1.3　闭环控制技术

为了发展智能DBS技术，计算神经科学家提出了很多描述大脑病理性特征的数学模型，如相模型、放电率模型和脉冲网络模型等。数学模型在揭示疾病的发病机理和对疾病进行预测方面发挥了重大的作用，同时，数学模型也是一个很好的测试闭环控制策略的平台。目前，在闭环DBS研究领域，主要有以下几类闭环控制策略。

1.3.1　PID闭环调制

PID闭环调制DBS控制策略多以神经元集群的局部场电势（Local Field Potential，LFP）作为反馈对象构造闭环，刺激信号与反馈的LFP构成比例关系。Wagenaar等人研究发现，最好的反馈效果是采用比例控制调制神经元的放电率[47]。Pyragas等人采用相模型研究了采用比例反馈去除相网络的同步振荡，他们以相网络的平均场作为反馈信号，采用比例微分控制的方法获得了较好的网络去同步闭环控制效果[48]。Franci等人基于有限维模型，采用李雅普诺夫的方法设计了一个比例反馈控制[49]。Pasillas-Lepine等人研究发现采用比例控制设计的DBS信号能够有效地抑制STN-GPe核团之间的病理性振荡[50]。然而，尽管上述研究给出了令人信服的理论成果，但是PID控制的成功需要被控对象准确的数学模型，而大脑是一个非常复杂的非线性系统，其准确的数学模型较难获得，因此，实际神经生理的控制应用还有很长的路要走，目前，很难将PID闭环调制控制策略应用在临床的DBS闭环治疗中。

1.3.2　自适应神经调制

自适应神经调制闭环控制主要包含两类：一类是根据测试的电生理信号自动调整DBS技术的刺激参数；另一类是当检测到病理性状态时，才打开DBS刺激。自动调整参数的自适应神经调制DBS控制主要调整刺激的频率、幅值及占空比，用于构造自适应闭环的参数大多仍然选择神经元的局部场电势（LFP），如Little等人采用从LFP中提取的β振荡信号作为反馈信号，控制目标设置为减弱β振荡，来实现自适应调整DBS技术的刺激参数[51]。对于第二类自适应神经调制闭环控制，以Rosin的实验研究较为著名，Rosin等人研究发现，在进行MPTP的灵长类动物中，当检测到运动皮层的单峰放电时，80ms后在GPi核团处施加一系列脉冲刺激，能有效减少GPi中的病理性振荡[52]。这两类自适应神经调制闭环控制能有效提高DBS技术的治疗效果，第一类自适应神经调制闭环控制能调整DBS技术的刺激参数，而且经常能获得幅值更小的DBS信号；第二类自适应神经调制闭环控制虽然不能调整DBS技术的刺激参数，但是在需要的时候才施加刺激，能有效减少DBS能耗。因此，从治疗的角度来看，这两类自适应神经调制闭环控制在临床应用上都具有较高的参考价值，然而这两类自适应神经调制闭环控制调整出来的DBS技术的刺激参数仍然是方波信号，并不能得到其他DBS波形，所以也限制了闭环DBS技术性能的进一步提高。

1.3.3　最优控制策略

最优控制理论的思想是对于给定的系统，定义一个包含该系统状态变量、外部控制信号及其他相关变量的代价函数，寻求一个策略使系统满足代价函数定义的标准，其中最优的控制策略就是使得代价函数取最小值的策略。由于将刺激信号包含在代价函数中，则代价函数的最小值对应着刺激信号加权和的最小值，从DBS技术治疗的角度来说，即减少了DBS的能耗。目前，已有大量学者将最优控制理论的方法应用到神经系统的放电时刻调节或同步控制中，如Feng等人采用基因算法辨识出最优的DBS波形，他们将代价函数定义为神经元响应信号与刺激信号强度的加权和，辨识出的波形也说明非方波的DBS参数能达到有效去除病理性信号的作用[53]。Danzl等人基于相模型设计了一个控制神经元放电时刻的最优控制策略，代价函数由刺激信号的强度组成，在保证刺激信号电荷平衡的同时，根据代价函数取最小值获得了能量最优的控制输入[54]。Ahmadian等人利用快速凸约束最优化方法设计了能够产生任意给定放电序列的最优输入[55]。Nabi等人采用最优控制理论中的经典算法动态规划，成功地实现了对全局耦合相振荡子网络模型的能量最优去同步控制[56]。最优控制策略直接以刺激输入作为代价函数中的变量，能够直观地实现能量最优的DBS效果，在闭环DBS的控制策略中引起了越来越多的重视。