极阵列仿真模块(1)所有的电极阵列配置模式，得到生理模型(3)的不同电活动变化，经由机器学习分类算法(4)搭建电极配置与有效特征的关系数据库(5)；方法验证(6)的过程是指通过对帕金森疾病的刺激靶点的特征进行提取后，在电极配置与有效特征的关系数据库(5)寻找与特征匹配的电极阵列配置模式，然后将选定的刺激作用于帕金森疾病的刺激靶点，通过刺激靶点电活动的变化的分析，验证此方案的有效性。
2.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统，其特征是：所述电极阵列仿真模块(1)包括有电极显示(11)，通过电极显示(11)图形界面的形式显示电极阵列的立体形状，电极阵列仿真模块(1)的可调参数刺激配置包括电极数目(7)、电极宽度(8)、电极高度(9)、电极直径(10)，通过变化这些参数的数值得到不同的电极阵列刺激配置模式。
3.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统，其特征是：所述三维神经组织电导模型(2)包括有导线(12)、电极(13)、封装层(14)和神经组织(15)四部分，实现对神经组织的三维建模，仿真过程在ANSYS软件中通过有限元分析建模实现。
4.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统，其特征是：所构建的生理模型(3)是对帕金森病灶区的建模，包括单神经元模型(16)和神经网络模型(17)两部分，所述单神经元模型(16)采用多间室建模，包括相互连接的胞体(18)、树突(19)、有髓鞘轴突(20)和连接不同间室的线性阻抗(21)，所述神经网络模型(17)是包括不同种类的单神经元模型：底丘脑核(Subthalamic Nuclues，STN)(22)、苍白球外侧(GlobusPallidus external,GPe)(23)、苍白球内侧(Globus Pallidus interna,GPi)(24)和丘脑(Thalamus)(25)，及突触连接(26)的器件。
5.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统，其特征是：所述机器学习分类算法模块(4)包括特征提取(27)、分类器训练(28)、分类模型(29)三部分，特征提取(27)选定的特征输入到分类器训练(28)进行分类，并输出有效的分类模型(29)，通过特征提取(27)实现对生理模型(3)电活动变化特征的提取，随机选取特征提取(27)的部分特征经由分类器训练(28)构建分类模型(29)，然后将特征提取(27)中剩下的部分特征作为分类模型(29)的输入，分类模型(29)预测得到的分类输出分类与实际值进行比较，实现对分类模型(29)准确率的评估。
6.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统，其特征是：所述方法验证(6)包括帕金森疾病的刺激靶点(30)、电极配置与有效特征的关系数据库(5)和电极阵列仿真模块(1)三部分，对帕金森疾病的刺激靶点(30)区域形状特征的提取，并输入到电极配置与有效特征的关系数据库(5)，寻找相应的电极阵列配置方案；然后按照得到的电极阵列配置方案对电极阵列仿真模块(1)中的电极参数：电极数目(7)、电极宽度(8)、电极高度(9)、电极直径(10)进行配置；将得到的刺激模式作用于帕金森疾病的刺激靶点(30)，分析刺激靶点生理活动的变化，以验证刺激的作用效果。
CN201610839586.XA 2016-09-21 2016-09-21 基于机器学习的深度脑刺激电极阵列优化系统 Expired - Fee Related CN106345056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610839586.XA CN106345056B (zh) 2016-09-21 2016-09-21 基于机器学习的深度脑刺激电极阵列优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610839586.XA CN106345056B (zh) 2016-09-21 2016-09-21 基于机器学习的深度脑刺激电极阵列优化系统

Publications (2)

Publication Number Publication Date
CN106345056A CN106345056A (zh) 2017-01-25
CN106345056B true CN106345056B (zh) 2019-03-26

Family

ID=57858689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610839586.XA Expired - Fee Related CN106345056B (zh) 2016-09-21 2016-09-21 基于机器学习的深度脑刺激电极阵列优化系统

Country Status (1)

Country Link
CN (1) CN106345056B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407988B (zh) * 2016-09-05 2019-11-26 中国科学院自动化研究所 基于电镜序列切片图像的突触检测方法
EP3470110A1 (en) * 2017-10-11 2019-04-17 Université de Rennes 1 Proficiency assessment system and method for deep brain stimulation (dbs)
CN107875510A (zh) * 2017-10-13 2018-04-06 广东美的安川服务机器人有限公司 一种生物刺激反馈治疗方法、系统及计算机设备
US11083895B2 (en) 2018-03-29 2021-08-10 University Of Washington Systems and methods for augmenting and/or restoring brain and nervous system function and inducing new neural connections using self-learning artificial networks
US11617887B2 (en) 2018-04-19 2023-04-04 University of Washington and Seattle Children's Hospital Children's Research Institute Systems and methods for brain stimulation for recovery from brain injury, such as stroke
US12017073B2 (en) 2019-05-16 2024-06-25 Enteromed Ltd Devices, systems, and methods for delivering therapy to a sacral nerve
CN112870552B (zh) * 2021-01-21 2024-03-26 深圳市东迪欣科技有限公司 一种电刺激治疗仪负载检测方法、装置、设备及存储介质
CN113096765A (zh) * 2021-04-16 2021-07-09 湖南安泰康成生物科技有限公司 一种用于靶向目标范围电场强度计算的有限元建模方法及装置
CN114692459B (zh) * 2022-03-30 2024-07-05 天津大学 一种模拟周围神经损伤精准阵列电刺激的方法
CN115429414B (zh) * 2022-11-09 2023-03-28 河北普尼医疗科技有限公司 一种向人体传递电场能量的器械装置及其控制电路
CN116702534B (zh) * 2023-03-31 2024-07-09 天津大学 基于相干电的脊髓损伤精准电刺激仿真方法及电刺激装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542283A (zh) * 2010-12-31 2012-07-04 北京工业大学 脑机接口的最优电极组自动选取方法
CN104784822A (zh) * 2015-02-05 2015-07-22 电子科技大学 具有患者个体化电极配置的心脏电除颤优化方法
CN105916547A (zh) * 2013-10-21 2016-08-31 巴塞罗那神经电力开发有限公司 用于优化多部位经颅电流刺激的配置的方法和系统以及计算机可读介质和计算机程序

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8868197B2 (en) * 2011-03-15 2014-10-21 Boston Scientific Neuromodulation Corporation Neurostimulation system for defining ideal multipole configurations at lead boundary

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542283A (zh) * 2010-12-31 2012-07-04 北京工业大学 脑机接口的最优电极组自动选取方法
CN105916547A (zh) * 2013-10-21 2016-08-31 巴塞罗那神经电力开发有限公司 用于优化多部位经颅电流刺激的配置的方法和系统以及计算机可读介质和计算机程序
CN104784822A (zh) * 2015-02-05 2015-07-22 电子科技大学 具有患者个体化电极配置的心脏电除颤优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"三维外部电场对视神经纤维兴奋性影响的研究";任玉强;《医药卫生科技辑》;20120115;第1-60页
"脑深部刺激电极的结构优化及其模拟分析";连芩等;《西安交通大学学报》;20081231;第1537-1540页

Also Published As

Publication number Publication date
CN106345056A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
CN106345056B (zh) 基于机器学习的深度脑刺激电极阵列优化系统
Buhlmann et al. Modeling of a segmented electrode for desynchronizing deep brain stimulation
Åström et al. The effect of cystic cavities on deep brain stimulation in the basal ganglia: a simulation-based study
Wilson et al. Biophysical modeling of neural plasticity induced by transcranial magnetic stimulation
CN109963609A (zh) 脑刺激装置及其用途
Mahmud et al. Differential modulation of excitatory and inhibitory neurons during periodic stimulation
Golestanirad et al. Effect of realistic modeling of deep brain stimulation on the prediction of volume of activated tissue
Rodriguez-Falces et al. EMG modeling
Xiao et al. Theoretical optimization of stimulation strategies for a directionally segmented deep brain stimulation electrode array
Komarov et al. Selective recruitment of cortical neurons by electrical stimulation
CN115887932B (zh) 用于颅脑深部无创聚焦刺激的切向环绕式空间阵列及系统
Vila et al. Optimizing optogenetic stimulation protocols in auditory corticofugal neurons based on closed-loop spike feedback
Ye et al. Neuron matters: neuromodulation with electromagnetic stimulation must consider neurons as dynamic identities
Bisio et al. Closed-loop systems and in vitro neuronal cultures: Overview and applications
Ghazavi et al. Effect of planar microelectrode geometry on neuron stimulation: Finite element modeling and experimental validation of the efficient electrode shape
Potrusil et al. Morphometric classification and spatial organization of spiral ganglion neurons in the human cochlea: consequences for single fiber response to electrical stimulation
March et al. Focused and deep brain magnetic stimulation using new coil design in mice
CN110444270A (zh) 一种基于rbf神经网络的闭环dbs控制方法
Anastassiou et al. Biophysics of extracellular spikes
Granley et al. Adapting brain-like neural networks for modeling cortical visual prostheses
Shamas et al. Computational modeling of high frequency oscillations recorded with clinical intracranial macroelectrodes
Saalmann et al. Microscale multicircuit brain stimulation: Achieving real-time brain state control for novel applications
Saha et al. Strength-frequency curve for micromagnetic neurostimulation through EPSPs on rat hippocampal neurons and numerical modeling of magnetic microcoil (μcoil)
Werginz Neuronal activation characteristics in the electrically stimulated retina: a model-based study
Bhattacharya et al. Kinetic modelling of synaptic functions in the alpha rhythm neural mass model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190326

Termination date: 20190921

CF01 Termination of patent right due to non-payment of annual fee