基于机器学习的深度脑刺激电极阵列优化系统的制作方法

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：

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，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)。

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而且很难得到最优的刺激配置。

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：

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。

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。

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。

技术实现要素：

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。

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。

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。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

图1为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图；

图2为本发明的生理模型部分示意图；

图3为本发明的机器学习分类算法流程图；

图4为本发明方法验证示意图。

图中：

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、单神经元模型 17、神经网络模型 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

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。

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。

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。

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ANSYS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。

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。

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。

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。