基于癫痫网络动力学数据驱动模型的神经振荡个性化识别、预测与刺激

神经振荡被认为是大脑中信息加工与通信的脑特异性特征。它们也反映神经系统疾病中的病理性脑活动，从而为诊断和预测提供基础。癫痫是最常见的神经系统疾病之一，其特征是脑中振荡的异常同步与去同步。约三分之一的癫痫病例为药物抵抗性，因而凸显了对新型治疗途径的需求，其中脑刺激似乎是一种有前景的治疗选择。然而，脑刺激范式的开发常基于对脑动力学的泛化假设，尽管已知患者之间及脑状态之间存在显著差异。我们开发了一个框架，可直接从EEG数据中提取癫痫网络动力学的个体化预测模型。这些模型基于主导相干振荡及其动力学耦合，从而将经由神经振荡对动力学的既定解释与精确的患者特异性特征相结合。我们表明，在周期驱动下脑网络动力学模型与通过周期刺激的神经网络夹带机制之间，可建立直接对应关系。当我们的框架应用于癫痫持续状态（一种持续癫痫发作活动的脑状态）患者的EEG记录时，它产生了对周期脑刺激治疗效果的模型驱动预测分析。这表明周期脑刺激可驱动癫痫网络动力学的病理状态朝向健康的功能性脑状态。