CN110444270A - 一种基于rbf神经网络的闭环dbs控制方法 - Google Patents
一种基于rbf神经网络的闭环dbs控制方法 Download PDFInfo
- Publication number
- CN110444270A CN110444270A CN201910708136.0A CN201910708136A CN110444270A CN 110444270 A CN110444270 A CN 110444270A CN 201910708136 A CN201910708136 A CN 201910708136A CN 110444270 A CN110444270 A CN 110444270A
- Authority
- CN
- China
- Prior art keywords
- rbf neural
- output
- closed loop
- model
- physiological models
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于RBF神经网络的闭环DBS控制方法,包括基底核网络生理模型、RBF神经网络模型和非线性迭代预测控制器三部分;提供一种自适应、稳定、实时的闭环DBS控制方法,在运用RBF网络对基底核网络生理模型的输入与输出进行辨识,构建闭环回路;然后将其作为预测模型,通过非线性迭代预测控制算法实时给出优化控制量,对基底核网络生理模型进行实时调控,最后达到自动识别系统,当系统处于PD状态时,自动设置相关刺激参数,使得系统恢复到正常状态的效果。
Description
技术领域
本发明属于医疗仿真实验模型领域,涉及一种基于RBF神经网络的闭环DBS控制方法。
背景技术
帕金森病(Parkinson’s disease,PD)是一种常见的仅次于阿尔兹海默病(AD)的第二大多发于中老年人群的神经系统退行性疾病。当前治疗PD主要有药物治疗和手术治疗两类,其中药物治疗主要用于PD早期,手术治疗一般作用于PD中晚期,早期使用的手术治疗是核团摧毁术,但由于其会对大脑造成不可逆的损伤,具备非常强烈的侵害性,所以现在对PD病人使用最多的是深部脑刺激(Deep Brain Stimulation,DBS)。DBS是通过脑立体定位仪在特定神经核团植入电极,给予低频或高频电刺激来抑制神经元的异常电活动达到治疗疾病的目的。DBS具有可调节性,根据患者的症状变化采用不同的刺激组合(电极触点、脉宽、频率、和刺激强度等),可以减少药物用量,延缓药物磨损带来的副作用。DBS还具有可逆性,一旦停止电刺激,患者即可完全恢复到术前状况,这样避免了永久性损毁带来的并发症。
DBS分为开环DBS和闭环DBS。目前使用DBS的绝大多数是开环DBS,是长时间连续刺激。刺激的参数主要是医生通过经验获得,依靠对病人的观察和病人描述得到刺激频率和强度,缺乏科学有效的依据;参数的调节缺乏时间敏感度,不能够及时的根据病人身体状况的变化做出及时调整。闭环DBS在开环DBS的基础之上增加了生物标志检测部分,通过检测的生物标志信号作为DBS的反馈信号,结合特征提取以及控制算法调节脉冲发生器产生电脉冲的幅值、频率、脉宽等参数,闭环DBS具备DBS开环控制功能的同时能够克服其缺点并转化为优势,从而达到更好的治疗效果,逐步成为PD疗法的前沿技术之一。但当前神经刺激的作用机制还未研究清楚,参考信号与反馈信号的选取,均在探索的阶段。由于闭环DBS的刺激器工作环境特殊,因此高可靠性的闭环算法成为闭环DBS发展的必要保障。针对临床DBS的局限性,闭环DBS方案的设计与开发已经在研究者、临床医师以及DBS设备研发人群中引发了广泛的研究兴趣。当前还未有自适应、稳定、实时的闭环DBS用于对帕金森病患者的治疗中。
受道德伦理的约束,不能在人体内反复进行试验以验证闭环方式的有效性。此时,计算模型成为算法设计与预期生理现象之间的桥梁,因为通过模型能够反复进行设计并选取最优的方法。同时为了解释帕金森病的生理现象,国内外学者提出了各种各样的模型。当前,描述PD状态的模型主要包括放电速率模型、局部场电位模型、集群相位动态模型和RT模型,这些模型在不同尺度上模拟了PD的病态变化。这些模型中大多数为统计学模型,通过放电率来描述相关核团的输入输出关系。从实际情况来看,帕金森病发病时基底核神经元之间的相互作用比这要复杂的多。帕金森病的病灶区基底核的复杂非线性生理特性以及不确定性,很难通过放电率的关系来构建精确的生理学模型。
发明内容
有鉴于此,本发明的目的在于提供一种通过仿真模拟神经系统在帕金森状态下的电生理活动,并提供一种自适应、稳定、实时的闭环DBS控制方法,在运用RBF网络对基底核网络生理模型的输入与输出进行辨识,构建闭环回路;然后将其作为预测模型,通过非线性迭代预测控制算法实时给出优化控制量,对基底核网络生理模型进行实时调控,最后达到自动识别系统,当系统处于PD状态时,自动设置相关刺激参数,使得系统恢复到正常状态的效果。
为达到上述目的,本发明提供如下技术方案:
一种基于径向基函数(Radial-Basis Function,RBF)神经网络的闭环DBS控制方法,包括基底核网络生理模型、RBF神经网络模型和非线性迭代预测控制器三部分;
基底核网络生理模型产生模拟帕金森状态下的脑电生理信号,输入序列为x(k),输出数据序列为y(k),x(k)为k时刻的刺激值,y(k)为k时刻模型输出的各核团的生理信号的值;基底核网络生理模型的输出信号与采样模块相连,对连续的生理输出数据进行采样得到用于RBF神经网络辨识所用的输出序列y(k),RBF神经网络模型与非线性迭代预测控制器的输出端相连并对现需的输入刺激进行采样得到辨识所用的输入序列x(k);
RBF神经网络模型通过与基底核网络生理模型的输入输出序列相连并通过数据分析、模型结构选取、模型参数辨识以及模型验证过程实现建模应用于非线性迭代预测控制器中;
使期望与输出数据序列之间的误差作为目标函数,采用多级泰勒展开和内部迭代的方法,将输出预测沿着输入轨迹展开,采用滚动优化法实现对非线性迭代预测控制器控制策略实施更新;
非线性迭代预测控制器产生的刺激信号施加给基底核网络生理模型,使其根据期望进行放电从而实现一个完整的闭环DBS控制。
进一步,所述基底核网络生理模型是通过仿真模拟神经系统在帕金森状态下的电生理活动,基底核网络通路包括皮层、纹状体、苍白球外侧、丘脑底核、苍白球内侧、丘脑六部分,所述基底核网络生理模型主要由GPe、GPi、STN、Th四种核团组成,每个核团分别由10个神经元组成,其中每个STN神经元通过兴奋性突触连接兴奋2个GPe和2个GPi神经元,每个GPe神经元通过抑制性突触连接抑制2个GPe神经元,两个STN神经元和2个GPi神经元,每个GPi神经元抑制1个Th神经元,同时每个Th神经元接收来自感觉运动皮层的兴奋性信息。
进一步,所述GPe、GPi、STN、Th四种核团的表达式如下:
其中膜电容Cm=1pF/μm2,STN、GPe、GPi和Th神经元的膜电位分别用Vi(i∈{Sn,Ge,Gi})表示;IL、IK、INa、IT、ICa和IAHP分别为漏电流、K+电流、Na+电流、低阈值T型Ca2+电流、高阈值Ca2+电流和后超极化K+电流;Iα→β(i∈{Sn,Ge,Gi})描述了从突触前神经元α向突触后神经元β的突触投射;附加电流Iapp_i(i∈{Sn,Ge,Gi})被视为来自其他脑区(如纹状体和大脑皮层)的净突触输入电流;IDBS_i(i∈{Sn,Ge,Gi})代表DBS信号;ISM是幅值为3.5pF/μm2;通过脉宽为5ms,瞬时频率服从均值为14Hz,变异系数为0.2的γ分布的单相电流脉冲,模拟皮层对丘脑的不规则输入信息。
进一步,所述RBF神经网络模型分为三层:输入层,隐含层和输出层;模型的输入向量为x(k),输出向量为y(k)=f(x(k))=f(u(k-τ),...u(k-nB),y(k-1),...y(k-nA));RBF神经网络有nB-τ+1+nA个输入节点和K个隐含层截点,输入层到隐含层权值为1的固定连接,隐含层的非线性激活参数为:所述RBF神经网络模型的输出表示为:
进一步,非线性迭代预测控制器采用非线性迭代预测控制算法,以参考信号和RBF神经网络模型辨识输出信号之间的误差来设计目标函数,采用多级泰勒展开和内部迭代的方法,将输出预测沿着输入轨迹展开,并进行滚动优化的方法使得预测器不断地对控制策略进行调整,得到最优的刺激信号给与基底核网络生理模型。
本发明的有益效果在于:本发明首先用RBF网络对基底核网络生理模型进行辨识,然后将其作为预测模型,通过非线性迭代预测控制算法实时给出优化的刺激量。该方法具有能耗低、算法简单、刺激量给出迅速及优化跟踪效果好等特点。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为RBF神经网络结构示意图;
图2为基于RBF神经网络的非线性迭代预测控制框架结构图;
图3(a)为基底核网络通路示意图;
图3(b)为基底核网络生理模型连接图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1-3所示,一种基于RBF神经网络的闭环DBS控制方法,包括基底核网络生理模型、RBF神经网络模型和非线性迭代预测控制器三部分;
基底核网络生理模型产生模拟帕金森状态下的脑电生理信号,输入序列为x(k),输出数据序列为y(k),x(k)为k时刻的刺激值,y(k)为k时刻模型输出的各核团的生理信号的值;基底核网络生理模型的输出信号与采样模块相连,对连续的生理输出数据进行采样得到用于RBF神经网络辨识所用的输出序列y(k),RBF神经网络模型与非线性迭代预测控制器的输出端相连并对现需的输入刺激进行采样得到辨识所用的输入序列x(k);
RBF神经网络模型通过与基底核网络生理模型的输入输出序列相连并通过数据分析、模型结构选取、模型参数辨识以及模型验证过程实现建模应用于非线性迭代预测控制器中;
在控制器中选择期望与输出数据序列之间的误差作为目标函数,采用多级泰勒展开和内部迭代的方法,将输出预测沿着输入轨迹展开,采用滚动优化法实现对非线性迭代预测控制器控制策略实施更新;
非线性迭代预测控制器产生的刺激信号施加给基底核网络生理模型,使其根据期望进行放电从而实现一个完整的闭环DBS控制。
所述基底核网络生理模型是通过仿真模拟神经系统在帕金森状态下的电生理活动,基底核网络通路包括皮层、纹状体、苍白球外侧、丘脑底核、苍白球内侧、丘脑六部分,所述基底核网络生理模型主要由GPe、GPi、STN、Th四种核团组成,每个核团分别由10个神经元组成,其中每个STN神经元通过兴奋性突触连接兴奋2个GPe和2个GPi神经元,每个GPe神经元通过抑制性突触连接抑制2个GPe神经元,两个STN神经元和2个GPi神经元,每个GPi神经元抑制1个Th神经元,同时每个Th神经元接收来自感觉运动皮层的兴奋性信息。
所述GPe、GPi、STN、Th四种核团的表达式如下:
其中膜电容Cm=1pF/μm2,STN、GPe、GPi和Th神经元的膜电位分别用Vi(i∈{Sn,Ge,Gi})表示;IL、IK、INa、IT、ICa和IAHP分别为漏电流、K+电流、Na+电流、低阈值T型Ca2+电流、高阈值Ca2+电流和后超极化K+电流;Iα→β(i∈{Sn,Ge,Gi})描述了从突触前神经元α向突触后神经元β的突触投射;附加电流Iapp_i(i∈{Sn,Ge,Gi})被视为来自其他脑区(如纹状体和大脑皮层)的净突触输入电流;IDBS_i(i∈{Sn,Ge,Gi})代表DBS信号;ISM是幅值为3.5pF/μm2;通过脉宽为5ms,瞬时频率服从均值为14Hz,变异系数为0.2的γ分布的单相电流脉冲,模拟皮层对丘脑的不规则输入信息。
所述RBF神经网络模型分为三层:输入层,隐含层和输出层;模型的输入向量为x(k),输出向量为y(k)=f(x(k))=f(u(k-τ),...u(k-nB),y(k-1),...y(k-nA));RBF神经网络有nB-τ+1+nA个输入节点和K个隐含层截点,输入层到隐含层权值为1的固定连接,隐含层的非线性激活参数为:所述RBF神经网络模型的输出表示为:
非线性迭代预测控制器采用非线性迭代预测控制算法,以参考信号和RBF神经网络模型辨识输出信号之间的误差来设计目标函数,采用多级泰勒展开和内部迭代的方法,将输出预测沿着输入轨迹展开,并进行滚动优化的方法使得预测器不断地对控制策略进行调整,得到最优的刺激信号给与基底核网络生理模型。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于RBF神经网络的闭环DBS控制方法,其特征在于:包括基底核网络生理模型、RBF神经网络模型和非线性迭代预测控制器三部分;
基底核网络生理模型产生模拟帕金森状态下的脑电生理信号,输入序列为x(k),输出数据序列为y(k),x(k)为k时刻的刺激值,y(k)为k时刻模型输出的各核团的生理信号的值;
基底核网络生理模型的输出信号与采样模块相连,对连续的生理输出数据进行采样得到用于RBF神经网络辨识所用的输出序列y(k),RBF神经网络模型与非线性迭代预测控制器的输出端相连并对现需的输入刺激进行采样得到辨识所用的输入序列x(k);
RBF神经网络模型通过与基底核网络生理模型的输入输出序列相连并通过数据分析、模型结构选取、模型参数辨识以及模型验证过程实现建模应用于非线性迭代预测控制器中;
在控制器中选择期望与输出数据序列之间的误差作为目标函数,采用多级泰勒展开和内部迭代的方法,将输出预测沿着输入轨迹展开,采用滚动优化法实现对非线性迭代预测控制器控制策略实施更新;
非线性迭代预测控制器产生的刺激信号施加给基底核网络生理模型,使其根据期望进行放电从而实现一个完整的闭环DBS控制。
2.根据权利要求1所述的一种基于RBF神经网络的闭环DBS控制方法,其特征在于:所述基底核网络生理模型是通过仿真模拟神经系统在帕金森状态下的电生理活动,基底核网络通路包括皮层、纹状体、苍白球外侧、丘脑底核、苍白球内侧、丘脑六部分,所述基底核网络生理模型主要由GPe、GPi、STN、Th四种核团组成,每个核团分别由10个神经元组成,其中每个STN神经元通过兴奋性突触连接兴奋2个GPe和2个GPi神经元,每个GPe神经元通过抑制性突触连接抑制2个GPe神经元,两个STN神经元和2个GPi神经元,每个GPi神经元抑制1个Th神经元,同时每个Th神经元接收来自感觉运动皮层的兴奋性信息。
3.根据权利要求1所述的一种基于RBF神经网络的闭环DBS控制方法,其特征在于:所述RBF神经网络模型分为三层:输入层,隐含层和输出层;模型的输入向量为x(k),输出向量为y(k)=f(x(k))=f(u(k-τ),...u(k-nB),y(k-1),...y(k-nA));RBF神经网络有nB-τ+1+nA个输入节点和K个隐含层截点,输入层到隐含层权值为1的固定连接,隐含层的非线性激活参数为:所述RBF神经网络模型的输出表示为:
4.根据权利要求1所述的一种基于RBF神经网络的闭环DBS控制方法,其特征在于:非线性迭代预测控制器采用非线性迭代预测控制算法,以参考信号和RBF神经网络模型辨识输出信号之间的误差来设计目标函数,采用多级泰勒展开和内部迭代的方法,将输出预测沿着输入轨迹展开,并进行滚动优化的方法使得预测器不断地对控制策略进行调整,得到最优的刺激信号给与基底核网络生理模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708136.0A CN110444270A (zh) | 2019-08-01 | 2019-08-01 | 一种基于rbf神经网络的闭环dbs控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708136.0A CN110444270A (zh) | 2019-08-01 | 2019-08-01 | 一种基于rbf神经网络的闭环dbs控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110444270A true CN110444270A (zh) | 2019-11-12 |
Family
ID=68432727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708136.0A Pending CN110444270A (zh) | 2019-08-01 | 2019-08-01 | 一种基于rbf神经网络的闭环dbs控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110444270A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599437A (zh) * | 2020-05-18 | 2020-08-28 | 山东农业大学 | 一种动态β功率信号跟踪方法、系统及终端 |
CN111768836A (zh) * | 2020-07-06 | 2020-10-13 | 天津大学 | 基于广义生成对抗网络的帕金森状态下dbs闭环学习方法 |
CN111816303A (zh) * | 2020-07-08 | 2020-10-23 | 深圳承启生物科技有限公司 | 一种基于机器学习的难治性精神分裂症风险的预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021104A1 (en) * | 1998-08-05 | 2005-01-27 | Dilorenzo Daniel John | Apparatus and method for closed-loop intracranial stimulation for optimal control of neurological disease |
US20100094377A1 (en) * | 2008-10-09 | 2010-04-15 | Daniel Graupe | Method and apparatus for closed-loop deep brain stimulation in treating neurological diseases |
WO2011119224A2 (en) * | 2010-03-24 | 2011-09-29 | Steven John Schiff | Model based control of parkinson's disease |
CN104225790A (zh) * | 2014-09-19 | 2014-12-24 | 清华大学 | 闭环神经刺激系统 |
CN105653873A (zh) * | 2016-01-15 | 2016-06-08 | 天津大学 | 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 |
CN107029351A (zh) * | 2017-04-14 | 2017-08-11 | 重庆邮电大学 | 用于全局lfp帕金森症特征值提取的系统及方法 |
CN108355246A (zh) * | 2018-04-03 | 2018-08-03 | 天津职业技术师范大学 | 基于相响应曲线的最优闭环dbs治疗系统 |
CN105718655B (zh) * | 2016-01-21 | 2019-01-15 | 天津大学 | 帕金森状态的闭环神经刺激控制系统 |
CN109360604A (zh) * | 2018-11-21 | 2019-02-19 | 南昌大学 | 一种卵巢癌分子分型预测系统 |
-
2019
- 2019-08-01 CN CN201910708136.0A patent/CN110444270A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021104A1 (en) * | 1998-08-05 | 2005-01-27 | Dilorenzo Daniel John | Apparatus and method for closed-loop intracranial stimulation for optimal control of neurological disease |
US20100094377A1 (en) * | 2008-10-09 | 2010-04-15 | Daniel Graupe | Method and apparatus for closed-loop deep brain stimulation in treating neurological diseases |
WO2011119224A2 (en) * | 2010-03-24 | 2011-09-29 | Steven John Schiff | Model based control of parkinson's disease |
CN104225790A (zh) * | 2014-09-19 | 2014-12-24 | 清华大学 | 闭环神经刺激系统 |
CN105653873A (zh) * | 2016-01-15 | 2016-06-08 | 天津大学 | 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 |
CN105718655B (zh) * | 2016-01-21 | 2019-01-15 | 天津大学 | 帕金森状态的闭环神经刺激控制系统 |
CN107029351A (zh) * | 2017-04-14 | 2017-08-11 | 重庆邮电大学 | 用于全局lfp帕金森症特征值提取的系统及方法 |
CN108355246A (zh) * | 2018-04-03 | 2018-08-03 | 天津职业技术师范大学 | 基于相响应曲线的最优闭环dbs治疗系统 |
CN109360604A (zh) * | 2018-11-21 | 2019-02-19 | 南昌大学 | 一种卵巢癌分子分型预测系统 |
Non-Patent Citations (3)
Title |
---|
刘晨: "帕金森状态的建模与闭环控制", 《中国博士学位林文全文数据库医药卫生科技辑》 * |
姜雪莹等: "基于RBF神经网络的非线性迭代预测控制", 《控制工程》 * |
庞中华等: "《系统辨识与自适应控制MATLAB仿真》", 31 July 2017, 北京航空航天大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599437A (zh) * | 2020-05-18 | 2020-08-28 | 山东农业大学 | 一种动态β功率信号跟踪方法、系统及终端 |
CN111768836A (zh) * | 2020-07-06 | 2020-10-13 | 天津大学 | 基于广义生成对抗网络的帕金森状态下dbs闭环学习方法 |
CN111768836B (zh) * | 2020-07-06 | 2023-11-24 | 天津大学 | 基于广义生成对抗网络的帕金森状态下dbs闭环学习方法 |
CN111816303A (zh) * | 2020-07-08 | 2020-10-23 | 深圳承启生物科技有限公司 | 一种基于机器学习的难治性精神分裂症风险的预测方法 |
CN111816303B (zh) * | 2020-07-08 | 2024-03-29 | 深圳承启生物科技有限公司 | 一种基于机器学习的难治性精神分裂症风险的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110444270A (zh) | 一种基于rbf神经网络的闭环dbs控制方法 | |
Hines et al. | NEURON: a tool for neuroscientists | |
Ferrari et al. | Phase synchronization of coupled bursting neurons and the generalized Kuramoto model | |
Douglas et al. | A functional microcircuit for cat visual cortex. | |
CN106345056B (zh) | 基于机器学习的深度脑刺激电极阵列优化系统 | |
Rathbun et al. | Spike-triggered average electrical stimuli as input filters for bionic vision—a perspective | |
Arai et al. | A distributed model of the saccade system: simulations of temporally perturbed saccades using position and velocity feedback | |
Ruths et al. | Optimal control of an epileptic neural population model | |
Santamaria et al. | Modulatory effects of parallel fiber and molecular layer interneuron synaptic activity on Purkinje cell responses to ascending segment input: a modeling study | |
Warwick | Future issues with robots and cyborgs | |
CN111768836B (zh) | 基于广义生成对抗网络的帕金森状态下dbs闭环学习方法 | |
Connolly et al. | Learning state-dependent neural modulation policies with Bayesian optimization | |
WO2022087050A1 (en) | Apparatus and methods for phase-agnostic stimuli | |
Joseph et al. | ACE (Actor–Critic–Explorer) paradigm for reinforcement learning in basal ganglia: Highlighting the role of subthalamic and pallidal nuclei | |
Yi et al. | Minimum energy control for a two-compartment neuron to extracellular electric fields | |
Prendergast et al. | Real-time generation of hyperbolic neuronal spiking patterns | |
Herrera-Rincon et al. | Bioelectrical coordination of cell activity toward anatomical target states: an engineering perspective on regeneration | |
Cohen | Investigating the Behavioral and Neuronal Effects of Electric Stimulation of the Cerebellar Cortex Using Awake Mice | |
Watzinger | Computer simulation of retinal ganglion cell Stimulation comparing varying electrode spacings | |
Chinta | Neural mechanisms for the localization of external and self-generated motion | |
Yang et al. | Adaptive closed-loop paradigm of electrophysiology for neuron models | |
Jafarian et al. | Parametric dynamic causal modelling | |
Tsanov | Extracellular Recordings in Subcortical Limbic Structures In Vivo | |
Agarwal et al. | ION CHANNELS AND NUCLEAR PORE CHANNEL GATING | |
Spiliotis et al. | Towards an optimised deep brain stimulation using a large-scale computational network and realistic volume conductor model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |
|
RJ01 | Rejection of invention patent application after publication |