发作抑制:使用真实数据进行识别和控制的计算方法

科学领域:

• 计算神经科学是一种计算神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 影响全球数百万人,需要对其机制和抑制进行先进的研究.
• 目前针对的计算模型在准确描述现实世界发作特征方面存在局限性.
• 状态空间模型是有用的,但仅限于它们可以准确地表示的现象.

研究的目的:

• 提出一种系统识别 (SI) 方法,使用自回归 (AR) 模型来描述真实型活动.
• 开发一种使用非混合和混合控制器的人工重建和缓解型活动的策略.
• 调查AR模型和控制器在减弱和将信号驱动到间接状态方面的有效性.

主要方法:

• 使用自回归 (AR) 建模,一种数据驱动的系统识别 (SI) 技术,以建模形活动.
• 将AR模型转换为状态空间表示,用于抓获重建和减弱.
• 设计和应用非混合和混合控制器,分别来自ictal和interictal事件.

主要成果:

• 低级AR模型有效地代表了复杂的形活动.
• 非混合控制器和混合控制器都在减弱活动方面表现出显著的有效性.
• 应用的控制器成功地引导了信号,使其进入正常的间接状态.

结论:

• 自动回归建模为创建的现实计算模型提供了一个强大的方法.
• 开发的控制器策略为人工发作缓解提供了一个有希望的方法.
• 这些发现支持开发针对患者的特定模型,以量身定制的外部刺激来控制活动.