CN113936806A - 脑刺激响应模型构建方法、响应方法、装置及电子设备 - Google Patents
脑刺激响应模型构建方法、响应方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113936806A CN113936806A CN202111101876.1A CN202111101876A CN113936806A CN 113936806 A CN113936806 A CN 113936806A CN 202111101876 A CN202111101876 A CN 202111101876A CN 113936806 A CN113936806 A CN 113936806A
- Authority
- CN
- China
- Prior art keywords
- stimulation
- response
- time sequence
- brain
- time
- 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.)
- Granted
Links
- 230000000638 stimulation Effects 0.000 title claims abstract description 213
- 230000004044 response Effects 0.000 title claims abstract description 200
- 210000004556 brain Anatomy 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007177 brain activity Effects 0.000 description 3
- 230000004936 stimulating effect Effects 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000000094 Chronic Pain Diseases 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 208000028552 Treatment-Resistant Depressive disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
- A61N1/36064—Epilepsy
-
- 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
-
- 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
- A61N1/36082—Cognitive or psychiatric applications, e.g. dementia or Alzheimer's disease
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Hospice & Palliative Care (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Databases & Information Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种脑刺激响应模型构建方法、响应方法、装置及电子设备，其中构建方法包括：获取训练样本集，训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组时序刺激输入的时序真实响应；以时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型；该构建方法基于生成对抗网络进行建模获所获得的脑刺激响应模型，基于深度学习强大的学习能力，该脑刺激响应模型能针对大脑在响应刺激过程中的时变性、非线性及不确定性等特性，真实模拟出大脑在受到刺激之后的刺激响应。
Description
技术领域
本发明涉及医疗电子***领域，尤其涉及一种脑刺激响应模型构建方法、响应方法、装置及电子设备。
背景技术
对大脑施加刺激是一种调节大脑活动的技术，可以帮助治疗各种大脑功能障碍。例如，深部脑刺激(deep brain stimulation,DBS)对帕金森病和癫痫等神经疾病有效，并有望治疗慢性疼痛、难治性抑郁症和强迫症等神经精神疾病。
尽管外界刺激改变大脑活动的作用机制尚不清楚，但研究表明，刺激会改变大脑网络的活动。当刺激的时间模式需要实时改变时，这种模型就显得尤为重要。例如，针对神经和神经精神疾病的闭环DBS疗法旨在根据大脑活动变化的反馈实时改变刺激模式(例如，刺激脉冲序列的频率和幅度)。因此建立预测持续的刺激(输入)如何驱动大脑网络活动(输出)的时间演化(即动力学)是非常重要的。
到目前为止，刺激响应模型的研究主要有建立脉冲神经元的生物物理模型和基于大数据的数据驱动模型。生物物理模型通常是针对特定疾病的大脑区域，需要对其功能组织(例如，帕金森病的皮质-基底-神经节网络)有一些了解，并涉及大量非线性模型参数，这些参数很难与个体的实验数据相匹配。因此，生物物理模型很难概括出刺激如何驱动个体的大脑网络动力学，特别是在与疾病相关的大脑网络没有很好地表征的神经精神疾病中。而对于数据驱动模型，以前以数据为导向的大脑研究使用线性状态空间模型(linearstate-space model,LSSM)对刺激响应模型建模，这显然不符合大脑对刺激的响应是非线性的这一特性。
因此，亟待寻找一种能有效模拟出大脑真实响应的方法。
发明内容
本发明的目的在于提供一种脑刺激响应模型构建方法、响应方法、装置及电子设备，通过该脑刺激响应模型能真实模拟出真实大脑对脑刺激的直接响应。
为实现上述发明目的，本发明提出了如下技术方案：
一方面，提供一种脑刺激响应模型构建方法，所述方法包括：
获取训练样本集，所述训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组所述时序刺激输入的时序真实响应；
以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型。
在一种较佳的实施方式中，所述生成对抗网络包括生成网络及对抗网络；
所述以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型，包括：
以所述时序刺激输入为所述生成网络的输入以获得相应的时序生成响应；
以与所述时序刺激输入相应的所述时序真实响应以及所述时序生成响应为所述对抗网络的输入以获得相应的判断结果；
当所述判断结果符合预设条件时，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型。
在一种较佳的实施方式中，所述当所述判断结果符合预设条件时，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型，包括：
当所述判断结果为所述时序生成响应与所述时序真实响应相同，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型；或，
当所述判断结果为所述时序生成响应与所述时序真实响应不同，则继续训练至所述判断结果符合预设阈值时，停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型。
在一种较佳的实施方式中，所述以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型，还包括：
训练中采用反向传播算法更新所述生成网络及对抗网络的权值及偏置。
在一种较佳的实施方式中，在训练获得所述脑刺激响应模型后，所述方法还包括：基于预先获取的测试样本集对所述脑刺激响应模型进行模型评价，包括：
将所述测试样本集中的任一时序刺激输入输入所述脑刺激响应模型并获得相应的测试结果；
计算所述测试样本集中与所述时序刺激输入对应的时序真实响应与相应测试结果之间的皮尔森相关系数，当所述皮尔森相关系数符合预设阈值时，测试通过。
在一种较佳的实施方式中，所述时序刺激输入包括时序刺激幅度及时序刺激频率，所述时序真实响应包括采集到的与所述时序刺激幅度及时序刺激频率对应的时序真实局部场电位信号，所述时序生成响应包括基于所述刺激幅度及刺激频率通过所述生成网络生成的时序生成局部场电位信号。
在一种较佳的实施方式中，在所述以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型之前，所述方法还包括对所采集的时序真实响应进行预处理，包括：
对所采集的所述时序真实局部场电位信号去除刺激伪迹；
对去除刺激伪迹的所述时序真实局部场电位信号进行降采样；
对降采样后的所述时序真实局部场电位信号进行滤波处理；
基于滤波处理后的所述时序真实局部场电位信号计算相应的功率时间序列获得预处理后的时序真实局部场电位信号。
第二方面，提供一种脑刺激响应方法，所述脑刺激响应方法包括：
获取目标时序刺激输入；
基于所述目标时序刺激输入，通过如第一方面任意一项所述的脑刺激响应模型生成目标脑刺激响应。
第三方面，提供一种脑刺激响应模型构建装置，所述构建装置包括：
第一获取模块，用于获取训练样本集，所述训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组所述时序刺激输入的时序真实响应；
训练模块，用于以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型。
第四方面，提供一种脑刺激响应装置，所述脑刺激响应装置包括：
第二获取模块，用于获取目标时序刺激输入；
生成模块，用于基于所述目标时序刺激输入，通过如第一方面任意一项所述的脑刺激响应模型生成目标脑刺激响应。
第五方面，提供一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面任意一项所述的构建方法。
与现有技术相比，本发明具有如下有益效果：
本发明提供了一种脑刺激响应模型构建方法、响应方法、装置及电子设备，其中构建方法包括：获取训练样本集，训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组时序刺激输入的时序真实响应；以时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型；该脑刺激响应模型构建方法基于生成对抗网络进行建模获所获得的脑刺激响应模型，基于深度学习强大的学习能力，该脑刺激响应模型能针对大脑在响应刺激过程中的时变性、非线性及不确定性等特性，真实模拟出大脑在受到刺激之后的刺激响应。
附图说明
图1是本实施例中脑刺激响应模型构建方法的流程图；
图2是本实施例中脑刺激响应模型构建方法的示意图；
图3为本实施例中脑刺激响应方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
大脑具有非线性、时变、非平稳的特性，采用传统的脉冲神经元模型和LSSM模型或很难概括出如何驱动个体的大脑网络动力学，或不符合大脑对刺激的响应是非线性的特性，鉴于上述脑刺激现状，需要寻找一种对应于上述大脑特性的脑刺激响应方法，以真实模拟大脑在受到脑刺激时的响应。以下将结合附图1～3对本实施例的脑刺激响应模型构建方法、响应方法、装置及电子设备作进一步的详细描述。
实施例
如图1、2所示，本实施例提供一种脑刺激响应模型构建方法，包括如下步骤：
S1、获取训练样本集，所述训练样本集包括对大脑的至少一组时序刺激输入xk及对应于每一组时序刺激输入xk的时序真实响应yk。
具体地，对大脑交付多种模式的刺激，并记录下刺激输入，同时采集大脑的真实响应输出。通常，刺激输入包括刺激幅度U、刺激频率f，真实响应输出为局部场电位(localfield power,LFP)信号y。为提高脑刺激过程中刺激输入与响应输出数据的对应性，本实施例中对训练样本集中的数据均赋予时序性，即刺激输入为时序刺激输入xk，输出的真实响应也为时序真实响应yk。
进一步，在脑刺激响应模型构建过程中，时序刺激输入xk包括时序刺激幅度及时序刺激频率，时序真实响应yk包括采集到的与时序刺激幅度及时序刺激频率对应的时序真实局部场电位信号。
为提高数据处理精度，通常需要对采集的时序真实响应yk进行数据预处理，因此在步骤S2之前，还包括：S0、对所采集的时序真实响应yk进行预处理，具体包括：
S01、对所采集的时序真实局部场电位信号去除刺激伪迹。
刺激过程中记录的宽带原始信号含有刺激伪迹，本实施例中，我们采用模板法来除去刺激伪迹。模板法为脑刺激领域常用的刺激伪迹去除方法，本实施例对此不作进一步描述。
S02、对去除刺激伪迹的时序真实局部场电位信号进行降采样。
示例性的，本实施例采用截止频率为100Hz的抗混叠滤波器将时序真实局部场电位信号降采样至200Hz。
S03、对降采样后的时序真实局部场电位信号进行滤波处理。
示例性的，本实施例采用使用通带截止频率1Hz，阻带截止频率0.5Hz的等纹波有限脉冲响应(FIR)滤波器去除漂移，使用阻带截止频率59Hz和61Hz以及通带截止频率58Hz和62Hz的带阻等纹波FIR滤波器去除60Hz的线噪声，使用阻带截止频率49Hz和51Hz以及通带截止频率48Hz和52Hz的带阻等纹波FIR滤波器消除在刺激频率上任何可能残留的刺激伪迹。
S04、基于滤波处理后的时序真实局部场电位信号计算相应的功率时间序列获得预处理后的时序真实局部场电位信号。
具体的，根据预设时间窗口长度Tw对每个LFP通道按序划分多个时间窗口并计算每一时间窗口内的LFP的平均功率，由此得到了LFP的功率时间序列yk，即时序真实局部场电位信号。
时序刺激输入xk可以为预设经验值。示例性的，时序刺激幅度可选值为：0V(无刺激)、1.5V或3V，刺激频率f可选值为0Hz(无刺激)、65Hz或130Hz。因此，训练样本集为
其中xk＝(Uk,fk)，N≥2。
在确定训练样本集并进行相应的数据预处理之后，进行步骤S2中的模型训练，具体训练如下所述。
S2、以时序刺激输入xk及时序真实响应yk为输入，基于GAN训练获得脑刺激响应模型。当然，在开始模型训练之前，该方法还包括：初始化GAN的权重。
需要说明的是，生成对抗网络(generative adversarial network，GAN)是一种深度学习模型，其包含依次设置的生成网络、判别网络两个网络模型。其中，生成网路的任务是生成看起来自然真实的、和原始数据相似的实例。判别网路的任务是判断给定的实例看起来是自然真实的还是人为伪造的。生成对抗网络通过生成响应的非线性生成器与判别响应真伪的判别器相互竞争的方式训练，能够模拟出真实大脑对脑刺激的响应。
结合图2所示，生成网络的输入为时序刺激输入xk＝{Uk,fk}，输出为时序生成响应
时序生成响应
包括基于刺激幅度及刺激频率通过生成网络生成的时序生成局部场电位信号。判别网络的输入为由生成网络产生的时序生成响应
和大脑对刺激的时序真实响应yk。
因此，步骤S2具体包括：
S21、以时序刺激输入xk为生成网络的输入以获得相应的时序生成响应
S22、以与时序刺激输入xk相应的时序真实响应yk以及时序生成响应
为对抗网络的输入以获得相应的判断结果。
S23、当判断结果符合预设条件时，则停止训练并将与生成网络对应的模型作为脑刺激响应模型。
进一步，步骤S23包括：
S23a、当判断结果为时序生成响应
与时序真实响应yk相同，则停止训练并将与生成网络对应的模型作为脑刺激响应模型；或，
S23b、当判断结果为时序生成响应
与时序真实响应yk不同，则继续训练至判断结果符合预设阈值时，停止训练并将与生成网络对应的模型作为脑刺激响应模型。该步骤中用于当时序生成响应
与时序真实响应yk不相同时，评价两者的接近程度。其中，预设阈值优选0.5，即当判断结果越接近0.5，时序生成响应
与时序真实响应yk越相近，真实性越高。
上述S23a和S23b择一执行，且当满足S23a时，不再执行S23b。
S24、训练中采用反向传播算法更新生成网络及对抗网络的权值及偏置。
在具体训练中，GAN的目标函数如下式(1)所示：
其中，G(x)为生成网络，D(x)为对抗网络。
判别网络更新梯度如下式(2)所示：
生成网络更新梯度如下式(3)所示：
进一步，在训练获得脑刺激响应模型后，方法还包括：S3、基于预先获取的测试样本集对脑刺激响应模型进行模型评价，具体包括：
S31、将测试样本集中的任一时序刺激输入xk输入脑刺激响应模型并获得相应的测试结果。
与训练样本集类似的，测试样本集包括时序刺激输入xk及对应的时序真实响应yk，时序刺激输入xk包括时序刺激幅度及时序刺激频率。在执行步骤S32之前，作为一种优选的实施方式，需要对时序真实响应yk进行数据预处理，预处理过程参照步骤S0中的描述，此处将不作赘述。
S32、计算测试样本集中与时序刺激输入xk对应的时序真实响应yk与相应测试结果之间的皮尔森相关系数。当皮尔森相关系数符合预设阈值时，测试通过。
需要说明的是，皮尔森相关系数(Pearson’s correlation coefficient,CC)用于度量两个变量之间的相关程度，其值介于-1与1之间。本实施例中，CC是基于GAN的时序生成响应
与时序真实响应yk之间线性相关程度的量，数值越大，说明相关程度越高，脑刺激响应模型的精确度越高。本实施例中的CC表达式如下式(4)所示：
其中，Cov()和Var()分别表示时间序列的协方差和方差。
在训练获得高精度的脑刺激响应模型后，本实施例还提供一种脑刺激响应方法，如图3所示，该脑刺激响应方法包括：
S10、获取目标时序刺激输入；
S20、基于所述目标时序刺激输入，通过如上述的脑刺激响应模型生成目标脑刺激响应。
同样的，上述目标时序刺激输入包括目标刺激幅度U、目标刺激频率f。
通过该脑刺激响应模型所获得的与目标时序刺激输入对应的目标脑刺激响应能有效模拟真实的LFP信号。
综上，本实施例提供的脑刺激响应模型构建方法基于生成对抗网络进行建模获所获得的脑刺激响应模型，基于深度学习强大的学习能力，该脑刺激响应模型能针对大脑在响应刺激过程中的时变性、非线性及不确定性等特性，真实模拟出大脑在受到刺激之后的刺激响应。
进一步的，对应于上述脑刺激响应模型构建方法，本实施例还提供一种脑刺激响应模型构建装置，该脑刺激响应模型构建装置包括：
第一获取模块，用于获取训练样本集，所述训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组所述时序刺激输入的时序真实响应；
训练模块，用于以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型。
其中，所述生成对抗网络包括生成网络及对抗网络。
训练模块包括：
生成网络模型单元，用于以所述时序刺激输入为所述生成网络的输入以获得相应的时序生成响应；
对抗网络模型单元，用于以与所述时序刺激输入相应的所述时序真实响应以及所述时序生成响应为所述对抗网络的输入以获得相应的判断结果；当所述判断结果符合预设条件时，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型。
更新单元，用于训练中采用反向传播算法更新所述生成网络及对抗网络的权值及偏置。
进一步，对抗网络模型单元具体用于：
当所述判断结果为所述时序生成响应与所述时序真实响应相同，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型；或，
当所述判断结果为所述时序生成响应与所述时序真实响应不同，则继续训练至所述判断结果符合预设阈值时，停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型。
评价模块，用于基于预先获取的测试样本集对所述脑刺激响应模型进行模型评价，包括：
测试单元，用于将所述测试样本集中的任一时序刺激输入输入所述脑刺激响应模型并获得相应的测试结果；
处理单元，用于计算所述测试样本集中与所述时序刺激输入对应的时序真实响应与相应测试结果之间的皮尔森相关系数，当所述皮尔森相关系数符合预设阈值时，测试通过。
进一步，所述时序刺激输入包括时序刺激幅度及时序刺激频率，所述时序真实响应包括采集到的与所述时序刺激幅度及时序刺激频率对应的时序真实局部场电位信号，所述时序生成响应包括基于所述刺激幅度及刺激频率通过所述生成网络生成的时序生成局部场电位信号。
进一步，该脑刺激响应模型构建装置还包括预处理模块，用于对所采集的时序真实响应进行预处理。预处理模块包括：
第一预处理单元，用于对所采集的所述时序真实局部场电位信号去除刺激伪迹；
第二预处理单元，对去除刺激伪迹的所述时序真实局部场电位信号进行降采样；
第三预处理单元，对降采样后的所述时序真实局部场电位信号进行滤波处理；
第四预处理单元，基于滤波处理后的所述时序真实局部场电位信号计算相应的功率时间序列获得预处理后的时序真实局部场电位信号。
需要说明的是：上述实施例提供的脑刺激响应模型构建装置在触发脑刺激响应模型构建业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将***的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的脑刺激响应模型构建装置与脑刺激响应模型构建方法的实施例属于同一构思，即该***是基于该方法的，其具体实现过程详见方法实施例，这里不再赘述。
以及，对应于上述脑刺激响应方法，本实施例还提供一种脑刺激响应装置，该脑刺激响应装置包括：
第二获取模块，用于获取目标时序刺激输入；
生成模块，用于基于所述目标时序刺激输入，通过如权利要求1～7任意一项所述的脑刺激响应模型生成目标脑刺激响应。
需要说明的是：上述实施例提供的脑刺激响应装置在触发脑刺激响应业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将***的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的脑刺激响应装置与脑刺激响应方法的实施例属于同一构思，即该***是基于该方法的，其具体实现过程详见方法实施例，这里不再赘述。
另外，本实施例还提供一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行前述的脑刺激响应模型构建方法进行模型构建。
关于执行程序指令所执行的脑刺激响应模型构建方法，具体执行细节及相应的有益效果与前述方法中的描述内容是一致的，此处将不再赘述。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，即可将任意多个实施例进行组合，从而获得应对不同应用场景的需求，均在本申请的保护范围内，在此不再一一赘述。
需要说明的是，以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.脑刺激响应模型构建方法，其特征在于，所述方法包括：
获取训练样本集，所述训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组所述时序刺激输入的时序真实响应；
以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型。
2.如权利要求1所述的构建方法，其特征在于，所述生成对抗网络包括生成网络及对抗网络；
所述以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型，包括：
以所述时序刺激输入为所述生成网络的输入以获得相应的时序生成响应；
以与所述时序刺激输入相应的所述时序真实响应以及所述时序生成响应为所述对抗网络的输入以获得相应的判断结果；
当所述判断结果符合预设条件时，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型。
3.如权利要求2所述的构建方法，其特征在于，所述当所述判断结果符合预设条件时，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型，包括：
当所述判断结果为所述时序生成响应与所述时序真实响应相同，则停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型；或，
当所述判断结果为所述时序生成响应与所述时序真实响应不同，则继续训练至所述判断结果符合预设阈值时，停止训练并将与所述生成网络对应的模型作为所述脑刺激响应模型。
4.如权利要求2所述的构建方法，其特征在于，所述以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型，还包括：
训练中采用反向传播算法更新所述生成网络及对抗网络的权值及偏置。
5.如权利要求2所述的方法，其特征在于，在训练获得所述脑刺激响应模型后，所述方法还包括：基于预先获取的测试样本集对所述脑刺激响应模型进行模型评价，包括：
将所述测试样本集中的任一时序刺激输入输入所述脑刺激响应模型并获得相应的测试结果；
计算所述测试样本集中与所述时序刺激输入对应的时序真实响应与相应测试结果之间的皮尔森相关系数，当所述皮尔森相关系数符合预设阈值时，测试通过。
6.如权利要求2～5任意一项所述的构建方法，其特征在于，所述时序刺激输入包括时序刺激幅度及时序刺激频率，所述时序真实响应包括采集到的与所述时序刺激幅度及时序刺激频率对应的时序真实局部场电位信号，所述时序生成响应包括基于所述刺激幅度及刺激频率通过所述生成网络生成的时序生成局部场电位信号。
7.如权利要求6所述的构建方法，其特征在于，在所述以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型之前，所述方法还包括对所采集的时序真实响应进行预处理，包括：
对所采集的所述时序真实局部场电位信号去除刺激伪迹；
对去除刺激伪迹的所述时序真实局部场电位信号进行降采样；
对降采样后的所述时序真实局部场电位信号进行滤波处理；
基于滤波处理后的所述时序真实局部场电位信号计算相应的功率时间序列获得预处理后的时序真实局部场电位信号。
8.一种脑刺激响应方法，其特征在于，所述脑刺激响应方法包括：
获取目标时序刺激输入；
基于所述目标时序刺激输入，通过如权利要求1～7任意一项所述的脑刺激响应模型生成目标脑刺激响应。
9.脑刺激响应模型构建装置，其特征在于，所述构建装置包括：
第一获取模块，用于获取训练样本集，所述训练样本集包括对大脑的至少一组时序刺激输入及对应于每一组所述时序刺激输入的时序真实响应；
训练模块，用于以所述时序刺激输入及所述时序真实响应为输入，基于生成对抗网络训练获得所述脑刺激响应模型。
10.脑刺激响应装置，其特征在于，所述脑刺激响应装置包括：
第二获取模块，用于获取目标时序刺激输入；
生成模块，用于基于所述目标时序刺激输入，通过如权利要求1～7任意一项所述的脑刺激响应模型生成目标脑刺激响应。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1～7任意一项所述的构建方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111101876.1A CN113936806B (zh) | 2021-09-18 | 2021-09-18 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
| PCT/CN2022/111364 WO2023040521A1 (zh) | 2021-09-18 | 2022-08-10 | 一种自适应闭环深部脑刺激方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111101876.1A CN113936806B (zh) | 2021-09-18 | 2021-09-18 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113936806A true CN113936806A (zh) | 2022-01-14 |
| CN113936806B CN113936806B (zh) | 2024-03-08 |
Family
ID=79276415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111101876.1A Active CN113936806B (zh) | 2021-09-18 | 2021-09-18 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113936806B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114373356A (zh) * | 2022-01-17 | 2022-04-19 | 中国人民解放军军事科学院军事医学研究院 | 基于虚拟现实的自适应式应激训练方法及*** |
| WO2023040521A1 (zh) * | 2021-09-18 | 2023-03-23 | 复旦大学 | 一种自适应闭环深部脑刺激方法、装置及电子设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961219A (zh) * | 2018-06-15 | 2018-12-07 | 清华大学 | 基于局部场电位幅值相位复合特征的自然图像重建方法 |
| CN110070935A (zh) * | 2019-03-20 | 2019-07-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
| CN110288547A (zh) * | 2019-06-27 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 用于生成图像去噪模型的方法和装置 |
| CN110379020A (zh) * | 2018-07-04 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种基于生成对抗网络的激光点云上色方法和装置 |
| WO2020082574A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技（深圳）有限公司 | 一种基于生成对抗网络的音乐生成方法及装置 |
| US20200151559A1 (en) * | 2018-11-14 | 2020-05-14 | Nvidia Corporation | Style-based architecture for generative neural networks |
| 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 |
| US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
| CN111863247A (zh) * | 2020-08-03 | 2020-10-30 | 北京航空航天大学 | 基于结构磁共振影像的大脑年龄级联精炼预测方法及*** |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN112667080A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 |
| CN113343117A (zh) * | 2021-07-09 | 2021-09-03 | 马上消费金融股份有限公司 | 对抗网络模型的训练方法、信息推荐方法及相关设备 |
-
2021
- 2021-09-18 CN CN202111101876.1A patent/CN113936806B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961219A (zh) * | 2018-06-15 | 2018-12-07 | 清华大学 | 基于局部场电位幅值相位复合特征的自然图像重建方法 |
| CN110379020A (zh) * | 2018-07-04 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种基于生成对抗网络的激光点云上色方法和装置 |
| WO2020082574A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技（深圳）有限公司 | 一种基于生成对抗网络的音乐生成方法及装置 |
| US20200151559A1 (en) * | 2018-11-14 | 2020-05-14 | Nvidia Corporation | Style-based architecture for generative neural networks |
| CN110070935A (zh) * | 2019-03-20 | 2019-07-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
| US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
| CN110288547A (zh) * | 2019-06-27 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 用于生成图像去噪模型的方法和装置 |
| 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 |
| CN111863247A (zh) * | 2020-08-03 | 2020-10-30 | 北京航空航天大学 | 基于结构磁共振影像的大脑年龄级联精炼预测方法及*** |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN112667080A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 |
| CN113343117A (zh) * | 2021-07-09 | 2021-09-03 | 马上消费金融股份有限公司 | 对抗网络模型的训练方法、信息推荐方法及相关设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023040521A1 (zh) * | 2021-09-18 | 2023-03-23 | 复旦大学 | 一种自适应闭环深部脑刺激方法、装置及电子设备 |
| CN114373356A (zh) * | 2022-01-17 | 2022-04-19 | 中国人民解放军军事科学院军事医学研究院 | 基于虚拟现实的自适应式应激训练方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113936806B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113936806B (zh) | 脑刺激响应模型构建方法、响应方法、装置及电子设备 | |
| Tuckwell et al. | Analytical and simulation results for stochastic Fitzhugh-Nagumo neurons and neural networks | |
| CN110520875B (zh) | 学习型信号分离方法和学习型信号分离装置 | |
| US20230363690A1 (en) | Systems, methods, and devices for intracranial measurement, stimulation, and generation of brain state models | |
| Anderson et al. | Nonlinear dynamic modeling of isometric force production in primate eye muscle | |
| CN112263253B (zh) | 基于深度学习与心电信号的抑郁症识别***、介质及设备 | |
| Yu et al. | Recursive decomposition of electromyographic signals with a varying number of active sources: Bayesian modeling and filtering | |
| Tomasevic et al. | Artificial neural network based approach to EEG signal simulation | |
| Helling et al. | Gap junctions as common cause of high-frequency oscillations and epileptic seizures in a computational cascade of neuronal mass and compartmental modeling | |
| Kosmidis et al. | An analysis of the reliability phenomenon in the FitzHugh-Nagumo model | |
| Huberdeau et al. | Analysis of local field potential signals: a systems approach | |
| Tomasevic et al. | Correlated EEG signals simulation based on artificial neural networks | |
| US20190076046A1 (en) | Systems, methods, and devices for closed loop control | |
| Zhu et al. | Characterization of neural interaction during learning and adaptation from spike-train data | |
| Zhang et al. | Nonlinear electroencephalogram analysis of neural mass model | |
| Zetterberg | Means and methods for processing of physiological signals with emphasis on EEG analysis | |
| Demin et al. | The use of the Memory Function Formalism in search for diagnostic criteria for pathological brain activity | |
| CN114742116A (zh) | 一种模拟采集脑电信号的生成方法和*** | |
| JP2015047452A (ja) | 脳波信号を解析評価する方法、脳波信号解析評価装置及び脳波信号を解析評価するためのプログラム | |
| Thieu et al. | Diagnosis of epilepsy in patients based on the classification of EEG signals using fast Fourier transform | |
| CN106774267B (zh) | 一种时序输出的控制***的性能评估方法及装置 | |
| WO2023040521A1 (zh) | 一种自适应闭环深部脑刺激方法、装置及电子设备 | |
| Aljamaan | Nonlinear system identification of cortical response in EEG elicits by wrist manipulation | |
| Kim et al. | Tracking tremor frequency in spike trains using the extended Kalman filter | |
| Bigan | A system for neural networks detection and automatic identification of EEG epileptic events |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |