基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于tDCS刺激响应的个体化神经调控参数优化方法


[0001]本专利技术属于神经调控参数优化
，尤其涉及基于
tDCS
刺激响应的阿尔兹海默症个体化神经调控参数优化方法
。

技术介绍

[0002]阿尔茨海默病
(Alzheimer
’
s Disease,AD)
又称老年痴呆症，以神经元进行性丧失为主，其临床特征表现为进行性认知和行为功能障碍
。AD
发病率高，临床上尚无可治愈方法，给患者和社会带来严重危害
。
[0003]近年来，经颅直流电刺激
(transcranial Direct Current Stimulation,tDCS)
作为一种神经调控方法在国内外神经康复领域受到广泛关注，为
AD
的早期干预治疗提供了新的方向
。tDCS
作为潜在的临床无创干预手段，通过在头皮上放置电极，持续低强度的直流电被传送到大脑的特定区域
(
刺激靶点
)
，通过调节细胞跨膜电位的去极化或超极化以改变大脑皮质神经元的兴奋性，在重复
tDCS
干预后，可产生长时程增强
/
抑制效应，进而达到神经重塑效果，提升患者认知水平
。
[0004]尽管
AD
患者的
tDCS
临床试验已取得了初步成果，但是治疗效应异质性高，仍存在许多局限
。(1)tDCS
的通用调控方案在被试间具有变异性，
tDCS
电极位置
、
电流强度
、
刺激会话数量
、
刺激时长等调控参数均不能根据经验设置，需要根据患者情况制定有效个体
tDCS
调控方案；
(2)
在进行个体化
tDCS
调控方案参数的验证时，基于伦理限制，不能直接在人体做实验验证
。(3)
使用
tDCS
有限元建模可用来模拟刺激后的全脑的电场强度分布，为调控方案和脑神经活动之间建立了沟通桥梁
。
但有限元模型不足以预测即时刺激结果，因为除电场分布外，刺激响应效果还取决于细胞特异性
、
局部皮层回路
、
大脑连接等生理因素，无法反映全脑神经活动对刺激的响应
。
[0005]因此，目前尚无合适的
AD
个体化
tDCS
神经调控参数，以及无法验证直接在人体上验证
tDCS
调控方案的参数是否最优
。

技术实现思路

[0006]本专利技术提供基于
tDCS
刺激响应的个体化神经调控参数优化方法，旨在解决上述存在的问题
。
[0007]本专利技术是这样实现的，基于
tDCS
刺激响应的个体化神经调控参数优化方法，包括以下步骤：
[0008]步骤
S1、
获取
AD
患者
T1w、T2w、DTI
以及
rs
‑
fMRI
多模态数据，并对多模态数据进行预处理，得到预处理后的多模态数据；
[0009]步骤
S2、
基于预处理后的多模态数据：进行有限元建模，模拟
tDCS
刺激在
AD
患者大脑中的电场分布；同时，构建融合突触可塑性机制的大尺度动力学模型；
[0010]步骤
S3
：结合有限元建模和大尺度动力学模型，构建个体化
tDCS
刺激响应模型；
[0011]步骤
S4
：通过个体化
tDCS
刺激响应模型，逆向计算个体化刺激电流强度
I
best
，完成
对
AD
患者的个体化
tDCS
调控方案中电流剂量的参数优化
。
[0012]进一步的，在步骤
S2
中，构建融合突触可塑性机制的大尺度动力学模型，具体包括：
[0013]步骤
S21、
根据
Desikan
‑
Killiany
图谱划分脑区，作为网络的节点；
[0014]步骤
S22、
利用皮尔逊相关法构建重构经验结构功能连接体
FC(i
，
j)
，计算公式如下：
[0015][0016]其中，
x
t
和
y
t
表示第时刻两个脑区
i
和
j
时间序列的信号值；和分别表示脑区
i
和
j
时间序列的平均值；
[0017]步骤
S23、
利用融合突触可塑性的动态平均场模型建模神经元群体活动，通过相互连接的兴奋性和抑制性尖峰神经种群，描述每个大脑区域平均神经活动的神经场模型，互相连接的脑区的动力学通过以下一组耦合非线性随机微分方程描述：
[0018][0019][0020][0021][0022]其中，
x
i
、H(x
i
)、S
i
分别表示皮层区域
i
中每个群体的输入总电流
、
平均发放率
、
平均膜电位；
Δ
w
ij
(t)
表示突触强度，其中，
w
ij
是代表突触效能的突触间连接权重；
a
i
(t)、a
j
(t)
是突触前和突触后神经元活动的度量，
c<<1
是表示学习速率的常数；
g(x
，
x0，
v)
表示神经元之间突触结构的重塑，即结构可塑性，结构可塑性根据突触权重和稳态机制动态地改变网络结构，结构可塑性由以下一组方程描述：
[0023][0024][0025][0026][0027][0028]步骤
S24、
使用
Balloon
‑
Windkessel
模型将每个皮质区域的模拟神经脉冲信号
Si
转
换为
BOLD
信号：
[0029][0030]步骤
S25、
利用期望最大化算法迭代优化，最大化模拟和经验
FC
之间的拟合度，使用经验
FC
emp
的向量
f
emp
和模拟
FC
sim
的向量
f
sim
之间的皮尔逊相关系数量化拟合度
R
...

【技术保护点】

【技术特征摘要】
1.
基于
tDCS
刺激响应的个体化神经调控参数优化方法，其特征在于，包括以下步骤：步骤
S1、
获取
AD
患者
T1w、T2w、DTI
以及
rs
‑
fMRI
多模态数据，并对多模态数据进行预处理，得到预处理后的多模态数据；步骤
S2、
基于预处理后的多模态数据：进行有限元建模，模拟
tDCS
刺激在
AD
患者大脑中的电场分布；同时，构建融合突触可塑性机制的大尺度动力学模型；步骤
S3
：结合有限元建模和大尺度动力学模型，构建个体化
tDCS
刺激响应模型；步骤
S4
：通过个体化
tDCS
刺激响应模型，逆向计算个体化刺激电流强度
I
best
，完成对
AD
患者的个体化
tDCS
调控方案中电流剂量的参数优化
。2.
根据权利要求1所述的基于
tDCS
刺激响应的个体化神经调控参数优化方法，其特征在于，在步骤
S2
中，构建融合突触可塑性机制的大尺度动力学模型，具体包括：步骤
S21、
根据
Desikan
‑
Killiany
图谱划分脑区，作为网络的节点；步骤
S22、
利用皮尔逊相关法构建重构经验结构功能连接体
FC(i
，
j)
，计算公式如下：其中，
x
t
和
y
t
表示第时刻两个脑区
i
和
j
时间序列的信号值；和分别表示脑区
i
和
j
时间序列的平均值；步骤
S23、
利用融合突触可塑性的动态平均场模型建模神经元群体活动，通过相互连接的兴奋性和抑制性尖峰神经种群，描述每个大脑区域平均神经活动的神经场模型，互相连接的脑区的动力学通过以下一组耦合非线性随机微分方程描述：接的脑区的动力学通过以下一组耦合非线性随机微分方程描述：接的脑区的动力学通过以下一组耦合非线性随机微分方程描述：
Δ
w
ij
(t)
＝
a
i
(t)[ca
j
(t)
‑
w
ij
(t)]
其中，
x
i
、H(x
i
)、S
i
分别表示皮层区域
i
中每个群体的输入总电流
、
平均发放率
、
平均膜电位；
Δ
w
ij
(t)
表示突触强度，其中，
w
ij
是代表突触效能的突触间连接权重；
a
i
(t)、a
j
(t)
是突触前和突触后神经元活动的度量，
c
＜＜1是表示学习速率的常数；
g(x
，
x0，
v...

【专利技术属性】
技术研发人员：董艳清，相洁，魏静，薛家玥，武旭斌，孙婕，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：