癫痫是一种常见的神经系统疾病,全球约有5千万患者,反复的癫痫发作给患者与社会带来了沉重的负担。因此,预测并控制癫痫成为神经科学的重要研究方向之一。建立宏观神经集群水平癫痫状态的计算模型,不仅有助于分析理解癫痫发作与传播机制,而且对预测癫痫发生以及抑制癫痫发作具有重要意义。构建癫痫发作与传播的计算模型能够从临床和实验数据中获得极有价值的新的信息。本文将脑电图数据与计算模型相结合,提出采用数据驱动方法构建癫痫状态的神经集群模型,实现对癫痫发作与传播的复现、预测和控制。(1)脑电图数据驱动的癫痫状态计算模型构建。采用基于贝叶斯估计的无迹卡尔曼滤波器估计神经集群模型的状态和参数,重构正常和癫痫状态脑电活动,复现多种癫痫状态的脑电特征;得到基于模型参数的表征神经元集群癫痫状态的电生理特征,该特征具有个体特异性,不仅可以用于预测癫痫,同时还可以作为癫痫闭环控制的反馈信号。(2)针对儿童失神癫痫建立癫痫状态的计算模型。分析儿童失神癫痫脑电信号时域、频域特征,并基于实验数据建立具有患者个体特异性的计算模型;重构的神经集群模型输出可以精准地跟踪实验脑电信号,估计得到的模型参数能准确地反应脑电活动状态;基于模型参数的电生理特征可以实现对癫痫发作的预测。(3)数据驱动的神经集群网络有效连接估计。构建多神经集群耦合的网络模型,模拟癫痫活动在脑区间的传播;通过数据驱动的方式,采用基于群体智能的粒子群优化算法,从可测的脑电数据拟合出耦合集群模型的连接参数,估计集群网络的有效连接,实现致痫区的初步定位。(4)抑制癫痫状态的闭环电磁刺激系统设计。该系统包括重构脑电活动的神经集群模型、基于参数估计的癫痫预测器以及调节刺激参数的控制器等环节;系统仅在检测到癫痫发作时才输出刺激信号,避免了持续刺激;刺激信号幅值根据反馈的癫痫状态信息自动调整,具有个体适应性。本文采用的数据驱动建模和闭环反馈控制策略将为进一步研究癫痫发作机制、预测癫痫和抑制癫痫提供新思路。