神经振荡调控方法研究进展

神经振荡调控方法研究进展

张杰1，纪楠2

华北理工大学 理学院，河北 唐山 063210；2. 华北理工大学 理学院，河北 唐山 063210）

摘 要：大脑中不同节律的神经振荡不仅与认知、注意、记忆、情绪等功能有关而且与多种神经精神疾病的临床症状密切相关。通过外部施加节律性刺激可以调制神经活动。异常的神经振荡会导致多种神经疾病，严重威胁人类健康。学者们以神经质量模型（NMM）为研究对象，通过不断研究、改进方法，对异常脑电信号进行实时监控，调制。本文对神经振荡调控方法研究进展进行综述。

关键词：神经质量模型、神经振荡、神经调控

1引言

神经振荡是神经科学家从脑电图（EEG）信号中发现的由神经元群体同步发放所产生节律性（周期性）变化的神经活动模式。根据频率的不同，大脑内神经振荡按照其波段可以划分为Delta（<4 Hz）波，Theta（4-8 Hz）波，Alpha（8-12 Hz）波，Beta（12-30 Hz）波和Gamma（>30 Hz）波。它们起源于神经元群的兴奋和抑制动态的相互作用，导致动作电位的周期性同步。神经振荡可以在大脑的区域间形成同步，不同频率的神经振荡也表现出耦合现象。神经调控技术（neural control technology，NCT）是调控神经系统的重要方法和手段。神经调控技术分为非侵入性刺激和侵入性刺激。非侵入性神经调控技术如经颅磁刺激和经颅直流电刺激治疗难治性抑郁症及其他精神疾病，侵入性神经调控技术需要将电极植入生物体内，如深部脑刺激、迷走神经刺激抑制癫痫活动。研究表明，神经调控技术操作简单、可逆，已经作为一种替代疗法应用于临床。与直接进行动物实验相比，先进行数值测试能降低了风险并有助于改善闭环神经调节。

2神经振荡调控方法研究

神经调控是指利用植入性或非植入性技术，通过电或化学的作用方式，对大脑中枢、周围和自主神经系统的邻近或远隔部位的神经元或神经网络的信号传递起兴奋或抑制或调节的作用，从而达到改善患者生活质量或提高机体功能的目的。闭环神经调节根据大脑反应实时自动调整刺激，它被认为是控制医学上难治性癫痫的一种有前途的方法。临床上非常需要一种合适的闭环调制策略，该策略对未知的非线性、动力学和干扰具有足够的鲁棒性。

由于计算模型能够通过对各种神经因素的影响进行建模，相对容易地对复杂的神经现象进行建模，因此它变得具有吸引力。Jansen的神经质量模型特点是相互联系的兴奋和抑制反馈环的相互作用，它能够成功地模拟与生理学实验中观察到的类似的癫痫活动。为了改善癫痫发作抑制，需要一种刺激策略，即一种先进的控制算法，能够自动和自适应地产生具有适当幅度和频率的刺激。因此，学者们以Jansen的神经质量模型为实验平台，开发了模型中抑制癫痫异常活动的控制器，用于治疗癫痫症状。

_________________________________________________________

收稿日期：2022–09–06 。                      Received date: 2022–09–06.

第一作者：张杰，女，硕士研究生。  Correspondent auther:ZHANG Jie, female,postgraduate.

2.1 PID控制方法及改进

Wang等利用反馈控制理论开发了一个比例积分(PI)[1]和比例微分(PD)[2]控制器，通过分析PI/PD控制参数与NMM参数之间的关系，抑制NMM的高振幅癫痫活动。控制器在控制参数空间中的稳定区域通过图形稳定性分析方法确定。其中，控制参数的选取都是通过试错确定的。这使得结果很大程度上取决于设计者的经验。此外，该工作耗时且无法保证效率，使得控制参数的选择颇具挑战性。PID控制器主要用于稳定的线性系统，而NMM具有高度非线性和时变的动态特性，因此有必要寻找更合适的非线性控制策略。在控制领域中，反馈线性化控制(FLC)以其简单的控制律来实现闭环控制，是最优控制方法。因此，Cao[3]等提出了一种新的控制方法，这种方法将反馈线性控制(FLC)与癫痫的潜在机制相结合，以实现癫痫发作的抑制。结果表明，该方法不仅能将病理性尖峰调整到正常状态下得到参考信号，而且能实现病理参数的归一化，为神经系统疾病的临床治疗提供了重要的理论依据。

由于神经质量模型的非线性和不确定性，传统的控制方法如比例-积分-微分(PID)控制、卡尔曼滤波控制等难以适应神经质量模型的复杂性。为了保证良好控制性能的实现，模糊推理系统(FIS)是处理非线性和不确定系统的强大的工具。因此，Liu[4]等设计了一个模糊PID控制器，对神经块模型产生的癫痫样峰进行控制。通过对耦合神经群规则网络的仿真，验证了跟踪效果。研究表明，模糊PID是稳健的，但是模糊规则的选择很大程度上取决于实验者的经验。此外，模糊规则或多或少会降低系统性能。

闭环控制框架有一个共同的特点，即无论癫痫发作与否，控制动作总是施加在被控对象身上。实际情况是，患者并不总是处于发病状态。未发病时没有必要进行控制，否则会造成不必要的能量消耗等问题。鉴于此，Liu[5]等设计了一种新的基于神经质量模型的闭环控制框架，将交叉近似熵、皮尔逊相关系数、PID控制算法和模糊理论相结合，对癫痫样峰进行检测并施加控制作用。该框架最明显的特点是它能够根据癫痫样峰的检测按需控制。也就是说，当检测结果确认被控对象中存在癫痫样峰时，对被控对象施加控制作用，并将癫痫样峰调制为正常的脑电图信号。相反，当检测结果确认被控对象中没有癫痫样刺时，控制动作停止工作。对于实现适当调制所需的控制能量，已经证明了所提出框架的优点，闭环控制是必要的，但也是困难的。

2.2基于无迹卡尔曼滤波（UKF）的控制方法及改进

Liu[6]等开发了一种基于无迹卡尔曼滤波（UKF）的控制策略来调节神经质量模型的动力学特性。在该模型中，一种利用简单形式的反馈控制具体方案被提出来抑制癫痫发作。在提出的闭环控制中，UKF起到观测器的作用，通过估计值构造反馈控制器，并且证明了在神经质量模型中使用这种策略抑制癫痫样峰的可行性。这种方法中假设先验噪声统计特性确切知道，在这种噪声条件下，UKF能提供准确的估计。此后，通过数值仿真验证了该策略对癫痫样峰抑制的有效性。

Shan[7]等引入了一种新颖的基于无迹卡尔曼滤波(UKF)的闭环迭代学习控制(ILC)策略，与普通PID只利用控制误差更新控制信号不同，ILC根据前一次迭代得到的输入信号和控制误差来更新控制输入。将迭代学习控制算法引入到框架中，对控制信号进行优化，与其他控制策略相比，ILC实现简单，系统精度高。该方法能够有效抑制癫痫波，同时对噪声和不确定性表现出鲁棒性。并通过仿真验证了所提出方法的可行性。此外，这项工作还显示出设计基于模型的癫痫治疗反馈控制器的潜在价值。

考虑到直接对患者进行参数调整实验和闭环算法实验的风险性，Chang[8]等提出了一个数据驱动的闭环脑刺激算法实验系统。无迹卡尔曼滤波器(UKF)用于从脑电图记录中估计神经质量模型(NMM)的关键参数，以重建个体神经活动。基于重构的NMM，构建一个基于数字信号处理器(DSP)的具有实时尺度和生物信号水平尺度的虚拟大脑平台。然后，设计相应的信号放大检测和闭环控制器硬件部分，形成HIL实验系统。在所设计的实验系统的基础上，设计并验证了不同个体NMM的比例积分控制器，证明了实验系统的有效性。

2.3主动干扰控制方法及进展

针对癫痫病症，利用Jansen神经质量模型模拟癫痫活动，Wei[9]等设计主动干扰排斥控制以抑制癫痫尖峰。在自抗扰控制的帮助下，系统的闭环根远离虚轴。时域响应表明，无论干扰是否存在，主动干扰抑制控制都能控制癫痫发作。同时，频域响应表明可以获得足够的稳定裕量和更宽范围的可调控制器参数。研究还提出稳定区域，为选择自抗扰控制参数提供指导。数值结果表明，与比例积分控制相比，自有抗扰控制能够以更低的能量实现更精确的调制。证实了基于主动干扰抑制控制的神经调节解决方案能够实现所需的性能。这是癫痫发作控制中一种很有前途的闭环神经调节策略。

Wei[10]等又基于多耦合NMM和癫痫小鼠的真实脑电图，建立计算癫痫模型来模拟癫痫发作期间小鼠的异常放电。此外，考虑到临床上没有可用于神经调节的癫痫模型，可扩展的观察器带宽和相位超前主动干扰抑制控制(SOB-PLADRC)被提议。因此，通过可扩展的观察器带宽和相位超前扩展状态观察器可以获得更及时和更准确的总干扰估计，并且可以在没有准确的癫痫模型的情况下实现预期的闭环神经调节。基于已建立模型的数值模拟还表明，SOB-PLADRC在PI和其他主动干扰抑制方法中抑制癫痫发作的效果最好。更强大的抗干扰能力和更令人满意的闭环神经调节使SOB-PLADRC在癫痫控制方面更有希望。

3 结 论

以上研究表明大脑是一个复杂的非线性系统，认知、注意、等情绪等功能及多种神经精神疾病的临床症状与大脑不同节律的神经振荡密切相关。学者们对神经振荡调制方法不断改进，对于参数的选择和能量的使用率有很大的进步空间。更重要的是，控制信号可以根据期望的临床状态和估计状态之间的误差自动调整。与开环控制相比，闭环控制策略提高了治疗效率，癫痫电刺激不再依赖经验。但是仍有许多科学问题需要进一步解答：对于参数的选择是否有更快捷、有效的方法；如何缩小模型的理论与临床应用之间的较大差距；能否设计面向个人以增强治疗效果的闭环调控策略等。

综上所述，本文介绍了神经调控技术的概念，关于神经振荡不同的调控方法以及各方法间的比较和改进，未来可以继续扩大关于神经振荡调控方法的研究，一方面有助于加深对模型的改进，另一方面可以优化治疗各种神经障碍的调控参数，提高临床适用性，为精神诊断和治疗提供新的思路和方法。

参考文献：

[1]WANG J S,  ERNST N, HU J Y, et al. Suppressing epileptic activity in a neural mass model using a closed-loop proportional-integral controller[J]. Scientific reports, 2016, 6(1): 1-12.

[2]WANG J S, WANG M L, LI X L, et al. Closed-loop control of epileptiform activities in a neural population model using a proportional-derivative controller[J]. Chinese Physics B, 2015, 24(3): 038701.

[3]CAO Y Z, KAILI R, SU F, et al. Suppression of seizures based on the multi-coupled neural mass model[J]. Chaos (Woodbury, N.Y.), 2015, 25(10): 103-120.

[4]LIU X, LIU H J, TANG Y G, et al. Fuzzy PID control of epileptiform spikes in a neural mass model[J]. Nonlinear Dynamics, 2013, 71(1-2): 13-23.

[5]LIU X, ZHAO C Y, SUN C X, et al. A new closed-loop strategy for detection and modulation of epileptiform spikes based on cross approximate entropy[J]. Journal of integrative neuroscience, 2018, 17(3): 271-280.

[6]LIU X, GAO Q. Parameter estimation and control for a neural mass model based on the unscented Kalman filter[J]. Physical Review E, 2013, 88(4): 042905-1-042905-9.

[7]SHAN B N, WANG J, DENG B, et al. UKF-based closed loop iterative learning control of epileptiform wave in a neural mass model [J]. Cognitive neurodynamics, 2015, 9(1): 31-40.

[8]CHANG S Y, WANG J, LIU C, et al. A Data Driven Experimental System for Inpidualized Brain Stimulation Design and Validation[J]. IEEE transaction, 2021, 29: 1848-1857.

[9]WEI W, WEI X F, ZUO M, et al. Seizure control in a neural mass model by an active disturbance rejection approach[J]. International Journal of Advanced Robotic Systems, 2019, 16(6): 1-15.

[10]WEI W,  ZHANG Z Y, CHEN N, et al. On disturbance rejection control of the epileptiform spikes[J]. Cognitive Neurodynamics, 2021, 16(2): 425-441.