《基于机器学习的深度脑刺激电极阵列优化系统.pdf》由会员分享，可在线阅读，更多相关《基于机器学习的深度脑刺激电极阵列优化系统.pdf（9页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201610839586.X (22)申请日 2016.09.21 (71)申请人 天津大学 地址 300072 天津市南开区卫津路92号 (72)发明人 王江苏斐刘宇李会艳邓斌 刘晨魏熙乐于海涛张镇 (74)专利代理机构 天津才智专利商标代理有限 公司 12108 代理人 王顕 (51)Int.Cl. A61N 1/36(2006.01) A61N 1/05(2006.01) A61N 1/02(2006.01) (54)发明名称 基于机器学习的深度脑刺激电极阵列优化 系统 (。
2、57)摘要 本发明提供一种基于机器学习的深度脑刺 激电极阵列优化系统， 利用ANSYS软件仿真深度 脑刺激电极阵列， 并根据神经影像数据构建三维 的神经组织电导模型， 然后通过有限元分析求解 特定组织位置的刺激电场强度； 将刺激电场结合 时变的脉冲序列作用于NERUON软件仿真的帕金 森病灶区的单神经元多间室模型及神经网络模 型， 寻找电极附近神经元被影响的空间范围； 应 用机器学习分类算法寻找有效特征并进行分类 建模， 实现依据帕金森疾病的刺激靶点特征选择 刺激配置的优化。 有益效果是将机器学习分类算 法应用于生理信号特征的分类建模， 提出了深度 脑刺激电极阵列最优刺激配置的方案， 有效地解。
3、 决传统临床应用中的反复试验方法存在的耗时 久、 不能得到最优刺激配置的缺陷。 权利要求书2页 说明书4页 附图2页 CN 106345056 A 2017.01.25 CN 106345056 A 1.一种基于机器学习的深度脑刺激电极阵列优化系统， 其特征是： 该系统包括有相互 连接的电极阵列仿真(1)、 三维神经组织电导模型(2)、 生理模型(3)、 机器学习分类算法 (4)、 电极配置与有效特征的关系数据库(5)以及方法验证(6)； 电极阵列仿真(1)在三维神 经组织电导模型(2)的不同空间位置产生不同强度的刺激电场， 刺激电场的大小通过ANSYS 的有限元求解方法得到； 将不同区域的刺。
4、激电场强度分别与生理模型(3)结合， 分析生理模 型电活动的变化， 应用神经元活化区域及网络活动改变表征电极阵列仿真(1)的作用效果； 应用机器学习分类算法(4)对生理模型(3)电活动变化的特征进行提取、 分类建模， 实现对 电极阵列仿真(1)效果的定量评估； 遍历电极阵列仿真(1)所有的电极阵列配置模式， 得到 生理模型(3)的不同电活动变化， 经由机器学习分类算法(4)搭建电极配置与有效特征的关 系数据库(5)； 方法验证(6)的过程是指通过对帕金森疾病的刺激靶点的特征进行提取后， 在电极配置与有效特征的关系数据库(5)寻找与特征匹配的电极阵列配置模式， 然后将选 定的刺激作用于帕金森疾病。
5、的刺激靶点， 通过刺激靶点电活动的变化的分析， 验证此方案 的有效性。 2.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统其特征是： 所 述电极阵列仿真模块(1)包括有电极显示(11)， 通过电极显示(11)图形界面的形式显示电 极阵列的立体形状， 电极阵列仿真模块(1)的可调参数刺激配置包括电极数目(7)、 电极宽 度(8)、 电极高度(9)、 电极直径(10)， 通过变化这些参数的数值得到不同的电极阵列刺激配 置模式。 3.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统其特征是： 所 述三维神经组织电导模型(2)包括有导线(12)、 电极(13)、 封装层(14。
6、)和神经组织(15)四部 分， 实现对神经组织的三维建模， 仿真过程在ANSYS软件中通过有限元分析建模实现。 4.根据权利要求1所述基于机器学习的深度脑刺激电极阵列优化系统， 其特征是： 所述 的生理模型仿真模块(3)为帕金森病灶区的建模， 包括单神经元模型(16)和神经网络模型 (17)两部分， 所述单神经元模型(16)采用多间室建模， 包括相互连接的胞体(18)、 树突 (19)、 有髓鞘轴突(20)和连接不同间室的线性阻抗(21)， 所述神经网络模型(17)是包括不 同种类的单神经元模型： 底丘脑核(Subthalamic Nuclues， STN)(22)、 苍白球外侧(Globus。
7、 Pallidus external,GPe)(23)、 苍白球内侧(Globus Pallidus interna,GPi)(24)和丘脑 (Thalamus)(25)， 突触连接(26)的器件。 5.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统， 其特征是： 所 述机器学习分类算法模块(4)包括特征提取(27)、 分类器训练(28)、 分类模型(29)三部分， 特征提取(27)选定的特征输入到分类器训练(28)进行分类， 并输出有效的分类模型(29)， 通过特征提取(27)实现对生理模型仿真模块(3)电活动变化特征的提取， 随机选取特征提 取(27)的部分特征经由分类器训练。
8、(28)构建分类模型(29)， 然后将特征提取(27)中剩下的 部分特征作为分类模型(29)的输入， 分类模型(29)预测得到的分类输出分类与实际值进行 比较， 实现对分类模型(29)准确率的评估。 6.根据权利要求1所述的基于机器学习的深度脑刺激电极阵列优化系统， 其特征是： 所 述方法验证(6)包括帕金森疾病的刺激靶点(30)、 电极配置-有效特征数据库(5)和电极阵 列仿真模块(1)三部分， 对帕金森疾病的刺激靶点(30)区域形状特征的提取， 并输入到电极 配置有效特征的关系数据库(5)， 寻找相应的电极阵列配置方案； 然后按照得到的电极阵列 权利要求书 1/2 页 2 CN 10634。
9、5056 A 2 配置方案对电极阵列仿真模块(1)中的电极参数： 电极数目(7)、 电极宽度(8)、 电极高度 (9)、 电极直径(10)进行配置； 将得到的刺激模式作用于帕金森疾病的刺激靶点(30)， 分析 刺激靶点生理活动的变化， 以验证刺激的作用效果。 权利要求书 2/2 页 3 CN 106345056 A 3 基于机器学习的深度脑刺激电极阵列优化系统 技术领域 0001 本发明涉及生物电磁刺激技术， 特别是一种基于机器学习的深度脑刺激电极阵列 优化系统。 背景技术 0002 帕金森病(Parkinson s Disease， PD)是一种由中枢神经系统功能退化引起的神 经退行性疾病，。
10、 会导致患者肌肉僵硬、 震颤、 运动徐缓、 姿势步态异常等症状， 甚至丧失运动 能力， 给家庭和社会都带来了极大的负担。 目前PD的临床疗法主要有药物治疗、 手术损毁术 和深度脑刺激(Deep Brain Stimulation， DBS)三种。 随着电磁刺激技术的不断发展， DBS以 其微创性、 可逆性和可控性在很大程度上取代了原有的药物治疗和手术损毁术， 成为治疗 PD的重要脑调制技术。 DBS主要包含植入式刺激电极、 连接导线和脉冲发生器(Internal Pulse Generator， IPG)三个组成部分， 整个系统通过外部的可编程器件远程控制IPG， 经由 连接导线对目标靶点施加。
11、电脉冲刺激。 在PD的治疗中， 常见的目标靶点有： 底丘脑核 (Subthalamic Nuclues， STN)、 苍白球内侧(Globus Pallidus interna,GPi)、 丘脑腹侧中 间核(Ventral intermediate nucleus， Vim)和脚桥核(Pedunculopontine nucleus， PN)。 0003 目前， 临床应用中最常见的DBS电极是由美国美敦力公司制造的3387、 3389电极， 这是美国食品药物管理局(FDA)在2002年批准的第一款应用于临床的电极。 是由四个直径 为1.27mm、 高度为1.5mm的表面电极片构成， 每个电极为。
12、等直径的圆柱体， 表面接触面积为 6mm2。 在双极性刺激模式中， 需要开通两个电极接触片， 一个作为阳极一个作为阴极； 在单 极性刺激模式中， 脉冲发生器作为阳极， 电极片设置为阴极。 单极性刺激的脉冲序列通常为 电压1-5V、 脉宽60-200us、 频率120-185Hz的波形。 另外， 传统的美敦力电极在临床治疗PD的 应用中， 需要从65种电极配置方式中选择一种， 刺激波形的可调参数(电压、 脉宽、 频率)共 有25480种组合， 作用于病人的特定刺激方式需要临床医生根据经验从这些组合种中反复 调节得到的， 以期最大程度的减缓症状、 最小化负面影响和刺激能耗， 此过程将花费很长时 间。
13、而且很难得到最优的刺激配置。 0004 尽管DBS已经成为临床医生和病人广泛接受的治疗方法， 其使用过程中仍然存在 着许多不足： 0005 其一： DBS电极的圆柱形设计会对神经活动产生对称的调节作用， 降低刺激的灵活 性， 不能有效的作用于结构复杂的帕金森疾病的刺激靶点， 在这种电极设计方式下， 很难施 加没有副作用的刺激。 0006 其二： 临床医生通过反复试验的方法为病人选取DBS电极的配置方案， 包括刺激电 极的数目、 刺激波形参数， 如幅值、 频率、 脉宽等， 这种方法非常耗时而且不能得到最优的、 个体化的设计。 0007 动物模型实验研究表明： DBS疗法的作用效果与其对特定目标组。
14、织放电样式的调 节相关。 增加刺激电极的数目有助于产生空间更加精确的刺激模式。 精密加工技术的发展 为设计含有更多电极片的多电极阵列刺激的发展提供了新的机会。 随着植入式电极阵列电 说明书 1/4 页 4 CN 106345056 A 4 极数目的增多， 会极大的复杂化临床医生选取刺激配置的过程， 使得人工配置变得不切实 际。 发明内容 0008 针对上述技术中存在的不足， 本发明提供了一种基于机器学习的深度脑刺激电极 阵列优化系统， 其目的之一： 通过刺激阵列的不同配置方式实现对帕金森疾病的刺激靶点 的最优刺激及最少的刺激溢出； 其目的之二是通过机器学习分类算法实现对不同刺激配置 作用效果的。
15、衡量； 其目的之三是能够实现根据帕金森疾病的刺激靶点的形态特征最优的选 择刺激配置。 0009 为实现上述目的， 本发明采用的技术方案是提供一种基于机器学习的深度脑刺激 电极阵列优化系统， 其中： 该系统包括有相互连接的电极阵列仿真、 三维神经组织电导模 型、 生理模型、 机器学习分类算法、 电极配置与有效特征的关系数据库以及方法验证； 电极 阵列仿真在三维神经组织电导模型的不同空间位置产生不同强度的刺激电场， 刺激电场的 大小通过ANSYS的有限元求解方法得到； 将不同区域的刺激电场强度分别与生理模型结合， 分析生理模型电活动的变化， 应用神经元活化区域及网络活动改变表征电极阵列仿真的作 用。
16、效果； 应用机器学习分类算法对生理模型电活动变化的特征进行提取、 分类建模， 实现对 电极阵列仿真效果的定量评估； 遍历电极阵列仿真所有的电极阵列配置模式， 得到生理模 型的不同电活动变化， 经由机器学习分类算法搭建电极配置与有效特征的关系数据库； 方 法验证的过程是指通过对帕金森疾病的刺激靶点的特征进行提取后， 在电极配置与有效特 征的关系数据库寻找与特征匹配的电极阵列配置模式， 然后将选定的刺激作用于帕金森疾 病的刺激靶点， 通过刺激靶点电活动的变化的分析， 验证此方案的有效性。 0010 本发明的效果是解决了传统DBS电极对称性刺激带来的副作用， 及临床刺激参数 调节反复试验的复杂性问题。
17、。 传统的DBS电极的影响范围是对称的， 而目标靶点的几何形状 通常为不规则的， 因此会对靶点外的神经组织产生刺激作用， 继而带来负面影响。 本发明中 引入电极阵列的结构， 通过调节电极阵列的不同开关模式， 可以实现对不规则形状刺激的 最小外溢， 能够降低传统刺激的负面影响。 本发明提供的机器学习分类方法， 通过对电极配 置方法和刺激效果引起的神经变化特征进行建模， 得到电极配置与有效特征的关系数据 库。 后续应用中即可通过此关系数据库， 依据刺激靶点的形状特征及神经组织的电活动选 取有效的刺激配置方案， 从而避免了临床应用中的反复试凑高耗时的缺点。 附图说明 0011 图1为本发明的基于机器。
18、学习的深度脑刺激电极阵列优化系统结构图； 0012 图2为本发明的生理模型部分示意图； 0013 图3为本发明的机器学习分类算法流程图； 0014 图4为本发明方法验证示意图。 0015 图中： 0016 1、 电极阵列仿真模块 2、 三维神经组织电导模型 3、 生理模型 4、 机器学习分类算 法 5、 电极配置与有效特征的关系数据库 6、 方法验证 7、 电极数目 8、 电极宽度 9、 电极高 度 10、 电极直径 11、 电极显示 12、 导线 13、 电极 14、 封装层 15、 神经组织 16、 单神经元 说明书 2/4 页 5 CN 106345056 A 5 模型 17、 神经网络。
19、模型 18、 胞体 19、 树突 20、 有髓鞘轴突 21、 间室间的线性阻抗 22、 STN 23、 GPe 24、 GPi 25、 丘脑 26、 突触连接 27、 特征提取 28、 分类器训练 29、 分类模型 30、 帕 金森疾病的刺激靶点 具体实施方式 0017 结合附图对本发明的基于机器学习的深度脑刺激电极阵列优化系统结构加以说 明。 0018 本发明的基于机器学习的深度脑刺激电极优化系统的设计思想是： 其一， 利用电 极阵列代替圆柱形电极， 通过选择性的开通或关闭某些电极可以保证对具有复杂形状的目 标靶点的最优刺激， 最小程度的降低刺激外溢。 针对电极阵列在特定组织位置产生的刺激 。
20、电场强度的问题， 本发明首先构建电极阵列及其三维神经组织电导模型2， 利用有限元分析 方法进行求解； 然后将得到的特定电场刺激与脉冲序列结合后作用于生理模型3， 记录生理 模型电活动的变化。 其二， 将机器学习分类算法4与生理模型电活动变化结合， 可构建一套 完整的评价不同电极配置作用效果的度量指标。 本发明首先对生理模型电活动的变化， 特 别是被刺激影响的范围的特征进行提取， 然后应用机器学习分类算法对这些特征进行分类 建模， 从而得到有效特征的分类器模型， 即刺激配置与有效特征的关系数据库5。 其三， 为验 证本发明中所构建数据库的有效性6， 提出通过对帕金森疾病的刺激靶点形态特征进行提 。
21、取， 经由上述数据库反推电极配置形式， 然后将设定的刺激作用于目标靶点即可实现对本 系统的方法验证。 0019 本发明的基于机器学习的深度脑刺激电极阵列优化系统主要由电极阵列仿真模 块1、 三维神经组织电导模型2、 生理模型3、 机器学习分类算法4、 电极配置与有效特征的关 系数据库5、 方法验证6六部分组成。 0020 图1所示为基于机器学习的深度脑刺激电极阵列优化系统的全系统结构， 主要包 括6个部分， 电极阵列仿真模块1、 三维神经组织电导模型2、 生理模型3、 机器学习分类算法 4、 电极配置与有效特征的关系数据库5、 方法验证6。 电极阵列仿真模块1和三维神经组织电 导模型2是在AN。
22、SYS软件中实现， 电极阵列仿真模块1在三维神经组织电导模型2的不同位置 所产生的刺激电场大小， 通过有限元计算得到。 其中， 电极阵列仿真模块1主要包含四个电 极阵列参数： 电极数目7、 电极宽度8、 电极高度9和电极直径10， 以及电极阵列的三维显示部 分11。 三维神经组织电导模型2包括四个组成部分， 用a、 b、 c、 d表示， 分别代表导线12、 电极 13、 封装层14和神经组织15。 0021 图2所示为帕金森病灶区的生理模型部分示意图， 包括单神经元模型16和神经网 络模型17两部分。 其中单神经元模型16包含胞体18、 树突19、 有髓鞘轴突20和连接不同间室 的线性阻抗21。
23、组成， 用来验证电极阵列不同刺激配置模式对单神经元放电特性的影响。 神 经网络模型17包含STN22、 GPe23、 GPi24、 丘脑25以及突触连接26五部分， 用来研究电极阵列 不同刺激配置模式对基底核神经网络活动的影响。 0022 图3所示为机器学习分类算法流程图， 主要由特征提取27、 分类器训练28、 分类模 型29三部分组成。 其中特征提取阶段主要是对单神经元或神经网络受影响区域特征进行预 处理、 模型表示和特征提取权重确定。 分类器训练阶段拟采用k最邻近算法、 支持向量机、 神 经网络、 随机森林等分类算法进行分类训练。 分类模型29主要通过将其它待分类特征作为 说明书 3/4。
24、 页 6 CN 106345056 A 6 分类模型的输入， 然后对其输出的预测结果进行验证， 以证明分类模型的正确性。 0023 图4所示为方法验证示意图， 通过神经影像数据等可得到帕金森疾病的刺激靶点 30的形态特征， 将此形态特征作为电极配置与有效特征的关系数据库5的输入， 得到相应的 电极阵列刺激配置方案1作为输出， 然后将此刺激施加于帕金森疾病的刺激靶点， 观察帕金 森疾病的刺激靶点30的生理活动变化， 以验证此方案的有效性。 说明书 4/4 页 7 CN 106345056 A 7 图1 图2 说明书附图 1/2 页 8 CN 106345056 A 8 图3 图4 说明书附图 2/2 页 9 CN 106345056 A 9 。