基于動態(tài)因果模型的iEEG癲癇信號的效應(yīng)連通性研究.pdf

1、近年來，由于癲癇病的高發(fā)，癲癇的治療已經(jīng)成為了一項(xiàng)熱門的研究課題。癲癇病雖然可以由藥物治療，但是，全球大概仍有30％的癲癇患者是抗藥性癲癇并終身受其影響;而且，該類抗藥性患者通常在大腦特定區(qū)域有一個癲癇病灶區(qū)域。因此，必須通過外科手術(shù)切除病灶區(qū)域從而達(dá)到治愈效果，而手術(shù)治療取得成功的關(guān)鍵在于精確定位病灶區(qū)域。
　　本文主要研究癲癇患者癲癇發(fā)作時（快速放電階段）大腦不同神經(jīng)元集群之間的效應(yīng)連通性關(guān)系，我們的目標(biāo)是:用一個已知的神經(jīng)元

2、集群模型（生理模型）仿真大腦海馬區(qū)域內(nèi)癲癇病灶活動，該生理模型的輸出表示深部電極記錄到的顱內(nèi)腦電圖(intracranial electroencephalographic，簡稱iEEG)信號，這些信號用于仿真癲癇病灶活動，通過采用DCM-SSR(Dynamic Causal Modeling ofSteady State Response)算法研究這些信號之間的因果關(guān)系從而保證在術(shù)前評估中精確定位病灶區(qū)域。這類問題在神經(jīng)學(xué)上稱為效應(yīng)連

3、通性問題，即:不同神經(jīng)元集群之間的（直接）因果相互關(guān)系。
　　DCM-SSR包含兩個部分:(1)生成模型:首先將癲癇生理模型引入到動態(tài)因果模型中的生成模型，將兩個神經(jīng)元集群的生理模型用狀態(tài)方程表示，在平衡態(tài)時線性化狀態(tài)方程，得到傳遞函數(shù)，因此，對應(yīng)的兩個輸出的iEEG信號的功率譜密度函數(shù)可以由傳遞函數(shù)和模型參數(shù)直接表示;(2)貝葉斯統(tǒng)計推斷:根據(jù)已知的功率譜密度函數(shù)，設(shè)定不同模型結(jié)構(gòu)中參數(shù)的先驗(yàn)信息，依據(jù)貝葉斯法則，采用VBEM（

4、Variationnal Bayes Expectation Maximization）算法去逼近這些參數(shù)的后驗(yàn)概率密度函數(shù)，最后得到目標(biāo)函數(shù)（自由能），通過對數(shù)貝葉斯因子確定和區(qū)別可能的連通性假設(shè);仿真結(jié)果表明:基于仿真功率譜密度函數(shù)（理想情況）數(shù)據(jù)和采樣功率譜密度函數(shù)（實(shí)際情況）數(shù)據(jù)，DCM-SSR都可以正確的區(qū)分和識別大腦海馬區(qū)域內(nèi)兩個神經(jīng)元集群之間的獨(dú)立連通性，單向連通性以及雙向連通性關(guān)系。
　　最后對課題進(jìn)行了總結(jié)和展望