导语


随着电生理学、网络建模、机器学习、统计物理、类脑计算等多种技术方法的发展，我们对大脑神经元相互作用机理与连接机制，对意识、语言、情绪、记忆、社交等功能的认识逐渐深入，大脑复杂系统的谜底正在被揭开。为了促进神经科学、系统科学、计算机科学等领域研究者的交流合作，我们发起了【神经动力学模型读书会】。


【神经动力学模型读书会】第十一期，我们邀请到南方科技大学生物医学工程系神经计算与控制实验室的刘泉影老师，分享主题：网络控制及其在神经调控中的应用。本期读书会将于6月18日（本周六）下午14:00-16:00举办，直播报名入口见后文。






背景




神经调控是指利用外界刺激信号（例如光、电、磁场、超声、化学等信号）通过植入式或非植入式的方式，对大脑中枢神经系统、周围神经系统和自主神经系统进行调控，通过调节神经元或神经网络的信号传递使其发挥兴奋或抑制等调节作用，从而达到改善大脑神经功能、抑制神经系统疾病发作等目的。目前，临床应用最普遍的神经调控技术包括深部电刺激技术（DBS）、迷走神经刺激技术（VNS）。但是这些技术大多采用一种预先制定好的开环刺激策略，缺乏一套理论驱动来指导神经调控，即无法进行自适应调整刺激靶点和刺激策略。





简介




本期读书会，围绕控制理论在神经调控中的应用，介绍并探讨神经调控如何为大脑疾病治疗、认知功能提升等领域的研究提供理论与实践支持。具体介绍神经调控的主要刺激方式（tES、TMS、DBS等）及相关数据驱动和模型驱动的神经调控模型。同时，探讨动力学模型怎么结合到大脑的神经调控及控制干预问题。





大纲




  • Background about neuromodulation techniques.

  • Model-driven and data-driven neuromodulation.

  • Control theory for designing optimal neuromodulation strategy

  • Control nonlinear dynamics in single brain region

  • Control coupled dynamics in brain network

  • Challenges on applying control theory to neuromodulation

  • Some perspectives on future directions.





前置知识




需要了解神经调控技术、数据驱动和模型驱动的脑网络建模技术、线性系统控制论相关知识（如系统的可观性、可控性、状态反馈、优化控制等），图论（拓扑学）的基本概念（如节点，度等），系统辨识（基于数据驱动的方法）。

下边是刘泉影老师给大家提供的学习资料：

一、Control for complex network

1. Liu Y Y, Slotine J J, Barabási A L. Controllability of complex networks[J]. nature, 2011, 473(7346): 167-173.

控制理论缺乏一个控制复杂自组织系统的框架。本文研究了任意复杂的有向网络的可控性，具有随时间变化的控制的驱动节点集，可以驱动整个系统的动力学进行变化。此外，在许多真实的复杂系统中出现的稀疏的不均匀网络是最难控制的，但本文发现密集的和均匀的网络可以用少数驱动节点实现控制。

2. Ruths, Justin, and Derek Ruths. “Control profiles of complex networks.” Science 343.6177 (2014): 1373-1376.

人们往往不能在网络模型中观察到各种控制轮廓。本文量化了网络中存在的不同比例的控制诱导下的拓扑结构，该过程可使人们进一步了解复杂系统的高层组织和功能。

二、Degree of graph network

Egerstedt M. Degrees of control[J]. Nature, 2011, 473(7346): 158-159.

三、Network control for neuronfunction

Yan G, Vértes P E, Towlson E K, et al. Network control principles predict neuron function in the Caenorhabditis elegans connectome[J]. Nature, 2017, 550(7677): 519-523.

四、Data driven for controlling brain network

Baggio G, Bassett D S, Pasqualetti F. Data-driven control of complex networks[J]. Nature communications, 2021, 12(1): 1-13.

开发了一个数据驱动的框架，在没有任何了解网络动态的情况下，对复杂的网络进行优化控制。

五、Koopman theory

Steve Brunton: Koopman Analysis https://youtube.com/playlist?list=PLMrJAkhIeNNSVXUvppZTYNHKQUD-oWys9





主讲人




刘泉影，瑞士苏黎世联邦理工学院博士，美国加州理工博士后，南方科技大学生物医学工程系助理教授

研究方向：机器学习与控制理论在神经科学中的应用，EEG/MEG/fMRI/SEEG等神经信号神经影像分析算法，神经表征、大脑功能和行为融合建模，神经调控优化算法，及其在脑疾病中的应用（例如癫痫调控）。


参考文献

1. 在空间嵌入和能量最小化的约束下，利用信号沿结构连接的传播原理来推断目标导向行为的内在控制过程，并为基于刺激的神经和精神疾病的提供治疗信息。

Lynn C W, Bassett D S. The physics of brain network structure, function and control[J]. Nature Reviews Physics, 2019, 1(5): 318-33

2. 为了阻止癫痫发作，需要分析网络动态的稳定性，结合结构和系统动态特性，可以可靠地估计癫痫传播的时空特性。

Olmi S, Petkoski S, Guye M, et al. Controlling seizure propagation in large-scale brain networks[J]. PLoS computational biology, 2019, 15(2): e1006805.

3. 引入了一个数据驱动的模型，通过加权网络捕获癫痫的传播模式，并使用贝叶斯推断框架进行反演，该方法可改善在预测患者颅内癫痫发作时未被注意的区域。

Sip V, Hashemi M, Vattikonda A N, et al. Data-driven method to infer the seizure propagation patterns in an epileptic brain from intracranial electroencephalography[J]. PLoS computational biology, 2021, 17(2): e1008689.

4. 本文基于网络控制理论，提供了对健康认知中驱动大脑状态转换的机制及组织在受伤后的状态转换的控制手段。

Gu S, Betzel R F, Mattar M G, et al. Optimal trajectories of brain state transitions[J]. Neuroimage, 2017, 148: 305-317.

5. 在白质微观结构的网络组织中，利用网络控制理论，为大脑如何在认知状态之间移动提供了解释。（在密集连接的区域，促进大脑向许多容易达到的状态进行移动。）

Gu S, Pasqualetti F, Cieslak M, et al. Controllability of structural brain networks[J]. Nature communications, 2015, 6(1): 1-10

6. 从系统辨识及其控制角度将癫痫的神经调控问题定义为状态空间模型的闭环反馈控制问题，通过考虑模型的预测能力和模型的复杂度，引入Koopman-MPC框架实现癫痫的神经调控。

Liang Z, Luo Z, Liu K, et al. Online Learning Koopman operator for closed-loop electrical neurostimulation in epilepsy [J]. arXiv preprint arXiv:2103.14321, 2021.





直播信息




时间：
2022年6月18日（本周六）下午14:00-16:00

参与方式：

1. 文末扫码参与神经动力学模型读书会，加入群聊，获取系列读书会回看权限，成为神经动力学社区的种子用户，与520余位神经动力学社区的一线科研工作者与企业实践者沟通交流，共同推动神经动力学的发展（扫描下方二维码报名本次读书会，扫描文末二维码报名整季读书会）。

扫码报名



神经动力学模型读书会启动


本着促进神经科学、系统科学以及计算机科学等不同领域的学术工作者的交流与合作，激发有志于加入脑科学与类脑研究这一领域的同学们的研究兴趣，集智俱乐部和天桥脑科学研究院联合发起了神经动力学模型读书会。聚焦于神经科学中的动力学建模这一前沿课题，围绕神经网络多尺度建模及其在脑疾病、脑认知方面的应用进行研讨。读书会已于2022年3月19日开始，每周六下午14:00-16:00（或每周五晚上19:00-21:00，根据实际情况调整）进行，预计持续10-12周。

读书会大纲一览：

  1. 复杂神经动力学：分析与建模
  2. 神经元动力学
  3. 神经动力学场论
  4. 全脑动态模拟
  5. 多尺度生成模型
  6. 睡眠调控
  7. 癫痫发作的神经动力学
  8. 神经调控
  9. 决策的神经计算机制
  10. 脉冲神经网络的应用
  11. 总结圆桌会





点击“阅读原文”，报名直播