CN105718655B - 帕金森状态的闭环神经刺激控制系统 - Google Patents
帕金森状态的闭环神经刺激控制系统 Download PDFInfo
- Publication number
- CN105718655B CN105718655B CN201610037630.5A CN201610037630A CN105718655B CN 105718655 B CN105718655 B CN 105718655B CN 201610037630 A CN201610037630 A CN 201610037630A CN 105718655 B CN105718655 B CN 105718655B
- Authority
- CN
- China
- Prior art keywords
- model
- volterra
- input
- nonlinear
- basal nuclei
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种帕金森状态的闭环神经刺激仿真系统，该系统包括有相互连接的基底核‑丘脑回路、DAC、ADC、非线性自回归Volterra模型和非线性模型预测控制器包括由FPGA搭建的基底核‑丘脑回路、DAC、ADC、非线性自回归Volterra模型和非线性模型预测控制器。ADC分别接在基底核‑丘脑回路的输入端和输出端，用来采集基底核‑丘脑回路的输入输出数据。本发明效果是提出了生理数据驱动的基底核‑丘脑回路建模方法，可以有效地应对传统生理建模中存在的模型失配及不确定性性；基于此模型的非线性预测控制策略能够自动、最优地调节临床状态。以FPGA硬件技术为实现手段，充分发挥FPGA并行运算、运算速度快、计算精度高的特点，提高了控制系统的响应速度与控制效果。
Description
技术领域
本发明涉及生物医学工程技术，特别是一种帕金森状态的闭环神经刺激控制系统。
背景技术
帕金森症(Parkinson’s Disease,PD)是一种神经系统退行性疾病，主要临床表现为静止性震颤、肌肉僵直、运动徐缓和姿势步态异常等运动障碍，对病人及家属的生活造成了严重影响。研究表明，PD是由黑质致密部中多巴胺能神经元缺失引起的，会导致基底核(Basal Ganglia,BG)回路中神经核团间产生异常的同步振荡，这种振荡使得BG对丘脑(Thalamocortical,TC)核团的抑制性输入作用增强，从而降低了TC中继感觉运动区皮层信号的能力。随着电磁刺激技术的发展，深度脑刺激(Deep Brain Stimulation,DBS)已经成为治疗晚期及具有抗药性的PD患者的重要方法。通过对底丘脑核(Subthalamic Nucleus,STN)、苍白球内侧(Globus Pallidus interna,GPi)或TC施加高频脉冲序列，能够实现对病态神经活动的调节，恢复丘脑的中继功能。随着对DBS研究的深入，其缺点逐步凸显，闭环刺激技术逐步成为PD疗法的前沿技术之一。
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。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。考虑到PD的病灶区(BG网络)的复杂非线性生理特性及不确定性，很难通过上述方法构建精确的生理学模型。但是，如果不考虑BG网络的内部结构，将其看作一个黑箱，采用系统辨识的方法构建其功能学模型，将大大简化研究过程。近年来，系统辨识在神经系统的建模中逐渐兴起，该方法是基于实验数据来构建定量描述系统输入刺激-输出响应间映射关系的模型，为进一步研究刺激的样式提供模型平台。
神经元放电的历史依存性表明其在当前时刻的放电状态与过去时刻的放电状态和当前及过去时刻的外部输入信号息息相关，而且这种关系一般是非线性的。因此，选择能够对非线性系统进行辨识建模的离散时间Volterra级数，能够准确的模拟输入-输出间的非线性关系。另外，考虑到当前输出与过去输出间的依赖关系，在传统Volterra级数中引入自回归项，将过去时刻的输出信号经过阈值处理后作为Volterra级数的第二个输入，构建非线性自回归Volterra级数即可模拟神经系统的电活动。其表达式如下：
其中k0,0表示0阶Volterra核函数，即在没有外部输入时的输出值；k1,0,k2,0表示1阶和2阶外部输入自核函数；k0,1,k0,2表示1阶和2阶自回归输入自核函数；k1,1表示互函数。
模型预测控制(Model Predictive Control，MPC)是一种基于优化的控制算法，在工业过程中获得了广泛的应用。通过每个时域中目标函数最优来滚动求解控制信号作用于当前系统；在目标函数中涉及到的系统的未来行为，通过预测模型产生，线性系统的预测模型主要为自回归滑动平均模型、非线性系统的预测模型则是上述介绍的Volterra级数模型；通过引入参考轨迹设定值对参考轨迹进行柔滑，实现实时信息对系统未来行为的修正作用，并保证过程的平稳性。因此，MPC主要包括：滚动优化、预测模型、反馈校正和参考轨迹四个部分。相对于全程最优控制方法，这种方法的优势在于可以在控制过程中的每一个采样时刻获得新的测量结果，并更新控制策略，使控制过程的每一个子区间均为最优控制，这对于处理线性多变量系统的在线实时整定有着重要意义。
现场可编程门阵列(Field Programmable Gate Array，FPGA)作为一种重要的硬件技术，采用并行运算，计算速度快；同时兼具密度高、体积小、编程灵活、可重复配置、修改参数简便、低成本、低功耗、高可靠性等优势；因此在数据采样控制和信号处理方面得到广泛应用。另一方面，基于FPGA硬件技术进行神经元及神经元网络的计算和特性分析，可以在真实时间尺度下运行，具有速度快、运算效率高、集成度高等优势，可以代替真实神经系统进行实验，有效规避生理实验中的伦理问题和不可重复的问题，为科学研究提供了便利的实验平台，因此在神经科学领域发挥着愈来愈重要的作用。
关于PD状态的闭环神经刺激系统研究已经取得了满意的效果，但是现存的闭环控制算法的设计都基于特定的生理学模型或动物实验，控制方法的普适性不高；而且，BG网络非常复杂，难以构建精确的生理模型用于控制；现有级数多采用计算机进行运算，与FPGA相比，计算速率和运算效率受到限制。
发明内容
针对上述技术中存在的不足，本发明的目的是提供一种帕金森状态的闭环神经刺激控制系统，利用FPGA搭建虚拟的基底核-丘脑回路平台，与DAC相连产生PD状态下的连续电生理信号；运用自回归Volterra模型对基底核-丘脑回路的输入输出数据进行辨识，构建回路的功能模型，并基于此模型设计非线性MPC控制策略，实现对基底核-丘脑回路的实时闭环控制。
为实现上述目的，本发明采用的技术方案是一种帕金森状态的闭环神经刺激控制系统，其中：该系统包括有相互连接的基底核-丘脑回路、DAC、ADC、非线性自回归Volterra模型和非线性模型预测控制器包括由FPGA搭建的基底核-丘脑回路、DAC、ADC、非线性自回归Volterra模型和非线性模型预测控制器。ADC分别接在基底核-丘脑回路的输入端和输出端，用来采集基底核-丘脑回路的输入输出数据。
本发明的效果是该系统实现了以自回归Volterra建模和模型预测控制对未知模型系统的分析、辨识与闭环控制，为神经系统闭环控制提供了一种有效方法。主要优点有：1、以硬件技术构建虚拟神经系统，所设计的硬件仿真模型能够与真实生物神经元在时间尺度上保持高度一致，其中芯片最大工作频率为200MHz，并行运算保证虚拟神经系统的膜电位输出频率在1ms之内，满足真实神经元时间尺度要求，与传统的生理实验相比，避免了有创式刺激对人体的损害，无需考虑活体实验的局限性与伦理限制；2、本方法中的非线性自回归Volterra模型是数据驱动模型，建模过程不需要已知被控对象的精确生理结构，即可实现对系统未来行为的准确预测；3、基于Volterra模型的非线性MPC控制策略，通过构建的目标函数要求滚动地求解最优控制作用并更新当前控制的控制策略，通过每一步检测到的实时的信息对未来行为的预测进行滚动修正；4、采用FPGA硬件基础进行实验，在FPGA芯片间的数据传输速度可达480Mbits/s，可以充分发挥FPGA并行处理、运算速率快、运算精度高等优点，使控制效果实现最优化。
附图说明
图1为本发明的控制系统示意图；
图2(a)为本发明的BG-TC回路示意图；
图2(b)为本发明的BG-TC回路简化示意图；
图3为本发明的自回归Volterra建模示意图。
图中：
1、基底核-丘脑回路 2、FPGA芯片 3、DACⅠ 4、ADCⅠ 5、ADCⅡ 6、Volterra模型 7、非线性模型预测控制器 8、目标函数 9、DACⅡ 10、底丘脑核 11、外侧苍白球核团 12、内侧苍白球 13、纹状体 14、基底核 15、感觉运动区 16、丘脑核团 17、拉盖尔展开模块 18、阈值处理 19、最小二乘参数估计模块
具体实施方式
下面结合附图对本发明的帕金森状态的闭环神经刺激控制系统加以说明。
如图1所示，本发明的帕金森状态的闭环神经刺激控制系统，主要包括基底核-丘脑回路1、DACⅠ3、ADCⅠ4、ADCⅡ5、Volterra模型6、非线性模型预测控制器7、目标函数8、DACⅡ9九个部分组成。其设计思想是首先用FPGA2构建虚拟BG-TC回路仿真平台1，通过与DACⅠ相连，模拟神经系统产生在PD状态下的电生理信号，同时作为闭环控制控制系统的被控对象；然后利用ADCⅠ4和ADCⅡ5对基底核-丘脑回路1的输入与输出生理信号分别进行采样，得到输入数据序列x(t)和输出数据序列y(t)；Volterra模型6是非线性自回归形式的Volterra级数，根据采样得到的输入数据序列x(t)和输出数据序列y(t)对基底核-丘脑回路1进行辨识；非线性MPC控制器7根据Volterra模型6辨识得到的结果，通过滚动时域优化目标函数8的方法不断更新控制策略，并改变非线性模型预测控制器7的参数，实时调整非线性模型预测控制器7通过DACⅡ9作用于基底核-丘脑回路1的刺激信号，实现对虚拟BG-TC回路的实时闭环控制。
本发明的帕金森状态的闭环神经刺激控制系统结构是，该系统包括有相互连接的基底核-丘脑回路1、DAC、ADC、非线性自回归Volterra模型6和非线性模型预测控制器7，DAC、ADC分别接在基底核-丘脑回路1的输入端和输出端，用来采集基底核-丘脑回路的输入输出数据。
所述的基底核-丘脑回路1是由FPGA芯片2构建的虚拟神经回路，与所述的DACⅠ3相连，得到连续模拟大脑中产生的电生理信号；所述ADCⅠ4的一端与DACⅠ3相连，另一端与非线性自回归Volterra级数实现的Volterra模型6相连，对连续的生理输出数据进行采样，得到Volterra辨识所用的输出数据序列y(t)；所述的ADCⅡ5一端与输入信号相连，一端与Volterra模型6相连，对连续的输入刺激数据进行采样，得到Volterra辨识所用的输出数据序列y(t)；所述的Volterra模型6与ADCⅠ4、ADCⅡ5连接，获取基底核-丘脑回路1的输入数据序列x(t)和输出数据序列y(t)，并通过数据分析、模型结构选取、模型参数辨识及模型验证，实现对基底核-丘脑回路1的建模；基于基底核-丘脑回路1的建模模型应用非线性模型预测控制器7，并使期望输出与输出数据序列y(t)之间的误差函数作为目标函数8，采用滚动时域法实现对非线性模型预测控制器7控制策略的实时更新；所述非线性模型预测控制器7产生的刺激信号经由DACⅡ9施加给基底核-丘脑回路1，使基底核-丘脑回路1根据期望进行放电；实现对基底核-丘脑回路1的闭环控制。
所述的基底核-丘脑回路1是通过模拟神经系统在帕金森状态下的电生理活动的结构，包括有相互连接的基底核14、感觉运动区15、丘脑核团16三个部分，所述的基底核14包括相互连接的底丘脑核10、苍白球外侧11、苍白球内侧1和纹状体13，基底核14、感觉运动区15、丘脑核团16之间通过兴奋性或抑制性化学突触相连接。
所述的Volterra模型6包括有相互连接的拉盖尔级数展开模块17、反馈输入的阈值处理模块18、最小二乘参数估计模块19。
所述的阈值处理模块18以基底核-丘脑回路的输出数据序列y(t)作为输入值，设置阈值θ，将非线性自回归Volterra级数实现的Volterra模型6的反馈输入作用于拉盖尔级数展开模块17，当输出数据序列y(t)≥θ时，将反馈输入yt(t)＝y(t)H(y(t)-θ)作为自回归输入引入；当输出数据序列y(t)<θ时，令反馈输入yt(t)＝0，即不引入反馈输入。
所述的拉盖尔级数展开模块17以模型的输入数据序列x(t)和阈值处理模块18返回的自回归的反馈输入yt(t)为输入，对两个输入一个输出的非线性自回归Volterra级数实现的Volterra模型6的核函数进行拉盖尔级数展开，由最小二乘参数估计模块19根据得到的Volterra级数进行递推最小二乘计算。
所述的最小二乘参数估计模块19，通过非线性自回归Volterra级数实现的Volterra模型6估计得到的估计输出ye(t)与实际的输出数据序列y(t)之间的误差函数对估计系数进行滚动修正，实现对非线性自回归Volterra级数实现的Volterra模型6模型参数的估计。
所述的非线性模型预测控制器7，采用预测控制方法以参考信号与Volterra模型辨识输出信号间的误差信号设计目标函数8，采用滚动时域优化，对控制策略进行实时调整，不断更新得到适当的控制信号，并将控制信号经由DACⅡ9施加给基底核-丘脑回路1。
所述的基底核-丘脑回路1如图2(a)所示，是以FPGA芯片2硬件技术实现的虚拟神经回路，为本系统的被控对象。本发明旨在探究TC神经元中继功能，因此选择TC神经元16作为刺激信号的靶位点，同时将基底核模型14简化，如图2(b)所示，只考虑GPi对TC神经元的抑制性输出作用。TC神经元模型是由Rubin和Terman提出的以电导为基础的单室神经元模型，方程如下：
其中，Cm表示膜电容，VTC是TC神经元的膜电位，ISM为感觉运动区作用于TC神经元的兴奋性信号，ISM可由如下的周期性阶梯函数H表示：
ASM，ρSM，DSM分别代表周期性方波的幅值、周期和持续时间。
IBG→Th表示由BG施加到TC的抑制性突触电流，可由方程表示：
所述的ADCⅠ4和ADCⅡ5用来对BG-TC回路1输入和输出电生理信号进行采样(离散化)，主要参数为采样周期T，其选取应满足香农采样定理。
所述的Volterra模型6如图3所示，在传统二阶Volterra级数的基础上引入反馈输入，并称之为非线性自回归Volterra模型。与传统二阶Volterra模型相比，此反馈输入是由输出经过阈值处理得到的，符合神经元放电历史依存性的生理意义。将外加刺激信号即输入数据序列x(t)和膜电位即输出数据序列y(t)分别作为模型的输入和输出，过阈值处理的输出信号即反馈输入yt(t)由以下方程确定：
yt(t)＝y(t)H(y(t)-θ)
其中，H(y(t)-θ)可以理解为是一个开关函数，由如下方程确定，
即当输入数据序列y(t)≥θ时，将反馈输入yt(t)作为自回归输入引入；当输入数据序列y(t)<θ时，令反馈输入yt(t)＝0，即不引入自回归输入。
由此，就可以得到以外部的输入数据序列x(t)和反馈输入yt(t)作为输入，输出数据序列y(t)作为输出，估计输出ye(t)作为估计输出的二输入单输出非线性自回归Volterra模型，方程如下：
其中，k为Volterra模型的核函数，是一组常数。
所述的非线性模型预测控制器7是一种基于优化的控制算法，其思想就是通过使目标函数8最优，求解对被控对象的控制输入。本发明中选取的价值函数记作J(n)，J(n)由如下方程确定：
这也就转换成关于权重系数序列μj(j＝1,2,...,M)最优化的问题，而下一时刻理想输入的值便可由方程得到fj(i)是一组基函数，本发明中选取了阶跃函数作为基函数。
Claims (3)
1.一种帕金森状态的闭环神经刺激控制系统，其特征是：该系统包括有相互连接的基底核-丘脑回路、DAC、ADC、非线性自回归Volterra模型和非线性模型预测控制器，DAC、ADC分别接在基底核-丘脑回路的输入端和输出端，用来采集基底核-丘脑回路的输入输出数据；
所述的基底核-丘脑回路(1)是由FPGA芯片(2)构建的虚拟神经回路与DACⅠ(3)相连，得到连续模拟大脑中产生的电生理信号，并将信号转化为模拟信号；ADCⅠ(4)的输入端与DACⅠ(3)的输出端相连，将模拟信号转换为所需频率的数字信号；ADCⅠ(4)的输出端与非线性自回归Volterra级数实现的Volterra模型(6)相连，对连续的生理输出数据进行采样，得到Volterra辨识所用的输出数据序列y(t)；所述的Volterra模型(6)与ADCⅡ(5)的输出端相连，ADCⅡ(5)输入端与输入信号相连，对连续的输入刺激数据进行采样，得到Volterra辨识所用的输入数据序列x(t)；所述的Volterra模型(6)与ADCⅠ(4)、ADCⅡ(5)的输出端分别连接，获取基底核-丘脑回路(1)的输入数据序列x(t)和输出数据序列y(t)，并通过数据分析、模型结构选取、模型参数辨识及模型验证，实现对基底核-丘脑回路(1)的建模；基于基底核-丘脑回路(1)的建模模型应用非线性模型预测控制器(7)，并使期望与输出数据序列y(t)之间的误差函数作为目标函数(8)，采用滚动时域法实现对非线性模型预测控制器(7)控制策略的实时更新；所述非线性模型预测控制器(7)产生的刺激信号经由DACⅡ(9)施加给基底核-丘脑回路(1)，使基底核-丘脑回路(1)根据期望进行放电；实现对基底核-丘脑回路(1)的闭环控制；
所述的Volterra模型(6)由相互连接的拉盖尔级数展开模块(17)、反馈输入的阈值处理模块(18)、最小二乘参数估计模块(19)三部分组成，三个模块的数据互相传输最终实现对非线性自回归Volterra级数实现的Volterra模型(6)模型参数的估计；
所述的阈值处理模块(18)以基底核-丘脑回路的输出数据序列y(t)作为输入值，设置阈值θ，将非线性自回归Volterra级数实现的Volterra模型(6)的反馈输入作用于拉盖尔级数展开模块(17)，当输出数据序列y(t)≥θ时，将反馈输入yt(t)＝y(t)H(y(t)-θ)作为自回归输入引入；当输出数据序列y(t)<θ时，令反馈输入yt(t)＝0，即不引入反馈输入；
所述的拉盖尔级数展开模块(17)以模型的输入数据序列x(t)和阈值处理模块(18)返回的自回归的反馈输入yt(t)为输入，对两个输入一个输出的非线性自回归Volterra级数实现的Volterra模型(6)的核函数进行拉盖尔级数展开，由最小二乘参数估计模块(19)根据得到的Volterra级数进行递推最小二乘计算；
所述的最小二乘参数估计模块(19)，通过非线性自回归Volterra级数实现的Volterra模型(6)估计得到的估计输出ye(t)与实际的输出数据序列y(t)之间的误差函数对估计系数进行滚动修正，实现对非线性自回归Volterra级数实现的Volterra模型(6)模型参数的估计。
2.根据权利要求1所述的帕金森状态的闭环神经刺激控制系统，其特征是：所述的基底核-丘脑回路(1)是通过模拟神经系统在帕金森状态下的电生理活动的结构，包括有相互连接的基底核(14)、感觉运动区(15)、丘脑核团(16)三个部分，所述的基底核(14)包括相互连接的底丘脑核(10)、苍白球外侧(11)、苍白球内侧(12)和纹状体(13)，基底核(14)、感觉运动区(15)、丘脑核团(16)之间通过兴奋性或抑制性化学突触相连接。
3.根据权利要求1所述的帕金森状态的闭环神经刺激控制系统，其特征是：所述的非线性模型预测控制器(7)，采用预测控制方法，以参考信号与Volterra模型辨识输出信号间的误差信号设计目标函数(8)，采用滚动时域优化，对控制策略进行实时调整，不断更新得到适当的控制信号，并将控制信号经由DACⅡ(9)施加给基底核-丘脑回路(1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610037630.5A CN105718655B (zh) | 2016-01-21 | 2016-01-21 | 帕金森状态的闭环神经刺激控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610037630.5A CN105718655B (zh) | 2016-01-21 | 2016-01-21 | 帕金森状态的闭环神经刺激控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105718655A CN105718655A (zh) | 2016-06-29 |
| CN105718655B true CN105718655B (zh) | 2019-01-15 |
Family
ID=56148012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610037630.5A Expired - Fee Related CN105718655B (zh) | 2016-01-21 | 2016-01-21 | 帕金森状态的闭环神经刺激控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105718655B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110444270A (zh) * | 2019-08-01 | 2019-11-12 | 重庆邮电大学 | 一种基于rbf神经网络的闭环dbs控制方法 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407568A (zh) * | 2016-10-26 | 2017-02-15 | 天津大学 | 结合有限元分析的帕金森状态下基底核刺激实时仿真平台 |
| CN106923811B (zh) * | 2017-03-15 | 2020-09-11 | 何宗路 | 基于nlari心率模型的心脏及自主神经功能评估系统 |
| CN107169184A (zh) * | 2017-05-04 | 2017-09-15 | 天津大学 | 基于FPGA的基底核网络beta节律仿真系统 |
| CN111370093B (zh) * | 2019-08-23 | 2023-06-20 | 天津大学 | 基于闭环迭代控制的阿兹海默症状态下dbs刺激的仿真装置 |
| CN112382354B (zh) * | 2020-11-27 | 2021-08-10 | 北京京航计算通讯研究所 | 一种Cr12MoV材料硬度预测方法及装置 |
| CN113282009B (zh) * | 2021-05-20 | 2022-07-01 | 天津大学 | 帕金森闭环神经调控硬件在环测试系统 |
| CN114462455B (zh) * | 2022-02-16 | 2024-07-26 | 重庆邮电大学 | 一种基于计算模型的帕金森状态下闭环dbs刺激效果评价指标计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100292752A1 (en) * | 2009-02-17 | 2010-11-18 | Bardakjian Berj L | System and method for cognitive rhythm generation |
| CN104112066A (zh) * | 2014-08-18 | 2014-10-22 | 天津大学 | 基于fpga的癫痫状态闭环控制实验平台 |
-
2016
- 2016-01-21 CN CN201610037630.5A patent/CN105718655B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100292752A1 (en) * | 2009-02-17 | 2010-11-18 | Bardakjian Berj L | System and method for cognitive rhythm generation |
| CN104112066A (zh) * | 2014-08-18 | 2014-10-22 | 天津大学 | 基于fpga的癫痫状态闭环控制实验平台 |
Non-Patent Citations (6)
| Title |
|---|
| Cost-efficient FPGA implementation of basal ganglia and their Parkinsonian analysis;Shuangming Yang 等;《Neural Networks》;20151130;第71卷;第62-75页 |
| 一种闭环式神经电刺激系统的设计;封洲燕 等;《仪器仪表学报》;20120229;第33卷(第2期);第279-285页 |
| 基于Pinsky-Rinzel模型的输入输出线性化的癫痫状态控制;李阁 等;《天津理工大学学报》;20150228;第31卷(第1期);第30-35页 |
| 基于模型的帕金森病分析与控制;陈颖源 等;《中国博士学位论文全文数据库医疗卫生科技辑》;20120715(第7期);全文 |
| 帕金森状态的慢变量反馈模糊控制;刘晨 等;《中国科学：信息科学》;20150331;第45卷(第3期);第439-456页 |
| 神经群模型中癫痫状棘波的闭环控制性能研究;刘仙 等;《物理学报》;20130131;第62卷(第2期);第1-10页 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110444270A (zh) * | 2019-08-01 | 2019-11-12 | 重庆邮电大学 | 一种基于rbf神经网络的闭环dbs控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105718655A (zh) | 2016-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105718655B (zh) | 帕金森状态的闭环神经刺激控制系统 | |
| Karrer et al. | A practical guide to methodological considerations in the controllability of structural brain networks | |
| Einevoll et al. | The scientific case for brain simulations | |
| Pfeil et al. | Six networks on a universal neuromorphic computing substrate | |
| Yu et al. | Biophysical neural spiking, bursting, and excitability dynamics in reconfigurable analog VLSI | |
| Sanchez et al. | Brain-machine interface engineering | |
| Wang et al. | A two-dimensional configurable active silicon dendritic neuron array | |
| Blum | An electronic system for extracellular neural stimulation and recording | |
| Chang et al. | Model predictive control for seizure suppression based on nonlinear auto-regressive moving-average volterra model | |
| Tuckwell et al. | Determination of firing times for the stochastic Fitzhugh-Nagumo neuronal model | |
| Wang et al. | Assimilation of biophysical neuronal dynamics in neuromorphic VLSI | |
| Haddock et al. | Model predictive control of deep brain stimulation for Parkinsonian tremor | |
| Amunts et al. | The coming decade of digital brain research: A vision for neuroscience at the intersection of technology and computing | |
| Vincent | Reinforcement learning in models of adaptive medical treatment strategies | |
| Warwick | Future issues with robots and cyborgs | |
| Chang et al. | A data driven experimental system for individualized brain stimulation design and validation | |
| CN106407568A (zh) | 结合有限元分析的帕金森状态下基底核刺激实时仿真平台 | |
| Azgomi et al. | Enhancement of closed-loop cognitive stress regulation using supervised control architectures | |
| Rezvani-Ardakani et al. | Epilepsy control using a fixed time integral super twisting sliding mode control for Pinsky–Rinzel pyramidal model through ion channels with optogenetic method | |
| Tan et al. | Estimating reward function from medial prefrontal cortex cortical activity using inverse reinforcement learning | |
| Anderson et al. | World statistics drive learning of cerebellar internal models in adaptive feedback control: a case study using the optokinetic reflex | |
| Liu et al. | A Closed-Loop Electrophysiological Hardware Prototype to Estimate and Control Neuronal States | |
| Narayanan et al. | Biophysically interpretable inference of single neuron dynamics | |
| Salajegheh et al. | Treatment of Bone Marrow Cancer Based on Model Predictive Control | |
| Fang et al. | Robust Adaptive Deep Brain Stimulation Control of Non-Stationary Cortex-Basal Ganglia-Thalamus Network Models in Parkinson's Disease |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into 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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190115 Termination date: 20220121 |