在闭环深度大脑刺激中实时无模型自适应双重控制:通往个性化帕金森病治疗的途径

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 控制系统 控制系统

背景情况:

• 传统的开放循环深度大脑刺激 (DBS) 对于帕金森发,在适应个体患者的神经动态方面存在局限性,导致不理想的结果.
• 过度刺激和高功耗是现有的DBS疗法的常见问题.
• 准确地建模基底腺 (BG) 动态是复杂的,通常是不完整的,阻碍了个性化的治疗方法.

研究的目的:

• 提出和验证一种新的闭环深度大脑刺激 (DBS) 方案,利用数据驱动的无模型自适应控制 (MFAC) 策略.
• 为了实现有效地抑制帕金森病患者的病理性震,同时尽量减少电力消耗.
• 开发一种针对患者的适应性DBS系统,克服未知或不准确表示的神经动态的局限性.

主要方法:

• 基于实时数据的DBS参数在线调整的无模型自适应控制 (MFAC) 策略的实施.
• 利用基底 (BG) 系统动态,假设未知,生成用于调节亚thalamic核 (STN) 和全球内核 (GPi) 的输入输出数据.
• 采用线性化技术 (紧型,部分型,全型) 来提高控制器的性能和灵活性.
• 使用集成绝对误差 (IAE),集成时间绝对误差 (ITAE) 和集成时间平方误差 (ITSE) 度量表的性能评估.
• 通过蒙特卡洛 (MC) 模拟进行稳定性评估,以评估患者间和患者内变化.
• 使用Hardware-In-the-Loop (HIL) 设置与Arduino微控制器进行验证,以模拟现实世界的临床条件,包括噪音和时间延迟.

主要成果:

• 拟议的闭环DBS系统有效地抑制了病态震.
• 无模型的自适应性控制策略证明了成功适应未知的基底动力学,以进行患者特异性治疗.
• 线性化技术提高了控制器性能和抑制能力.
• 蒙特卡洛模拟证实了控制器对患者变化的稳定性.
• 硬件循环验证证实了系统在现实环境中的适应性和性能,同时考虑到噪音和时间延迟.

结论:

• 这种新型的自适应性闭环深度大脑刺激系统比帕金森症震抑制的传统方法显著改进.
• 无模型的自适应控制方法为管理帕金森病症状提供了可行的,针对患者的具体解决方案.
• 这项技术有可能通过更有效和高效的震管理,大大提高帕金森病患者的生活质量.