WO2025201259A1 - 一种基于时间干涉的闭环多模态神经刺激系统及方法 - Google Patents

一种基于时间干涉的闭环多模态神经刺激系统及方法

Info

Publication number
WO2025201259A1
WO2025201259A1 PCT/CN2025/084471 CN2025084471W WO2025201259A1 WO 2025201259 A1 WO2025201259 A1 WO 2025201259A1 CN 2025084471 W CN2025084471 W CN 2025084471W WO 2025201259 A1 WO2025201259 A1 WO 2025201259A1
Authority
WO
WIPO (PCT)
Prior art keywords
stimulation
brain
eeg
time
data
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
Application number
PCT/CN2025/084471
Other languages
English (en)
French (fr)
Inventor
王文思
龚子豪
吉彦平
邱梓奇
万佳禾
郑睿瑶
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Publication of WO2025201259A1 publication Critical patent/WO2025201259A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analogue processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • 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
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A61N1/36025—External stimulators, e.g. with patch electrodes for treating a mental or cerebral condition
    • 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
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A61N1/3603—Control systems
    • A61N1/36031—Control systems using physiological parameters for adjustment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Definitions

  • the present application belongs to the field of neural stimulation technology, and in particular relates to a closed-loop multimodal neural stimulation system and method based on time interference.
  • Brain activity is primarily manifested in neuronal discharges, so modulating these electrical potentials can induce short-term or long-term changes in brain function.
  • Direct, artificial manipulation of neuronal activity is highly relevant to the treatment of neurological and psychiatric disorders. It holds enormous potential for clinical use in the treatment of neurological disorders and can also contribute to scientific research into the underlying mechanisms of sensory, motor, and cognitive processes in the human brain.
  • neurostimulation methods mainly include electrical stimulation, magnetic stimulation, optogenetic stimulation, and ultrasonic stimulation.
  • Electrical stimulation activates neurons by delivering electric current to the nervous system.
  • Magnetic stimulation affects brain activity by placing a coil on the scalp to generate a magnetic field.
  • Optogenetic stimulation transfects cells with photosensitive proteins through genetic engineering, and stimulates these proteins with light to cause neuronal excitation.
  • Ultrasonic stimulation stimulates neurons through focused ultrasound.
  • Electrical stimulation and optogenetic stimulation are widely used in brain function research and the treatment of neurological diseases due to their significant effects and high reliability. From the perspective of stimulation method, existing mainstream stimulation methods have obvious drawbacks: deep brain stimulation requires the implantation of electrodes in the brain.
  • transcranial electrical stimulation is non-invasive, transcranial current can only provide subthreshold stimulation. Using this method can increase the activity of neurons and make them easier to activate, but it cannot directly activate nerves. Moreover, transcranial current is non-directional and any area covered by the current will be affected. These two characteristics greatly limit the application of transcranial electrical stimulation.
  • Optogenetic stimulation has high stimulation accuracy and fast response speed, but because it requires surgical implantation of the stimulator and involves transgenic technology, it is also very limited in actual application.
  • the purpose of this application is to provide a closed-loop multimodal neural stimulation system and method based on time interference, so as to solve the problems existing in the above-mentioned technology that the traditional stimulation method has no closed-loop control system, lacks correction and optimization means, and the stimulation scheme has a long running-in period with the user, which is not conducive to application.
  • the present application provides a closed-loop multimodal neural stimulation system based on time interference, including: a time interference stimulation system, an EEG-functional near-infrared sampling system and a host control system;
  • the time interference stimulation system uses the beat electric field generated by two sets of electrodes to precisely stimulate the specified area of the brain;
  • the EEG-functional near-infrared sampling system is a dual-modal collector that couples EEG and functional near-infrared, and includes two parts: signal extraction and correlation analysis. It analyzes the stimulation effect and adjusts the stimulation plan by integrating the integrated brain signal data with EEG time accuracy and fNIRS spatial accuracy;
  • the host control system includes dual-modal fusion model calculation, graph convolutional neural network prediction and stimulation plan formulation.
  • the time interference stimulation system includes: a communication control module, a power supply module and a time interference stimulation module; the communication control module adopts a SoC chip, which internally integrates the functions of a processor and wireless communication, and is used for communication between the time interference stimulation system and the upper control system and control of the stimulation current; the power supply module adopts a design of a voltage regulator with low noise and low voltage drop plus a shielding layer; the time interference stimulation module is composed of two difference beat electrode groups, and two sine wave generators generate two 2KHz AC signals with a phase difference of 10Hz-20Hz. The two AC signals interfere with each other in the skull through the electrode group attached to the surface of the scalp, and the low-frequency envelope current generated by the interference stimulates the nerve cells in the designated area.
  • the present application adopts the above-mentioned closed-loop multimodal neural stimulation system and method based on time interference, which can accurately and customizedly determine the actual stimulation plan under different individual conditions; in addition, deep nerve stimulation can be performed without electrode implantation surgery, which greatly reduces costs and greatly improves safety; finally, the complete closed-loop system set up in this application enables the operator to efficiently optimize and adjust the stimulation plan, greatly reducing the time cost in actual use.
  • FIG1 is a system diagram of a closed-loop multimodal neural stimulation method based on time interference according to the present application
  • FIG2 is a structural diagram of a closed-loop multimodal neural stimulation system based on time interference in the present application
  • FIG. 3 is a flowchart of the correlation analysis of this application.
  • FIG. 4 is a schematic diagram of the brain network of this application.
  • Figure 5 is a diagram of the convolutional neural network structure of this application.
  • the temporal interferometric stimulation system includes a communication control module, a power supply module, and a temporal interferometric stimulation module.
  • the communication control module uses a Nordic nRF52832 series SoC chip, which integrates an STM32M4F-level processor and 2.4GHz wireless communication functions. It is responsible for communication between the temporal interferometric stimulation system and the host control system and for controlling the stimulation current.
  • the power supply module uses a voltage regulator with low noise (peak-to-peak ripple voltage better than 5mV) and low voltage drop (minimum voltage difference within 300mV) plus a shielding layer design to ensure that the precise high-frequency signal of the electrode part is not interfered with by noise.
  • the temporal interferometric stimulation module consists of two beat electrode groups.
  • the fNIRS functional near-infrared brain signal acquisition module measures the activity level of specific brain areas by monitoring the absorption changes of brain hemoglobin and oxyhemoglobin in the near-infrared spectrum.
  • the module uses a light-emitting diode as a light source to generate 650nm near-infrared light, and a photodiode as a light signal detector to convert the light signal passing through the brain tissue into an electrical signal for analysis.
  • the obtained electrical signal is denoised and filtered through preprocessing, and then digitized by an analog-to-digital converter and sent to the communication and control subsystem.
  • the communication and control subsystem sends the digitized electrical signal to the MCU, which calculates the brain tissue blood oxygen based on the digitized electrical signal to obtain the brain activity signal and upload the activity signal to the host computer.
  • the signal acquisition system couples EEG and fNIRS to perform multimodal acquisition of brain signals.
  • EEG which can capture millisecond-level brain activity
  • fNIRS which can identify areas of brain activity at different depths
  • this method complements EEG's sensitivity to neural electrical activity and fNIRS's sensitivity to changes in cerebral blood flow and blood oxygenation, providing a more comprehensive range of brain activity information.
  • the dual-modality fusion model is calculated by extracting features from EEG and fNIRS signal data, combining the two into a fusion model, and then performing correlation analysis, as shown in Figure 3.
  • the steps are as follows:
  • the fusion model is constructed by using the CCA (Canonical Correlation Analysis) algorithm to calculate the maximum correlation matrix of the two feature data sets, A EEG and A fNIRS . Then, using the least squares method, the temporal component represented by the EEG data and the spatial components C EEG and C fNIRS represented by the fNIRS data are fitted.
  • Graph convolutional neural network prediction is to predict the stimulation location based on the desired stimulation effect and formulate a stimulation plan.
  • Graph structured data usually includes nodes and edges, where nodes represent entities and edges represent the relationship between them.
  • nodes represent entities and edges represent the relationship between them.
  • different brain regions can be constructed as nodes, and the different connection states between brain regions can be constructed as edges. Predicting at the node level is to predict the stimulation location. It is expressed as follows:
  • Xt represents the brain activity feature matrix of N nodes in the graph at time t, which is expressed as follows:
  • a closed-loop multimodal neural stimulation method based on time interference comprises the following steps:
  • Step 1 Determine the stimulation target link, determine the planned stimulation location and the expected four brain wave characteristic signal responses, including ⁇ , ⁇ , ⁇ , and ⁇ ; the frequency of ⁇ is 0.5Hz-3.5Hz, the frequency of ⁇ is 4Hz-7Hz, the frequency of ⁇ is 8Hz-13Hz, and the frequency of ⁇ is 14Hz-30Hz.
  • the data is aggregated into the data acquisition system MCU (core chip of the data acquisition system) for artifact removal and baseline drift removal processing.
  • Step 5 Data processing and correlation analysis.
  • the upper control system extracts features from the two modal data and performs correlation analysis to obtain temporal and spatial component features.
  • the process is as follows:
  • Step 7 Graph Convolutional Neural Network prediction phase: Use the previous stimulation dataset and the stimulation dataset collected during the stimulation to train the graph convolutional neural network prediction model, and use the four brain waves that are expected to be the characteristics of brain activity as the starting point to reversely predict the original stimulated points and activation status.
  • Step 8 Stimulation scheme optimization phase, using the graph convolutional neural network to predict the stimulated position and activation degree to adjust the electrode placement and the generated envelope electric field frequency.
  • this application adopts the above-mentioned closed-loop multimodal neural stimulation system and method based on time interference, uses time interference stimulation technology to perform precise non-invasive stimulation on brain nerves; uses EEG coupled fNIRS dual-modal brain signal acquisition scheme to obtain comprehensive and accurate brain activity data; constructs EEG and fNIRS data feature fusion model and uses graph neural network prediction model to guide the formulation of stimulation plan, which can continuously optimize its effect during use.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychology (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Optics & Photonics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Social Psychology (AREA)

Abstract

本申请公开了一种基于时间干涉的闭环多模态神经刺激系统及方法，属于神经刺激技术领域，包括时间干涉刺激系统、脑电-功能性近红外采样系统和上位控制系统；时间干涉刺激系统利用两组电极产生的差拍电场对脑部指定区域进行精确刺激；脑电-功能性近红外采样系统是耦合脑电和功能性近红外的双模态采集器，包含信号提取和相关性分析两部分，通过整合EEG时间精度和fNIRS空间精度的统合脑信号数据来分析刺激效果和调整刺激方案；上位控制系统包括双模态融合模型计算、图卷积神经网络预测和刺激方案制定。本申请解决传统的刺激方式没有闭环调控系统，缺乏校正与优化手段，且刺激方案与使用者的磨合周期长，不利于应用的问题。

Description

一种基于时间干涉的闭环多模态神经刺激系统及方法
本申请要求于2024年03月25日提交中国专利局、申请号为202410346188.9、发明名称为“一种基于时间干涉的闭环多模态神经刺激系统及方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请属于神经刺激技术领域，尤其是涉及一种基于时间干涉的闭环多模态神经刺激系统及方法。
背景技术
大脑的活动主要表现为神经元放电，因此可以通过调节神经元的电位活动诱发短时间或长期的脑功能改变。人为的直接调控神经元活动，与神经和精神方面的疾病治疗有着非常大的相关性。在临床上也可用于脑神经疾病的治疗当中，有着巨大的潜力，并且也能有助于科学的研究人类大脑神经在感觉、运动及认知方面的潜在机制。
在一些情形下神经刺激方法主要有电刺激、磁刺激、光遗传刺激和超声刺激几个大类，其中电刺激是通过向神经系统传递电流来激活神经元，有植入侵入式电极的深部脑刺激和无创的经颅电刺激两大路线；磁刺激是通过在头皮上放置线圈产生磁场进而影响大脑活动；光遗传刺激是通过基因工程给细胞转染光敏蛋白，通过光线刺激这些蛋白引起神经元的兴奋；超声刺激是通过聚焦超声波刺激神经元。其中电刺激和光遗传刺激因其效果明显、可靠性高被广泛应用在脑功能的研究和神经相关疾病的治疗之中。从刺激方式的角度出发现有的主流刺激方法都有明显缺陷：深部脑刺激需要脑部植入电极来完成，这种侵入性操作可能导致感染、出血等潜在的并发症，增加了植入手术的复杂性和风险，同时患者也需要更长的恢复时间。此外电极植入方式因为植入深度的限制和电极定位的限制，在刺激的选择性和刺激的空间分辨率上都有较大的劣势；经颅电刺激虽然是无创刺激，但经颅电流只能提供阈下刺激，使用这种方式可以提高神经元的活性让其更加容易被激活但无法直接激活神经，并且经颅电流是没有指向性的被电流覆盖的区域都会受其影响，这两点特性极大地限制了经颅电刺激的应用；光遗传刺激刺激精度高、反应速度快，但因为需要进行外科手术植入刺激器并且涉及到转基因技术，因而在实际应用中也十分有限。
从系统结构角度出发，传统的刺激方式没有闭环调控系统，缺乏校正与优化手段，因使用者的个体差异较大，刺激方案与使用者的磨合周期长，不利于其应用。
发明内容
本申请的目的是提供一种基于时间干涉的闭环多模态神经刺激系统及方法，解决上述技术存在的传统的刺激方式没有闭环调控系统，缺乏校正与优化手段，且刺激方案与使用者的磨合周期长，不利于应用的问题。
为实现上述目的，本申请提供一种基于时间干涉的闭环多模态神经刺激系统，包括：时间干涉刺激系统、脑电-功能性近红外采样系统和上位控制系统；时间干涉刺激系统利用两组电极产生的差拍电场对脑部指定区域进行精确刺激；脑电-功能性近红外采样系统是耦合脑电和功能性近红外的双模态采集器，包含信号提取和相关性分析两部分，通过整合EEG时间精度和fNIRS空间精度的统合脑信号数据来分析刺激效果和调整刺激方案；上位控制系统包括双模态融合模型计算、图卷积神经网络预测和刺激方案制定。
在一实施方式中，时间干涉刺激系统包括：通信控制模块、电源模块和时间干涉刺激模块；通信控制模块采用SoC芯片，内部融合处理器和无线通讯的功能，用于时间干涉刺激系统与上位控制系统之间的通信和刺激电流的控制；电源模块采用具有低噪音和低压降的稳压器外加屏蔽层的设计；时间干涉刺激模块由两路差拍电极组构成，由两个正弦波发生器产生两路相差10Hz-20Hz的2KHz交流信号，两路交流信号经由贴于头皮表面的电极组在颅内发生干涉，干涉产生的低频包络电流刺激指定区域的神经细胞。
在一实施方式中，脑电-功能性近红外采样系统包括：EEG脑电采集模块和fNIRS功能性近红外脑信号采集模块；EEG脑电采集模块使用表皮电极进行信号记录；在EEG脑电采集模块中时间干涉刺激产生的脑电信号经由预处理电路进行信号的滤波和去噪，然后通过模数转换器将信号转化为数字形式发送至通讯和控制子系统，脑电信号通过MCU进行去除伪影和去除基线漂移后上传至上位控制系统；fNIRS功能性近红外脑信号采集模块通过监测大脑血红蛋白和氧合血红蛋白在近红外光谱范围内的吸收变化来测量大脑特定区域的活动水平，fNIRS功能性近红外脑信号采集模块使用发光二极管作为光源产生650nm近红外光，光电二极管作为光信号探测器将经过脑组织的光信号转化为电信号进行分析，得到的电信号通过预处理进行去噪和滤波后再经由模数转换器将信号数字转化后发送至通信和控制子系统，MCU进行脑组织血氧计算获得大脑活动信号将活动信号上传至上位控制系统。
在一实施方式中，双模态融合模型计算为对EEG和fNIRS的信号数据进行特征提取并将两者组合成融合模型然后进行相关性分析。
在一实施方式中，图卷积神经网络预测是根据所期望的刺激效果预测刺激位置，并制定刺激方案，表示如下：
设G＝(V；E)表示一个图网络，V表示节点集，E表示边集，如果两个节点vi,vj有边相连，则(vi,vj)∈E，整个图网络视为由不同大脑功能区组成的节点通过连接神经相连，整体是由有限个节点的子图组成的机构；
其中，将某个脑区节点一段固定时间中四种脑波记为不同维度，维度数为D，设采样数为τ，则N个脑网络节点在t时刻的输入脑活动特征矩阵表示如下：
χ＝(X1,X2,...,Xt,...,Xτ)∈RN×D×τ
其中Xt表示图中N个节点在t时刻脑活动特征矩阵，表示如下：
对于有K个采样数的输出脑活动特征矩阵表示如下：
其中YK表示N个节点在第K个时间点的脑活动矩阵；
预测任务使用N个脑网络节点在相邻T个时间采样的数据，将脑活动特征预测任务表示为函数ψθ，表达式如下：
γ＝ψθ(Xt-T+1,Xt-T,...,Xt；G)。
本申请还提供了一种基于时间干涉的闭环多模态神经刺激方法，包括以下步骤：
步骤1、确定刺激目标环节，确定计划刺激的位置和预期的四种脑波特征信号反应，包括δ、θ、α、β；其中δ的频率为0.5Hz-3.5Hz、θ的频率为4Hz-7Hz、α的频率为8Hz-13Hz、β的频率为14Hz-30Hz；
步骤2、设定刺激参数环节，若是初次刺激，此时尚无可利用的图卷积神经网络反馈结果，需要根据包络电场的产生特性计算两组电极的放置位置和电流频率，若不是初次刺激，则根据图卷积神经网络预测的结果确定电极的放置位置和频率参数设定；
步骤3、执行刺激环节，使用两组电极置于头皮产生有微小频率差距的经颅交流电，两组电流将在颅内特定区域激发低频包络电场以激活神经元；
步骤4、双模态数据采集和预处理环节，由EEG和fNIRS两套采集系统联合采集大脑信号，并将所采集信号进行预处理后，按对应采样时间打包；
步骤5、数据处理和相关性分析环节，上位控制系统将对两种模态的数据进行特征提取，进行相关性分析计算，得到时间成分特征和空间成分特征；
步骤6、判断刺激是否达到预期环节，通过分析采集到的被刺激者的四种脑波信号和生理上的反应，判断刺激是否达到预期目标；
步骤7、图卷积神经网络预测环节，利用先前刺激数据集和刺激中收集到的刺激数据集训练图卷积神经网络预测模型，以预期中大脑活动特征四种脑波为出发点逆向预测原始的被刺激点和被激活情况；
步骤8、刺激方案优化环节，利用图卷积神经网络预测的被刺激位置和被激活程度调整电极的放置位置和产生的包络电场频率。
在一实施方式中，步骤2中根据包络电场的产生特性计算两组电极的放置位置的表达式如下：
其中E为电场强度，J为电流密度，ρ为空间电流密度，B为磁场强度，使用有限元仿真可以确定包络电场在颅内的分布，确定电极的放置位置，表示哈密顿算子，ε0表示真空介电系数，j表示虚数，μ0表示真空磁导率，→表示矢量。
在一实施方式中，步骤4中双模态数据采集和预处理环节的过程如下：
S41、开启近红外光源同时从传感器捕获电信号和光信号，获得脑电信号EEG和功能性近红外脑信号fNIRS；
S42、对获取的信号进行除噪音和滤杂波后进行模数转换；
S43、将数据汇总到数据采集系统MCU进行去伪影、去基线漂移处理；
S44、对处理过后的EEG和fNIRS数据按统一时钟进行数据打包，将数据包按时间排序发送至上位控制系统。
在一实施方式中，步骤5中数据处理和相关性分析环节的过程如下：
S51、对EEG和fNIRS数据进行数据特征提取；
S52、使用CCA算法对提取的特征进行相关性分析，得到时间成分特征和空间成分特征；
S53、利用时间成分特征和空间成分特征进行交叉验证，汇总出双模态融合数据。
因此，本申请采用上述一种基于时间干涉的闭环多模态神经刺激系统及方法，可以精准化、定制化的确定在不同个体条件下的实际刺激方案；此外可以在不进行电极植入手术的情况下进行深部神经刺激，大幅降低成本的同时，极大的提升了安全性；最后本申请设置的完整闭环系统使操作者可以高效的优化调整刺激方案，极大缩减了实际使用时的时间成本。
附图说明
图1为本申请一种基于时间干涉的闭环多模态神经刺激方法的系统示意图；
图2为本申请一种基于时间干涉的闭环多模态神经刺激系统的结构图；
图3为本申请相关性分析流程图；
图4为本申请脑网络示意图；
图5为本申请图卷积神经网络结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
请参阅图1到图5，一种基于时间干涉的闭环多模态神经刺激系统，包括：时间干涉刺激系统、脑电-功能性近红外采样系统和上位控制系统；时间干涉刺激系统利用两组电极产生的差拍电场对脑部指定区域进行精确频率的刺激；脑电-功能性近红外采样系统是耦合脑电和功能性近红外的双模态采集器，包含信号提取和相关性分析两部分，通过整合EEG时间精度和fNIRS空间精度的统合脑信号数据来分析刺激效果和调整刺激方案；上位控制系统包括双模态融合模型计算、图卷积神经网络预测和刺激方案制定。在本实施例中上位控制系统具体为上位机。
时间干涉刺激系统包括：通信控制模块、电源模块和时间干涉刺激模块；通信控制模块采用Nordic nRF52832系列的SoC芯片，其内部融合了STM32M4F级别的处理器和2.4GHz无线通讯的功能，负责时间干涉刺激系统与上位机控制系统之间的通信和刺激电流的控制；电源模块采用具有低噪音(纹波电压峰峰值优于5mV)和低压降(最小压差300mV以内)的稳压器外加屏蔽层的设计，以保证电极部分的精确高频信号不会受到噪音干扰；时间干涉刺激模块由两路差拍电极组构成，由两个正弦波发生器产生两路相差10Hz-20Hz的2KHz交流信号，两路交流信号将经由贴于头皮表面的电极组在颅内发生干涉，干涉产生的低频包络电流可以刺激所指定区域的神经细胞，该刺激方式可以直接刺激所制定区域神经细胞产生动作电位，同时不对制定刺激区域临近的脑区产生影响。
脑电-功能性近红外采样系统包括：EEG脑电采集模块和fNIRS功能性近红外脑信号采集模块；EEG脑电采集模块使用表皮电极进行信号记录，按照国际10-20系统或定制布局进行电极排布；在该模块中时间干涉刺激产生的脑电信号经由预处理电路进行信号的滤波和去噪，然后通过模数转换器(ADC)将信号转化为数字形式发送至通讯和控制子系统，通讯和控制子系统将转化为数字形式的脑电信号发送到MCU，转化为数字形式的脑电信号通过MCU进行去除伪影和去除基线漂移后上传至上位机。fNIRS功能性近红外脑信号采集模块通过监测大脑血红蛋白和氧合血红蛋白在近红外光谱范围内的吸收变化来测量大脑特定区域的活动水平，该模块使用发光二极管作为光源产生650nm近红外光，光电二极管作为光信号探测器将经过脑组织的光信号转化为电信号进行分析，得到的电信号通过预处理进行去噪和滤波后再经由模数转换器将信号数字化后发送至通信和控制子系统，通讯和控制子系统将数字化后的电信号发送到MCU，MCU根据数字化后的电信号进行脑组织血氧计算以获得大脑活动信号并将活动信号上传至上位机。在本申请中信号采集系统耦合了EEG和fNIRS两种方式对脑信号进行多模态采集，通过结合EEG的高时间分辨率(可以捕捉毫秒级别脑活动)和fNIRS的高空间分辨率(可以识别脑活动在不同深度的区域)同时获得在时间域和空间域上更详细的、全面的脑活动信息。同时该方式互补性的结合了EEG对神经电活动的敏感性和fNIRS对脑血流、脑血氧变化的敏感性，提供了种类上更全面的脑活动信息。EEG和fNIRS将被集成在一个硬件系统上使用同一标准时钟以解决两套采集方式因采样率不同产生的定时精度问题。该方案将使由两种方法采集到的脑活动数据的时间误差小于1.5ms，从而使从两个模块采集到的数据可以被精确定位到一个时间节点上。为后续对刺激效果的分析提供有效、全面的脑活动信息。
双模态融合模型计算为对EEG和fNIRS的信号数据进行特征提取并将两者组合成融合模型然后进行相关性分析，如图3，步骤如下：
EEG的特征提取主要在于提取目标刺激相关响应，将目标刺激的ERP(事件相关电位)组合成数据矩阵，再将数据矩阵与血液动力学响应函数卷积，进而获得可以进行后续相关性分析的EEG数据特征，构成特征矩阵XEEG；fNIRS的特征提取通过将神经刺激后40s内的血氧数据分时采样，按时间排序构建数据矩阵，得到与EEG数据特征对应的fNIRS数据特征，构成特征矩阵XfNIRS。
融合模型的构建是通过CCA(典型关联分析)算法计算得到两个特征数据集的最大相关矩阵AEEG和AfNIRS，进而通过最小二乘法拟合出EEG数据所代表的时间成分和fNIRS数据所代表的空间成分CEEG和CfNIRS。在该算法中可以构建如下模型公式：
Xi＝AiCi,i＝1,2,...,2N
在该式中Ai∈KT×D,i为模态数量，T是特征的采样时间点数量，Vi是特征矩阵的特征变量，D是特征矩阵的最小秩。
因此在不同相关矩阵Ai之间，相乘等于其相关系数如下公式所示：
其中Ai中第j列的向量表示为因为该模型与最小二乘法原理一致，故可用该方法得到两个数据集的时间成分和空间成分Ci：
图卷积神经网络预测是根据所期望的刺激效果预测刺激位置，并制定刺激方案，图结构的数据通常包括节点和边，其中节点表示实体、边表示它们之间的关系。在神经刺激模型中，不同的脑区可以被构建成节点，而脑区与脑区间不同的连接状态可被构建成边，进行节点级别的预测便是对刺激位置的预测。表示如下：
设G＝(V；E)表示一个图网络，V表示节点集，E表示边集，如果两个节点vi,vj有边相连，则(vi,vj)∈E，整个图网络视为由不同大脑功能区组成的节点通过连接神经相连，整体是由有限个节点的子图组成的机构。
其中，将某个脑区节点一段固定时间中四种脑波记为不同维度，维度数为D，设采样数为τ，则N个脑网络节点在t时刻的输入脑活动特征矩阵表示如下：
χ＝(X1,X2,...,Xt,...,Xτ)∈RN×D×τ
其中Xt表示图中N个节点在t时刻脑活动特征矩阵，表示如下：
对于有K个采样数的输出脑活动特征矩阵表示如下：
其中YK表示N个节点在第K个时间点的脑活动矩阵，xNK表示第N个节点在第K个时间点的脑活动。
预测任务使用N个脑网络节点在相邻T个时间采样的数据，将脑活动特征预测任务表示为函数ψθ，表达式如下：
γ＝ψθ(Xt-T+1,Xt-T,...,Xt；G)。
一种基于时间干涉的闭环多模态神经刺激方法，包括以下步骤：
步骤1、确定刺激目标环节，确定计划刺激的位置和预期的四种脑波特征信号反应，包括δ、θ、α、β；其中δ的频率为0.5Hz-3.5Hz、θ的频率为4Hz-7Hz、α的频率为8Hz-13Hz、β的频率为14Hz-30Hz。
步骤2、设定刺激参数环节，若是初次刺激，此时尚无可利用的图卷积神经网络反馈结果，需要根据包络电场的产生特性计算两组电极的放置位置和电流频率，若不是初次刺激，则根据图卷积神经网络预测的结果确定电极的放置位置和频率参数设定；其中根据包络电场的产生特性计算两组电极的放置位置的表达式如下：
其中E为电场强度，ω表示角频率，J为电流密度，ρ为空间电流密度，B为磁场强度，使用有限元仿真可以确定包络电场在颅内的分布，确定电极的放置位置，表示哈密顿算子，ε0表示真空介电系数，j表示虚数，μ0表示真空磁导率，→表示矢量。
步骤3、执行刺激环节，使用两组电极置于头皮产生有微小频率差距(如0.05KHz差异的20KHz和20.05KHz信号对)的经颅交流电，两组电流将在颅内特定区域激发低频包络电场以激活神经元。
步骤4、双模态数据采集和预处理环节，由EEG和fNIRS两套采集系统联合采集大脑信号(具体为采用上述EEG脑电采集模块和fNIRS功能性近红外脑信号采集模块采集)，并将所采集信号进行预处理后，按对应采样时间打包；过程如下：
S41、开启近红外光源同时从传感器捕获电信号和光信号，获得脑电信号EEG和功能性近红外脑信号fNIRS。
S42、对获取的信号进行除噪音和滤杂波后进行模数转换。
S43、将数据汇总到数据采集系统MCU(数据采集系统的核心芯片)进行去伪影、去基线漂移处理。
S44、对处理过后的EEG和fNIRS数据按统一时钟进行数据打包，将数据包按时间排序发送至上位控制系统。
步骤5、数据处理和相关性分析环节，上位控制系统将对两种模态的数据进行特征提取，进行相关性分析计算，得到时间成分特征和空间成分特征；过程如下：
S51、对EEG和fNIRS数据进行数据特征提取。
S52、使用CCA算法对提取的特征进行相关性分析，得到时间成分特征和空间成分特征。
S53、利用时间成分特征和空间成分特征进行交叉验证，汇总出双模态融合数据。
步骤6、判断刺激是否达到预期环节，通过分析采集到的被刺激者的四种脑波信号和生理上的反应，判断刺激是否达到预期目标。
步骤7、图卷积神经网络预测环节，利用先前刺激数据集和刺激中收集到的刺激数据集训练图卷积神经网络预测模型，以预期中大脑活动特征四种脑波为出发点逆向预测原始的被刺激点和被激活情况。
步骤8、刺激方案优化环节，利用图卷积神经网络预测的被刺激位置和被激活程度调整电极的放置位置和产生的包络电场频率。
因此，本申请采用上述一种基于时间干涉的闭环多模态神经刺激系统及方法，使用时间干涉刺激技术对脑神经进行精确的无创刺激；利用EEG耦合fNIRS的双模态脑信号采集方案获取全面的、精确的大脑活动数据；构建EEG和fNIRS的数据特征融合模型并利用图神经网络预测模型指导刺激方案的制定，可在使用中不断优化其效果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

  1. 一种基于时间干涉的闭环多模态神经刺激系统，其特征在于，包括：时间干涉刺激系统、脑电-功能性近红外采样系统和上位控制系统；时间干涉刺激系统利用两组电极产生的差拍电场对脑部指定区域进行精确刺激；脑电-功能性近红外采样系统是耦合脑电和功能性近红外的双模态采集器，包含信号提取和相关性分析两部分，通过整合EEG时间精度和fNIRS空间精度的统合脑信号数据来分析刺激效果和调整刺激方案；上位控制系统包括双模态融合模型计算、图卷积神经网络预测和刺激方案制定。
  2. 根据权利要求1所述的一种基于时间干涉的闭环多模态神经刺激系统，其特征在于，时间干涉刺激系统包括：通信控制模块、电源模块和时间干涉刺激模块；通信控制模块采用SoC芯片，内部融合处理器和无线通讯的功能，用于时间干涉刺激系统与上位控制系统之间的通信和刺激电流的控制；电源模块采用具有低噪音和低压降的稳压器外加屏蔽层的设计；时间干涉刺激模块由两路差拍电极组构成，由两个正弦波发生器产生两路相差10Hz-20Hz的2KHz交流信号，两路交流信号经由贴于头皮表面的电极组在颅内发生干涉，干涉产生的低频包络电流刺激指定区域的神经细胞。
  3. 根据权利要求1所述的一种基于时间干涉的闭环多模态神经刺激系统，其特征在于，脑电-功能性近红外采样系统包括：EEG脑电采集模块和fNIRS功能性近红外脑信号采集模块；EEG脑电采集模块使用表皮电极进行信号记录；在EEG脑电采集模块中时间干涉刺激产生的脑电信号经由预处理电路进行信号的滤波和去噪，然后通过模数转换器将信号转化为数字形式发送至通讯和控制子系统，脑电信号通过MCU进行去除伪影和去除基线漂移后上传至上位控制系统；fNIRS功能性近红外脑信号采集模块通过监测大脑血红蛋白和氧合血红蛋白在近红外光谱范围内的吸收变化来测量大脑特定区域的活动水平，fNIRS功能性近红外脑信号采集模块使用发光二极管作为光源产生650nm近红外光，光电二极管作为光信号探测器将经过脑组织的光信号转化为电信号进行分析，得到的电信号通过预处理进行去噪和滤波后再经由模数转换器将信号数字转化后发送至通信和控制子系统，MCU进行脑组织血氧计算获得大脑活动信号将活动信号上传至上位控制系统。
  4. 根据权利要求1所述的一种基于时间干涉的闭环多模态神经刺激系统，其特征在于：双模态融合模型计算为对EEG和fNIRS的信号数据进行特征提取并将两者组合成融合模型然后进行相关性分析。
  5. 根据权利要求1所述的一种基于时间干涉的闭环多模态神经刺激系统，其特征在于：图卷积神经网络预测是根据所期望的刺激效果预测刺激位置，并制定刺激方案，表示如下：
    设G＝(V；E)表示一个图网络，V表示节点集，E表示边集，如果两个节点vi,vj有边相连，则(vi,vj)∈E，整个图网络视为由不同大脑功能区组成的节点通过连接神经相连，整体是由有限个节点的子图组成的机构；
    其中，将某个脑区节点一段固定时间中四种脑波记为不同维度，维度数为D，设采样数为τ，则N个脑网络节点在t时刻的输入脑活动特征矩阵表示如下：
    χ＝(X1,X2,...,Xt,...,Xτ)∈RN×D×τ
    其中Xt表示图中N个节点在t时刻脑活动特征矩阵，表示如下：
    对于有K个采样数的输出脑活动特征矩阵表示如下：
    其中YK表示N个节点在第K个时间点的脑活动矩阵；
    预测任务使用N个脑网络节点在相邻T个时间采样的数据，将脑活动特征预测任务表示为函数ψθ，表达式如下：
    γ＝ψθ(Xt-T+1,Xt-T,...,Xt；G)。
  6. 一种基于时间干涉的闭环多模态神经刺激方法，其特征在于，包括以下步骤：
    步骤1、确定刺激目标环节，确定计划刺激的位置和预期的四种脑波特征信号反应，包括δ、θ、α、β；其中δ的频率为0.5Hz-3.5Hz、θ的频率为4Hz-7Hz、α的频率为8Hz-13Hz、β的频率为14Hz-30Hz；
    步骤2、设定刺激参数环节，若是初次刺激，此时尚无可利用的图卷积神经网络反馈结果，需要根据包络电场的产生特性计算两组电极的放置位置和电流频率，若不是初次刺激，则根据图卷积神经网络预测的结果确定电极的放置位置和频率参数设定；
    步骤3、执行刺激环节，使用两组电极置于头皮产生有微小频率差距的经颅交流电，两组电流将在颅内特定区域激发低频包络电场以激活神经元；
    步骤4、双模态数据采集和预处理环节，由EEG和fNIRS两套采集系统联合采集大脑信号，并将所采集信号进行预处理后，按对应采样时间打包；
    步骤5、数据处理和相关性分析环节，上位控制系统将对两种模态的数据进行特征提取，进行相关性分析计算，得到时间成分特征和空间成分特征；
    步骤6、判断刺激是否达到预期环节，通过分析采集到的被刺激者的四种脑波信号和生理上的反应，判断刺激是否达到预期目标；
    步骤7、图卷积神经网络预测环节，利用先前刺激数据集和刺激中收集到的刺激数据集训练图卷积神经网络预测模型，以预期中大脑活动特征四种脑波为出发点逆向预测原始的被刺激点和被激活情况；
    步骤8、刺激方案优化环节，利用图卷积神经网络预测的被刺激位置和被激活程度调整电极的放置位置和产生的包络电场频率。
  7. 根据权利要求6所述的一种基于时间干涉的闭环多模态神经刺激方法，其特征在于，步骤2中根据包络电场的产生特性计算两组电极的放置位置的表达式如下：
    其中E为电场强度，J为电流密度，ρ为空间电流密度，B为磁场强度，使用有限元仿真可以确定包络电场在颅内的分布，确定电极的放置位置，表示哈密顿算子，ε0表示真空介电系数，j表示虚数，μ0表示真空磁导率，→表示矢量。
  8. 根据权利要求7所述的一种基于时间干涉的闭环多模态神经刺激方法，其特征在于，步骤4中双模态数据采集和预处理环节的过程如下：
    S41、开启近红外光源同时从传感器捕获电信号和光信号，获得脑电信号EEG和功能性近红外脑信号fNIRS；
    S42、对获取的信号进行除噪音和滤杂波后进行模数转换；
    S43、将数据汇总到数据采集系统MCU进行去伪影、去基线漂移处理；
    S44、对处理过后的EEG和fNIRS数据按统一时钟进行数据打包，将数据包按时间排序发送至上位控制系统。
  9. 根据权利要求8所述的一种基于时间干涉的闭环多模态神经刺激方法，其特征在于，步骤5中数据处理和相关性分析环节的过程如下：
    S51、对EEG和fNIRS数据进行数据特征提取；
    S52、使用CCA算法对提取的特征进行相关性分析，得到时间成分特征和空间成分特征；
    S53、利用时间成分特征和空间成分特征进行交叉验证，汇总出双模态融合数据。
PCT/CN2025/084471 2024-03-25 2025-03-24 一种基于时间干涉的闭环多模态神经刺激系统及方法 Pending WO2025201259A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410346188.9 2024-03-25
CN202410346188.9A CN118415649B (zh) 2024-03-25 2024-03-25 一种基于时间干涉的闭环多模态神经刺激系统及方法

Publications (1)

Publication Number Publication Date
WO2025201259A1 true WO2025201259A1 (zh) 2025-10-02

Family

ID=92306024

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2025/084471 Pending WO2025201259A1 (zh) 2024-03-25 2025-03-24 一种基于时间干涉的闭环多模态神经刺激系统及方法

Country Status (2)

Country Link
CN (1) CN118415649B (zh)
WO (1) WO2025201259A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121513350A (zh) * 2026-01-16 2026-02-13 上海术理智能科技有限公司 一种无创脑刺激自适应闭环调控系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118415649B (zh) * 2024-03-25 2025-01-21 北京工业大学 一种基于时间干涉的闭环多模态神经刺激系统及方法
CN119280668B (zh) * 2024-08-12 2025-10-10 苏州穹顶医疗技术有限公司 一种基于时间干涉的增强型无创脑深部电刺激系统和方法
CN119280675B (zh) * 2024-12-12 2025-05-16 深圳中科华意科技有限公司 一种闭环多导多模式时域干涉电刺激系统及方法
CN120585284B (zh) * 2025-08-05 2025-10-03 成都中医药大学 一种骨骼健康指数的生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170224246A1 (en) * 2014-08-06 2017-08-10 Institute Of Automation Chinese Academy Of Sciences Method and System for Brain Activity Detection
US10071245B1 (en) * 2015-01-05 2018-09-11 Hrl Laboratories, Llc Thinking cap: combining personalized, model-driven, and adaptive high definition trans-cranial stimulation (HD-tCS) with functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) brain state measurement and feedback
CN113040790A (zh) * 2021-03-29 2021-06-29 中国科学院自动化研究所 基于内源性脑信号的闭环神经调控系统、方法和设备
CN113274011A (zh) * 2021-05-10 2021-08-20 燕山大学 融合脑电与功能近红外光谱技术的脑功能监测管理方法
CN115227968A (zh) * 2022-05-25 2022-10-25 上海交通大学 一种基于高频时域干涉和脑电图复合的非侵入式刺激系统
CN115253072A (zh) * 2022-06-29 2022-11-01 内江师范学院 一种多模式深脑电刺激精准神经调控系统及方法
CN117180614A (zh) * 2023-07-31 2023-12-08 国家康复辅具研究中心 一种非侵入颅电刺激的时间干涉电刺激系统
CN118415649A (zh) * 2024-03-25 2024-08-02 北京工业大学 一种基于时间干涉的闭环多模态神经刺激系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102673197B1 (ko) * 2020-10-16 2024-06-05 고려대학교 세종산학협력단 합성곱 신경망을 이용한 개인별 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
CN114870249B (zh) * 2022-04-18 2023-06-13 北京理工大学 一种闭环自适应交流电刺激神经网络调控方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170224246A1 (en) * 2014-08-06 2017-08-10 Institute Of Automation Chinese Academy Of Sciences Method and System for Brain Activity Detection
US10071245B1 (en) * 2015-01-05 2018-09-11 Hrl Laboratories, Llc Thinking cap: combining personalized, model-driven, and adaptive high definition trans-cranial stimulation (HD-tCS) with functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) brain state measurement and feedback
CN113040790A (zh) * 2021-03-29 2021-06-29 中国科学院自动化研究所 基于内源性脑信号的闭环神经调控系统、方法和设备
CN113274011A (zh) * 2021-05-10 2021-08-20 燕山大学 融合脑电与功能近红外光谱技术的脑功能监测管理方法
CN115227968A (zh) * 2022-05-25 2022-10-25 上海交通大学 一种基于高频时域干涉和脑电图复合的非侵入式刺激系统
CN115253072A (zh) * 2022-06-29 2022-11-01 内江师范学院 一种多模式深脑电刺激精准神经调控系统及方法
CN117180614A (zh) * 2023-07-31 2023-12-08 国家康复辅具研究中心 一种非侵入颅电刺激的时间干涉电刺激系统
CN118415649A (zh) * 2024-03-25 2024-08-02 北京工业大学 一种基于时间干涉的闭环多模态神经刺激系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121513350A (zh) * 2026-01-16 2026-02-13 上海术理智能科技有限公司 一种无创脑刺激自适应闭环调控系统

Also Published As

Publication number Publication date
CN118415649B (zh) 2025-01-21
CN118415649A (zh) 2024-08-02

Similar Documents

Publication Publication Date Title
WO2025201259A1 (zh) 一种基于时间干涉的闭环多模态神经刺激系统及方法
CN114870249B (zh) 一种闭环自适应交流电刺激神经网络调控方法及系统
CN117180614B (zh) 一种非侵入颅电刺激的时间干涉电刺激系统
CN109965869B (zh) 基于脑源域空间的mi-eeg识别方法
CN115253072A (zh) 一种多模式深脑电刺激精准神经调控系统及方法
CN116570834B (zh) 经颅直流电刺激方法、装置、终端及介质
CN115887857A (zh) 一种结合生物反馈的多物理因子刺激神经调控装置及方法
CN114259651B (zh) 一种针对帕金森疾病的主动式实时闭环电刺激方法及系统
CN119386383A (zh) 一种多功能磁刺激治疗系统及其应用方法
CN116099124A (zh) 一种基于个体化参数的经颅交流电刺激系统
CN113398470A (zh) 一种可增强睡眠的神经调控系统
CN121015212B (zh) 一种基于脑电信号的睡眠监测与干预方法及系统
CN118576894A (zh) 基于双靶点同步刺激实现脑治疗的神经调控装置
CN118576215A (zh) 介入式脑电采集和电刺激方法及装置
CN119214667A (zh) 电磁光声同步一体化脑功能成像方法及装置
CN105125186B (zh) 一种确定干预治疗方式的方法及系统
CN116549853B (zh) 脉冲发生器、刺激器、存储介质及程序产品
CN119908683B (zh) 基于生物组织分析的腕部信号采集处理方法及系统
CN120788504A (zh) 一种基于难治性抑郁症经颅磁刺激治疗效果的评估系统
CN105944233B (zh) 基于深度学习的视神经仿真方法及系统
CN120189632A (zh) 一种基于EEG-fNIRS反馈的经颅电刺激理疗系统
CN119548103A (zh) 一种基于多模态动态响应指数mdri的麻醉深度监测方法
CN118750786A (zh) 一种基于神经振荡相位的动态光遗传神经调控系统
Lee et al. In-Ear EEG Auditory Neurofeedback Towards Unobtrusive Sleep Enhancement
CN121668563A (zh) 基于同步脑电信号的闭环时间干涉神经调控系统及方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25775753

Country of ref document: EP

Kind code of ref document: A1