[发明专利]基于广义生成对抗网络的帕金森状态下DBS闭环学习方法

说明书

本发明提供基于广义生成对抗网络的帕金森状态下DBS闭环学习方法，本发明创造性的把生成网络和由MATLAB搭建的基底核‑丘脑‑皮层神经元网络定义为广义生成网络，设计基于广义生成对抗网络的闭环DBS深度学习算法。由现场可编程门阵列搭建的基底核‑丘脑‑皮层神经元网络获取所需数据集，通过对广义生成网络和判别网络进行反复对抗训练，使得当对广义生成网络输入随机噪声时，广义生成网络能够输出“以假乱真”的数据序列，从而得到能够有效抑制帕金森状态的控制信号，实现对帕金森状态的有效控制。该算法采用深度学习思想，利用基于广义生成网络的对抗网络算法对帕金森状态进行闭环DBS调制，以促进自适应DBS技术改善帕金森状态成为可能。

技术领域

本发明涉及生物医学工程技术与深度学习领域，特别是一种基于广义生成对抗网络的帕金森状态下DBS闭环深度学习算法。

背景技术

帕金森疾病(Parkinson's disease,PD)是一种由中枢神经系统功能退化引起的退行性神经系统疾病，帕金森疾病患者表现为静止性震颤、肌僵直、动作徐缓、姿势步态异常等相关症状。研究表明帕金森疾病与大脑基底核区神经元网络回路异常的电生理活动相关。人脑中基底核区域主要包含丘脑底核(Subthalamic nucleus,STN)、苍白球外侧(Globus Pallidus externa,GPe)和苍白球内侧(Globus Pallidus,GPi)三部分，皮层神经元可以分为皮层椎体神经元(Pyramidal neuron,PY)和皮层中间神经元(Interneuron,IN)，TH(thalamus)表示丘脑神经元。

Izhikevich神经元模型因其计算高效、结构简单并且能够模拟出实际神经元的大部分特性等优势而得到了越来越多研究学者的青睐，该模型的数学描述如下：

放电后复位方程：

如果V≥30mV，则

其中变量V表示膜电压，u表示膜恢复变量。四个无量纲参数a、b、c和d可以组合成各种不同的放电特性。

FPGA技术是专用集成电路领域中的一种半定制电路技术，在神经元特性研究、同步现象机制、仿生学、智能系统等方面有着重要的应用价值。

目前，PD的治疗手段主要包括药物治疗、手术治疗和DBS(深度脑刺激，Deep brainstimulation)。与药物治疗和手术治疗相比，DBS具有可逆性和可调节性的优点，越来越受到难治性PD患者的青睐。临床研究表明，DBS效果显著，已成为难治性PD患者的首选治疗方案。然而，目前临床主要使用开环DBS，DBS的参数根据临床医生的经验设定，固定的刺激脉冲序列难以适应个体患者之间的差异。为解决开环DBS不能适应个体患者之间差异的问题，本发明提出了一种基于广义生成对抗网络的帕金森状态下DBS闭环深度学习方法，该方法可以根据不同患者之间的差异来调整刺激参数，可以有效克服现有开环DBS方法的不足。

目前临床上对于帕金森状态的DBS调制采用开环DBS刺激的治疗方法，只能对PD状态做出针对性参数设定(一组参数只能针对一个帕金森病人有效，对于不同的帕金森病人需要再次重新调整参数)，不能有效适应个体化差异从而给予个性化治疗，严重阻碍了PD患者康复的进程。GAN具有诸多优势在一些领域已经取得了较好的效果，但是传统GAN难以应用到PD状态的闭环DBS控制上。

发明内容