(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號(hào)CN119989823B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(43)申請(qǐng)公布日2025.05.13(73)專利權(quán)人首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院地址100070北京市豐臺(tái)區(qū)南四環(huán)西路119號(hào)(72)發(fā)明人侯慧清臧大維王擁軍(74)專利代理機(jī)構(gòu)北京科慧致遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司11739專利代理師王乾旭G16H50/50(2018.01)審查員王宇莉一種經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法及系統(tǒng)本發(fā)明公開(kāi)了一種經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，涉及腦電刺激效果技術(shù)領(lǐng)域，本發(fā)明與遺傳算法參數(shù)配置，結(jié)合多模態(tài)神經(jīng)響應(yīng)采集、基于注意力機(jī)制的多任務(wù)腦狀態(tài)預(yù)測(cè)與Granger因果路徑建模，構(gòu)建了一種面向“刺激→神經(jīng)→行為”全鏈條的實(shí)時(shí)評(píng)估機(jī)制。相比于現(xiàn)有僅依賴腦電變化或單一行為指標(biāo)的評(píng)估方式，本發(fā)明可同時(shí)量化刺激的空間靶向性、神經(jīng)激活特異性、行為改善程度及因果連通強(qiáng)度，并通過(guò)能力。2獲取受試者頭部MRI數(shù)據(jù)構(gòu)建多組織三維頭模，在頭模布設(shè)HD-tDCS針狀復(fù)合電極，目標(biāo)鎖定大腦關(guān)鍵功能區(qū)，使用有限元法仿真電場(chǎng)分布，得出多組布極電流組合的調(diào)制圖譜，采用遺傳算法，以最大化ROI內(nèi)調(diào)制強(qiáng)度、最小化非靶區(qū)擴(kuò)散為目標(biāo)，優(yōu)化電極配置與電流基于電極構(gòu)型和參數(shù)實(shí)施tDCS刺激，實(shí)時(shí)采集測(cè)試數(shù)據(jù)并進(jìn)行預(yù)處理后構(gòu)建神經(jīng)響應(yīng)向量R;構(gòu)建基于注意力機(jī)制的多任務(wù)預(yù)測(cè)網(wǎng)絡(luò)，得到預(yù)測(cè)值，包括采集時(shí)間窗口C內(nèi)的神經(jīng)響Transformer模型，得到認(rèn)知反應(yīng)預(yù)測(cè)值、情緒波動(dòng)預(yù)測(cè)值和刺激耐受度預(yù)測(cè)值，將得到的預(yù)測(cè)值進(jìn)行加權(quán)求和得到神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分I;引導(dǎo)受試者執(zhí)行任務(wù)反饋測(cè)試，記錄行為輸出B,將刺激注流強(qiáng)度S、神經(jīng)響應(yīng)R、行為表現(xiàn)B構(gòu)成三變量時(shí)序數(shù)據(jù)流，采用Granger因果分析，量化S→R→B的因果路徑強(qiáng)度；計(jì)算腦電響應(yīng)增強(qiáng)率和行為改善率，基于計(jì)算結(jié)果以及預(yù)測(cè)值和因果路徑強(qiáng)度計(jì)算刺激效果綜合評(píng)分，進(jìn)行刺激效果的實(shí)時(shí)評(píng)估。2.如權(quán)利要求1所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，其特征在于：所述獲取受試者頭部MRI數(shù)據(jù)構(gòu)建多組織三維頭模，在頭模布設(shè)HD-tDCS針狀復(fù)合電極，目標(biāo)鎖定大腦關(guān)鍵功能區(qū)，使用有限元法仿真電場(chǎng)分布，得出多組布極電流組合的調(diào)制圖譜包括：通道標(biāo)簽圖為單一標(biāo)簽文件；將標(biāo)簽圖導(dǎo)入ScanIP,進(jìn)行體素化重建與組織層級(jí)網(wǎng)格劃分，生成帶有導(dǎo)電屬性的完整頭部三維有限元模型；激活頭皮區(qū)域的三角面片網(wǎng)格，作為電極布設(shè)表面，初始化MNI空間標(biāo)準(zhǔn)參考點(diǎn)，對(duì)照頭?？臻g坐標(biāo)將國(guó)際10-10系統(tǒng)電極點(diǎn)自動(dòng)投影至頭皮曲面上，采用法向投影算法，記錄每個(gè)電極的三維坐標(biāo)，為每個(gè)電極點(diǎn)分配唯一編號(hào)E,建立電極-坐標(biāo)索引表，固定選用TP9作為參考電極，剩余60個(gè)電極編號(hào)構(gòu)成激勵(lì)電極候選集；在每個(gè)電極點(diǎn)E中心創(chuàng)建圓形表面電極模型，設(shè)置電極材料為銀，并定義為“電流注入完整仿真幾何模型；啟動(dòng)COMSOLMultiphysics仿真平臺(tái)，導(dǎo)入仿真幾何模型；在COMSOL模型內(nèi)激活兩個(gè)獨(dú)立的激勵(lì)電極對(duì)，對(duì)電極對(duì)一和電極對(duì)二設(shè)定電流幅值和不同的注入頻率的交流電流，固定參考電極TP9為公共回流電極，仿真時(shí)，兩對(duì)電極獨(dú)立并且同時(shí)注入不同頻率的電流；在仿真軟件COMSOL中，啟動(dòng)求解器，計(jì)算電極對(duì)一和電極對(duì)二在腦組織中形成的電場(chǎng)求解器自動(dòng)遍歷所有頭模體素網(wǎng)格點(diǎn)，輸出在每個(gè)體素坐標(biāo)處兩個(gè)電場(chǎng)矢量的數(shù)值，保存為三維場(chǎng)分布數(shù)據(jù)；3針對(duì)所有體素位置，基于仿真得到的電場(chǎng)矢量計(jì)算每個(gè)體素位置的調(diào)制幅值，生成三維空間電場(chǎng)強(qiáng)度分布彩色可視化圖。3.如權(quán)利要求2所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，其特征在于：所述采用遺傳算法，以最大化ROI內(nèi)調(diào)制強(qiáng)度、最小化非靶區(qū)擴(kuò)散為目標(biāo)，優(yōu)化電極配置與電流參數(shù)包括：使用標(biāo)準(zhǔn)腦空間對(duì)受試者頭模MRI圖像進(jìn)行空間配準(zhǔn)，在仿真模型中建立物理坐標(biāo)與標(biāo)準(zhǔn)模板空間的映射關(guān)系，將電場(chǎng)分布網(wǎng)格體素的空間坐標(biāo)映射到模板腦結(jié)構(gòu)中；從標(biāo)準(zhǔn)腦模板中提取右側(cè)海馬區(qū)的掩膜，根據(jù)空間配準(zhǔn)坐標(biāo)表，匹配并提取位于海馬掩膜內(nèi)的所有體素索引，記錄體素對(duì)應(yīng)的網(wǎng)格編號(hào)和空間坐標(biāo)，組成ROI體素集合P;基于電場(chǎng)調(diào)制幅值數(shù)據(jù)構(gòu)建ROI聚焦比目標(biāo)函數(shù)D;從電極候選集中隨機(jī)抽取4個(gè)不重復(fù)編號(hào)，依次賦予電極編號(hào)1~4,為電極對(duì)1和對(duì)2分別生成電流注入值并按均勻分布采樣，將電極編號(hào)和電流注入值合并為染色體，生成所有染色體后存儲(chǔ)為初始種群矩陣；為每一個(gè)染色體配置電極編號(hào)與注流參數(shù)，分別求解兩組電極注流下產(chǎn)生的電場(chǎng)，計(jì)算干涉調(diào)制場(chǎng)幅值，提取每個(gè)體素點(diǎn)的電場(chǎng)調(diào)制值和體素體積，計(jì)算ROI區(qū)域和非ROI區(qū)域的調(diào)制場(chǎng)能量總量，并代入公式D中得到當(dāng)前染色體的適應(yīng)度分?jǐn)?shù)；將所有個(gè)體結(jié)果構(gòu)成完整染色體庫(kù)，按適應(yīng)度值降序排序，保留前M個(gè)染色體，將保留個(gè)體作為下一代種群并定義為精英子集Q,不參與交叉與變異；通過(guò)輪盤賭選擇按適應(yīng)度概率選擇非精英個(gè)體作為交叉父代并生成子代染色體，得到交叉后新生成的子代染色體集A;隨機(jī)從子代中選出W個(gè)個(gè)體進(jìn)行變異，對(duì)每個(gè)待變異個(gè)體，隨機(jī)選定一種策略進(jìn)行參數(shù)合并結(jié)合Q、A和Z構(gòu)建新一代完整種群，對(duì)新一代中每個(gè)染色體執(zhí)行電場(chǎng)仿真和適應(yīng)度計(jì)算，在達(dá)到預(yù)設(shè)最大迭代次數(shù)后停止進(jìn)化，得到最后一代種群，在最后一代種群中選擇適應(yīng)度最高的染色體，提取對(duì)應(yīng)的仿真電場(chǎng)調(diào)制圖譜，得到最優(yōu)電極組合編號(hào)以及注流電流參數(shù)。4.如權(quán)利要求3所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，其特征在于：所述引導(dǎo)受試者執(zhí)行任務(wù)反饋測(cè)試，記錄行為輸出B,將刺激注流強(qiáng)度S、神經(jīng)響應(yīng)R、行為表現(xiàn)B構(gòu)成三變量時(shí)序數(shù)據(jù)流，采用Granger因果分析引導(dǎo)受試者執(zhí)行Go/No-Go視覺(jué)識(shí)別任務(wù)，記錄被試者的反應(yīng)時(shí)間以及判斷正確性并構(gòu)建時(shí)序行為向量B(t);在獲得B(t)行為反饋之后，立即提取對(duì)應(yīng)時(shí)間窗內(nèi)的刺激注流強(qiáng)度序列S(t)和神經(jīng)響應(yīng)序列R(t);將三類數(shù)據(jù)在統(tǒng)一采樣頻率下對(duì)齊并進(jìn)行標(biāo)準(zhǔn)化后組成三變量時(shí)間序列Y(t),使用atrous小波濾波器對(duì)三變量時(shí)間序列Y(t)中的每一個(gè)分量單獨(dú)進(jìn)行分解，得到每個(gè)變量在s個(gè)尺度下的細(xì)節(jié)序列；將三個(gè)變量在各尺度下的細(xì)節(jié)分量重新組合，得到每個(gè)尺度s下的聯(lián)合序列C(t),從聯(lián)合序列C(t)中提取Ss(t)和Rs(t),構(gòu)建“刺激→神經(jīng)→行為”的雙層Granger因果路徑模型，包括第一階段建模和第二階段建模；4基于第一階段模型和第二階段模型結(jié)果計(jì)算最終路徑有效性評(píng)分(t);對(duì)所有尺度下的評(píng)分進(jìn)行融合，得到最終跨尺度主路徑評(píng)分GSRB(t)。5.如權(quán)利要求4所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，其特征在于：所述基于電極構(gòu)型和參數(shù)實(shí)施tDCS刺激，實(shí)時(shí)采集測(cè)試數(shù)據(jù)并進(jìn)行預(yù)處理后構(gòu)建神經(jīng)響應(yīng)向量R包括：根據(jù)確定的最優(yōu)電極對(duì)組合和注流參數(shù)進(jìn)行刺激系統(tǒng)配置，實(shí)時(shí)采集EEG、Hb0/HbR動(dòng)態(tài)濃度、EDA和瞳孔變化數(shù)據(jù)并進(jìn)行預(yù)處理，在預(yù)處理完成后，將每一時(shí)刻下各模態(tài)處理結(jié)果組成結(jié)構(gòu)化神經(jīng)響應(yīng)向量R。6.如權(quán)利要求5所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，其特征在于：所述計(jì)算腦電響應(yīng)增強(qiáng)率和行為改善率，基于計(jì)算結(jié)果以及預(yù)測(cè)值和因果路徑強(qiáng)度計(jì)算刺激效果綜合評(píng)分，進(jìn)行刺激效果的實(shí)時(shí)評(píng)估指計(jì)算得到腦電響應(yīng)增強(qiáng)率0和行為改善率F;將得到的腦電響應(yīng)增強(qiáng)率0、行為改善率F以及路徑強(qiáng)度評(píng)分GsRB(t)和神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分I進(jìn)行加權(quán)求和得到當(dāng)前刺激效果的實(shí)時(shí)評(píng)分J;設(shè)定閾值K和K?,并且K>K?,將實(shí)時(shí)評(píng)分J與設(shè)定閾值進(jìn)行比較，得到當(dāng)前刺激效果并制定對(duì)應(yīng)措施。7.一種經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估系統(tǒng)，基于權(quán)利要求1~6任一所述的經(jīng)顱電刺激效三維建模模塊，用于基于MRI圖像構(gòu)建個(gè)體三維頭部組織模型，執(zhí)行電極定位與映射；電場(chǎng)仿真模塊，用于基于已建頭模與電極布設(shè)，進(jìn)行電場(chǎng)仿真并采用遺傳算法搜索最優(yōu)注流配置；信號(hào)采集模塊，用于實(shí)施tDCS刺激，同時(shí)采集多預(yù)測(cè)模塊，用于對(duì)采集的神經(jīng)響應(yīng)序列構(gòu)建Transformer網(wǎng)絡(luò)，實(shí)現(xiàn)多維腦狀態(tài)預(yù)測(cè)；因果分析模塊，用于引導(dǎo)被試進(jìn)行任務(wù)反饋，提取刺激-響應(yīng)-行為三元數(shù)據(jù)流，并執(zhí)行Granger因果路徑建模；效果評(píng)估模塊，用于融合腦電響應(yīng)增強(qiáng)、行為改善、狀態(tài)預(yù)測(cè)值與因果路徑評(píng)分，計(jì)算當(dāng)前刺激綜合效果評(píng)分。8.一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器和處理器；所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至6中任一項(xiàng)所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的步驟。9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至6中任一項(xiàng)所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的步驟。5技術(shù)領(lǐng)域[0001]本發(fā)明涉及腦電刺激效果評(píng)估技術(shù)領(lǐng)域，特別是一種經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法及系統(tǒng)。背景技術(shù)[0002]隨著非侵入式神經(jīng)調(diào)控技術(shù)的快速發(fā)展，經(jīng)顱直流電刺激因其安全性高、操作簡(jiǎn)便和對(duì)大腦功能具有調(diào)節(jié)潛力，廣泛應(yīng)用于抑郁、失語(yǔ)、慢性疼痛、帕金森病等多種神經(jīng)與精神疾病的干預(yù)研究中。近年來(lái)，受益于高密度電極技術(shù)的發(fā)展，刺激的空間分辨率與靶向MRI頭模上實(shí)施三維電場(chǎng)仿真，進(jìn)而實(shí)現(xiàn)對(duì)刺激區(qū)域的精確控制。此外，受試者在刺激過(guò)程中同時(shí)采集的EEG、fNIRS、EDA等生理信號(hào)，也為電刺激過(guò)程中的神經(jīng)響應(yīng)模式分析提供了基礎(chǔ)。然而，盡管刺激參數(shù)不斷優(yōu)化、采集設(shè)備日趨完善，現(xiàn)有研究普遍采用離線分析或單評(píng)估閉環(huán)。發(fā)明內(nèi)容[0003]鑒于上述現(xiàn)有的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法及系統(tǒng)存在的問(wèn)題，提出了本發(fā)[0004]因此，本發(fā)明提供了一種經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法及系統(tǒng)解決盡管刺激參數(shù)不斷優(yōu)化、采集設(shè)備日趨完善，現(xiàn)有研究普遍采用離線分析或單維指標(biāo)(如功率譜變化、[0007]獲取受試者頭部MRI數(shù)據(jù)構(gòu)建多組織三維頭模，在頭模布設(shè)HD-tDCS針狀復(fù)合電極，目標(biāo)鎖定大腦關(guān)鍵功能區(qū)，使用有限元法仿真電場(chǎng)分布，得出多組布極電流組合的調(diào)制電流參數(shù)；[0008]基于電極構(gòu)型和參數(shù)實(shí)施tDCS刺激，實(shí)時(shí)采集測(cè)試數(shù)據(jù)并進(jìn)行預(yù)處理后構(gòu)建神經(jīng)響應(yīng)向量R;[0009]構(gòu)建基于注意力機(jī)制的多任務(wù)預(yù)測(cè)網(wǎng)絡(luò)，得到預(yù)測(cè)值；[0011]計(jì)算腦電響應(yīng)增強(qiáng)率和行為改善率，基于計(jì)算結(jié)果以及預(yù)測(cè)值和因果路徑強(qiáng)度計(jì)算刺激效果綜合評(píng)分，進(jìn)行刺激效果的實(shí)時(shí)評(píng)估。[0012]作為本發(fā)明所述經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的一種優(yōu)選方案，其中：所述獲6[0014]將標(biāo)簽圖導(dǎo)入ScanIP,進(jìn)行體素化重建與組織層級(jí)網(wǎng)格劃分，生成帶有導(dǎo)電屬性[0023]使用標(biāo)準(zhǔn)腦空間對(duì)受試者頭模MRI圖像進(jìn)行空間配準(zhǔn)，在仿真模型中建立物理坐[0027]為每一個(gè)染色體配置電極編號(hào)與注流參數(shù)，分別求解兩組電極注流下產(chǎn)生的電7[0028]將所有個(gè)體結(jié)果構(gòu)成完整染色體庫(kù)，按適應(yīng)度值降序排序，保留前M個(gè)染色體，將保留個(gè)體作為下一代種群并定義為精英子集Q,不參與交叉與變異；[0029]通過(guò)輪盤賭選擇按適應(yīng)度概率選擇非精英個(gè)體作為交叉父代并生成子代染色體，得到交叉后新生成的子代染色體集A;[0030]隨機(jī)從子代中選出W個(gè)個(gè)體進(jìn)行變異，對(duì)每個(gè)待變異個(gè)體，隨機(jī)選定一種策略進(jìn)行[0031]合并結(jié)合Q、A和Z構(gòu)建新一代完整種群，對(duì)新一代中每個(gè)染色體執(zhí)行電場(chǎng)仿真和適應(yīng)度計(jì)算，在達(dá)到預(yù)設(shè)最大迭代次數(shù)后停止進(jìn)化，得到最后一代種群，在最后一代種群中選擇適應(yīng)度最高的染色體，提取對(duì)應(yīng)的仿真電場(chǎng)調(diào)制圖譜，得到最優(yōu)電極組合編號(hào)以及注流電流參數(shù)。[0032]作為本發(fā)明所述經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的一種優(yōu)選方案，其中：所述引導(dǎo)受試者執(zhí)行任務(wù)反饋測(cè)試，記錄行為輸出B,將刺激注流強(qiáng)度S、神經(jīng)響應(yīng)R、行為表現(xiàn)B構(gòu)成三變量時(shí)序數(shù)據(jù)流，采用Granger[0033]引導(dǎo)受試者執(zhí)行Go/No-Go視覺(jué)識(shí)別任務(wù)，記錄被試者的反應(yīng)時(shí)間以及判斷正確性并構(gòu)建時(shí)序行為向量B(t);[0034]在獲得B(t)行為反饋之后，立即提取對(duì)應(yīng)時(shí)間窗內(nèi)的刺激注流強(qiáng)度序列S(t)和神經(jīng)響應(yīng)序列R(t);[0035]將三類數(shù)據(jù)在統(tǒng)一采樣頻率下對(duì)齊并進(jìn)行標(biāo)準(zhǔn)化后組成三變量時(shí)間序列Y(t),使用atrous小波濾波器對(duì)三變量時(shí)間序列Y(t)中的每一個(gè)分量單獨(dú)進(jìn)行分解，得到每個(gè)變量在s個(gè)尺度下的細(xì)節(jié)序列；[0036]將三個(gè)變量在各尺度下的細(xì)節(jié)分量重新組合，得到每個(gè)尺度s下的聯(lián)合序列C(t),從聯(lián)合序列C(t)中提取Ss(t)和Rs(t),構(gòu)建“刺激→神經(jīng)→行為”的雙層Granger因果路徑模型，包括第一階段建模和第二階段建模；[0037]基于第一階段模型和第二階段模型結(jié)果計(jì)算最終路徑有效性評(píng)分([0038]對(duì)所有尺度下的評(píng)分進(jìn)行融合，得到最終跨尺度主路徑評(píng)分GsRB(t)。[0039]作為本發(fā)明所述經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的一種優(yōu)選方案，其中：所述基于電極構(gòu)型和參數(shù)實(shí)施tDCS刺激，實(shí)時(shí)采集測(cè)試數(shù)據(jù)并進(jìn)行預(yù)處理后構(gòu)建神經(jīng)響應(yīng)向量R態(tài)濃度、EDA和瞳孔變化數(shù)據(jù)并進(jìn)行預(yù)處理，在預(yù)處理完成后，將每一時(shí)刻下各模態(tài)處理結(jié)果組成結(jié)構(gòu)化神經(jīng)響應(yīng)向量R。[0040]作為本發(fā)明所述經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的一種優(yōu)選方案，其中：所述構(gòu)建基于注意力機(jī)制的多任務(wù)預(yù)測(cè)網(wǎng)絡(luò)，得到預(yù)測(cè)值指采集時(shí)間窗口C內(nèi)的神經(jīng)響應(yīng)向量序列Xt,選擇標(biāo)準(zhǔn)的Encoder-onlyTransformer架構(gòu)，將Xt輸入訓(xùn)練完成的Transformer模型，得到認(rèn)知反應(yīng)預(yù)測(cè)值、情緒波動(dòng)預(yù)測(cè)值和刺激耐受度預(yù)測(cè)值，將得到的預(yù)測(cè)值進(jìn)行加權(quán)求和得到神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分I。[0041]作為本發(fā)明所述經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的一種優(yōu)選方案，其中：所述計(jì)算腦電響應(yīng)增強(qiáng)率和行為改善率，基于計(jì)算結(jié)果以及預(yù)測(cè)值和因果路徑強(qiáng)度計(jì)算刺激效果綜合評(píng)分，進(jìn)行刺激效果的實(shí)時(shí)評(píng)估指計(jì)算得到腦電響應(yīng)增強(qiáng)率0和行為改善率F;8[0042]將得到的腦電響應(yīng)增強(qiáng)率0、行為改善率F以及路徑強(qiáng)度評(píng)分GsRB(t)和神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分I進(jìn)行加權(quán)求和得到當(dāng)前刺激效果的實(shí)時(shí)評(píng)分J;[0043]設(shè)定閾值K和K?,并且K>K?,將實(shí)時(shí)評(píng)分J與設(shè)定閾值進(jìn)行比較，得到當(dāng)前刺激效果并制定對(duì)應(yīng)措施。[0045]三維建模模塊，用于基于MRI圖像構(gòu)建個(gè)體三維頭部組織模型，執(zhí)行電極定位與映[0046]電場(chǎng)仿真模塊，用于基于已建頭模與電極布設(shè)，進(jìn)行電場(chǎng)仿真并采用遺傳算法搜索最優(yōu)注流配置；[0048]預(yù)測(cè)模塊，用于對(duì)采集的神經(jīng)響應(yīng)序列構(gòu)建Transformer網(wǎng)絡(luò)，實(shí)現(xiàn)多維腦狀態(tài)預(yù)[0049]因果分析模塊，用于引導(dǎo)被試進(jìn)行任務(wù)反饋，提取刺激-響應(yīng)-行為三元數(shù)據(jù)流，并執(zhí)行Granger因果路徑建模；[0050]效果評(píng)估模塊，用于融合腦電響應(yīng)增強(qiáng)、行為改善、狀態(tài)預(yù)測(cè)值與因果路徑評(píng)分，計(jì)算當(dāng)前刺激綜合效果評(píng)分。[0051]第三方面，本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的任一步驟。[0052]第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的任一步驟。數(shù)配置，結(jié)合多模態(tài)神經(jīng)響應(yīng)采集、基于注意力機(jī)制的多任務(wù)腦狀態(tài)預(yù)測(cè)與Granger因果路徑建模，構(gòu)建了一種面向“刺激→神經(jīng)→行為”全鏈條的實(shí)時(shí)評(píng)估機(jī)制。相比于現(xiàn)有僅依賴腦電變化或單一行為指標(biāo)的評(píng)估方式，本發(fā)明可同時(shí)量化刺激的空間靶向性、神經(jīng)激活特異性、行為改善程度及因果連通強(qiáng)度，并通過(guò)綜合評(píng)分驅(qū)動(dòng)參數(shù)自反饋優(yōu)化，顯著提升了經(jīng)顱電刺激效果評(píng)估的實(shí)時(shí)性、準(zhǔn)確性與個(gè)體化調(diào)控能力。附圖說(shuō)明[0054]為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它的[0055]圖1為實(shí)施例1中經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法的流程示意圖；[0056]圖2為實(shí)施例1中經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式[0057]為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合說(shuō)明書(shū)附圖對(duì)9本發(fā)明的具體實(shí)施方式做詳細(xì)的說(shuō)明。[0058]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來(lái)實(shí)施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開(kāi)的具體實(shí)施例的限制。式中的特定特征、結(jié)構(gòu)或特性。在本說(shuō)明書(shū)中不同地方出現(xiàn)的“在一個(gè)實(shí)施例中”并非均指同一個(gè)實(shí)施例，也不是單獨(dú)的或選擇性的與其他實(shí)施例互相排斥的實(shí)施例。[0060]實(shí)施例1,參照?qǐng)D1和圖2,為本發(fā)明第一個(gè)實(shí)施例，該實(shí)施例提供了一種經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法，經(jīng)顱電刺激效果的實(shí)時(shí)評(píng)估方法包括以下步驟：[0061]S1、獲取受試者頭部MRI數(shù)據(jù)構(gòu)建多組織三維頭模，在頭模布設(shè)HD-tDCS針狀復(fù)合電極，目標(biāo)鎖定大腦關(guān)鍵功能區(qū)，使用有限元法仿真電場(chǎng)分布，得出多組布極電流組合的調(diào)與電流參數(shù)；[0062]具體的，獲取受試者頭部MRI數(shù)據(jù)構(gòu)建多組織三維頭模，在頭模布設(shè)HD-tDCS針狀復(fù)合電極，目標(biāo)鎖定大腦關(guān)鍵功能區(qū)，使用有限元法仿真電場(chǎng)分布，得出多組布極電流組合的調(diào)制圖譜包括：[0063]使用3T磁共振成像系統(tǒng)(如西門子Prisma)采集受試者頭部T1加權(quán)結(jié)構(gòu)像，輸出液(CSF)、骨骼(Skull)與Scalp(皮膚),合并各通道標(biāo)簽圖為單一標(biāo)簽文件，標(biāo)簽值如：1=皮[0064]將標(biāo)簽圖導(dǎo)入ScanIP(由Simpleware公司開(kāi)發(fā)的高級(jí)軟件平臺(tái)，主要用于處理、分析和可視化三維圖像數(shù)據(jù)，特別是從計(jì)算機(jī)斷層掃描(CT)、磁共振成像(MRI)等醫(yī)學(xué)成像技術(shù)獲取的數(shù)據(jù)),進(jìn)行體素化重建與組織層級(jí)網(wǎng)格劃分，生成帶有導(dǎo)電屬性(如灰質(zhì)0.276S/m,CSF1.79S/m等)的完整頭部三維有限元模型；[0065]激活頭皮(scalp)區(qū)域的三角面片網(wǎng)格，作為電極布設(shè)表面，初始化MNI空間標(biāo)準(zhǔn)三點(diǎn)最小二乘法)完成頭模坐標(biāo)對(duì)齊，對(duì)照頭?？臻g坐標(biāo)將國(guó)際10-10系統(tǒng)電極點(diǎn)自動(dòng)投影至頭皮曲面上，采用法向投影算法，確保每個(gè)電極中心點(diǎn)在頭皮曲面上的正交落點(diǎn)，記錄每個(gè)電極的三維坐標(biāo)，為每個(gè)電極點(diǎn)分配唯一編號(hào)E,編號(hào)范圍T=1~61,建立電極-坐標(biāo)索引[0066]固定選用TP9(左乳突)作為參考電極，剩余60個(gè)電極編號(hào)構(gòu)成激勵(lì)電極候選集，將在后續(xù)組合優(yōu)化中用于構(gòu)建兩組激勵(lì)電極對(duì)；[0067]使用建模模塊在每個(gè)電極點(diǎn)Et中心創(chuàng)建圓形表面電極模型，設(shè)置電極材料為銀，并定義為“電流注入邊界”,對(duì)參考電極TP9設(shè)置為“電流參考邊界”,將所有電極模型與頭模表面網(wǎng)格融合，形成完整仿真幾何模型；[0068]啟動(dòng)COMSOLMultiphysics仿真平臺(tái)，導(dǎo)入[0069]在COMSOL模型內(nèi)激活兩個(gè)獨(dú)立的激勵(lì)電極對(duì)，對(duì)電極對(duì)一和電極對(duì)二設(shè)定電流幅值和不同的注入頻率的交流電流，固定參考電極TP9為公共回流電極，仿真時(shí)，兩對(duì)電極獨(dú)極對(duì)(電極對(duì)1、對(duì)2)分別在體素點(diǎn)處所產(chǎn)[0077]HD-tDCS指通過(guò)多神經(jīng)影像標(biāo)準(zhǔn)配準(zhǔn)坐標(biāo)體系，用于保證不同個(gè)體之間頭部結(jié)構(gòu)與電極布點(diǎn)的統(tǒng)一對(duì)齊，OMSOLMultiphysics是當(dāng)前醫(yī)學(xué)仿真領(lǐng)域最常用的多物理場(chǎng)建模平臺(tái)，支持耦合不同頻部調(diào)制區(qū)域內(nèi)的干涉包絡(luò)最大化。本發(fā)明通過(guò)復(fù)合式電極結(jié)構(gòu)+高頻交叉注流機(jī)制+空間矢量調(diào)制算法，實(shí)現(xiàn)了三維調(diào)制目標(biāo)區(qū)聚[0080]從標(biāo)準(zhǔn)腦模板(如FSL的Harvard-0xford或AAL模板)中提取右側(cè)海馬區(qū)[0081]遍歷所有電場(chǎng)仿真輸出體素索引集合B,排除已屬于P的體素編號(hào)，其余所有體素通常為頭模中體素中心點(diǎn)坐標(biāo)，ROI是所有落在右側(cè)海馬區(qū)域(三維掩膜mask)內(nèi)的體素編號(hào)集合，表示電刺激的目標(biāo)區(qū)域，nonR表示潛在電流擴(kuò)散區(qū)，是在ROI區(qū)域每個(gè)體素位置ru的電極對(duì)注入電流后所形成的干涉電場(chǎng)調(diào)制包絡(luò)最大幅值，]是在非ROI區(qū)域每個(gè)體素位置r?的電極對(duì)注ROI區(qū)域的電場(chǎng)調(diào)制強(qiáng)度與非ROI區(qū)域擴(kuò)散強(qiáng)度的比值，用于作為遺傳算法的適應(yīng)度函數(shù)激勵(lì)電極對(duì)2,將電極編號(hào)1~4,電流注入值1~2合并為染色體，生成所有染色體后存儲(chǔ)為初[0086]為每一個(gè)染色體配置電極編號(hào)與注流參數(shù)，分別求解兩組電極注流下產(chǎn)生的電每個(gè)體素點(diǎn)的電場(chǎng)調(diào)制值和體素體積，計(jì)算ROI區(qū)[0087]將染色體參數(shù)與適應(yīng)度一起存入數(shù)據(jù)結(jié)構(gòu)，將所有個(gè)體結(jié)果構(gòu)成完整染色體[0088]通過(guò)輪盤賭選擇按適應(yīng)度概率選擇非精英個(gè)體作為交叉父代，設(shè)定當(dāng)前最優(yōu)個(gè)后子代集Z;應(yīng)度計(jì)算，在達(dá)到預(yù)設(shè)最大迭代次數(shù)后停止進(jìn)化，基于實(shí)驗(yàn)調(diào)優(yōu)設(shè)定最大迭代次數(shù)，得到最后一代種群，在最后一代種群中選擇適應(yīng)度最高的染色體，提取對(duì)應(yīng)的仿真電場(chǎng)調(diào)制圖譜，得到最優(yōu)電極組合編號(hào)以及注流電流參數(shù)(即注流強(qiáng)度)。[0091]Talairach標(biāo)準(zhǔn)腦空間”是國(guó)際公認(rèn)的三維坐標(biāo)空間系統(tǒng)，常用于神經(jīng)影像配準(zhǔn)處理，其優(yōu)勢(shì)在于可將個(gè)體MRI影像數(shù)據(jù)統(tǒng)一映射至標(biāo)準(zhǔn)模板，使電場(chǎng)仿真結(jié)果具有結(jié)構(gòu)可比性與功能區(qū)一致性，“掩膜(mask)”是指對(duì)標(biāo)準(zhǔn)腦模板中指定功能區(qū)(如Hippocampus_R)構(gòu)建的三維體素集合，用于精確提取該區(qū)域內(nèi)的仿真結(jié)果并參與ROI目標(biāo)建模，“電場(chǎng)調(diào)制包絡(luò)最大幅值”是指在tTIS干涉機(jī)制下，兩個(gè)不同頻率交流電流在體內(nèi)相干疊加所產(chǎn)生的調(diào)制電場(chǎng)峰值，代表真實(shí)刺激強(qiáng)度。通過(guò)構(gòu)建ROI聚焦比目標(biāo)函數(shù)DDD,本發(fā)明實(shí)現(xiàn)了對(duì)目標(biāo)區(qū)域(ROI)電場(chǎng)調(diào)制總能量與非目標(biāo)區(qū)域(non-ROI)擴(kuò)散能量的定量對(duì)比。具體而言，該比值越大，說(shuō)明刺激能量越集中于功能核心區(qū)，越小則說(shuō)明存在顯著擴(kuò)散或偏移。此特征被設(shè)定為遺傳算法的適應(yīng)度函數(shù)值，使整個(gè)優(yōu)化過(guò)程具有明確的物理學(xué)目標(biāo)驅(qū)動(dòng)基礎(chǔ)，從而增強(qiáng)了電極選擇與注流策略的科學(xué)性與解釋性。在優(yōu)化流程中，每組“染色體”編碼代表一組特定的電極編號(hào)組合與注入電流值，其初始種群通過(guò)編號(hào)抽樣與注流均勻采樣構(gòu)建，具備覆蓋性。精英保留策略確保局部最優(yōu)解不被淘汰，輪盤賭父代選擇機(jī)制引入適應(yīng)度概率控制的多樣性引導(dǎo)，而交叉過(guò)程采用基于當(dāng)前最優(yōu)體的參數(shù)分布擬合，從而在不破壞當(dāng)前結(jié)évy飛行突變?nèi)N變異策略，可形成局部擾動(dòng)與全局跳躍能力之間的協(xié)同，提高了算法的收斂速度與跳出局部最優(yōu)陷阱的能力。[0092]S2、基于電極構(gòu)型和參數(shù)實(shí)施tDCS刺激，實(shí)時(shí)采集測(cè)試數(shù)據(jù)并進(jìn)行預(yù)處理后構(gòu)建神經(jīng)響應(yīng)向量R;[0093]具體的，基于電極構(gòu)型和參數(shù)實(shí)施tDCS刺激，實(shí)時(shí)采集測(cè)試數(shù)據(jù)并進(jìn)行預(yù)處理后構(gòu)建神經(jīng)響應(yīng)向量R包括根據(jù)確定的最優(yōu)電極對(duì)組合和注流參數(shù)，采用多通道HD-tDCS刺激系統(tǒng)(如Starstim64)進(jìn)行刺激系統(tǒng)配置，在刺激執(zhí)行的過(guò)程中，使用一體化生理信號(hào)采集帶通濾波器(0.5-70Hz)濾除直流漂移與肌電干擾，然后使用獨(dú)立成分分析(ICA)剔除眼動(dòng)與眨眼偽跡，有效去除眼動(dòng)、肌電等干擾成分，使得保留的腦電數(shù)據(jù)具有更高的信噪比與解釋效度。Hb0/HbR信號(hào)通過(guò)滑動(dòng)窗口濾波和差分增強(qiáng)后，可以實(shí)時(shí)反映目標(biāo)區(qū)域腦血流動(dòng)態(tài)，有助于判斷神經(jīng)調(diào)控對(duì)代謝和血氧耦合機(jī)制的調(diào)節(jié)效果，保留目標(biāo)通道數(shù)據(jù)，Hb0/HbR動(dòng)態(tài)濃度基于滑動(dòng)窗口均值濾波去除低頻漂移，并進(jìn)行差分增強(qiáng)，EDA和瞳孔變化數(shù)據(jù)先進(jìn)行線性插值補(bǔ)點(diǎn)處理，再應(yīng)用Z-score標(biāo)準(zhǔn)化，確保其在全局建模過(guò)程中具有同等的權(quán)重參與能力，在預(yù)處理完成后，將每一時(shí)刻下各模態(tài)處理結(jié)果組成結(jié)構(gòu)化神經(jīng)響應(yīng)向量R。[0094]S3、構(gòu)建基于注意力機(jī)制的多任務(wù)預(yù)測(cè)網(wǎng)絡(luò)，得到預(yù)測(cè)值；[0095]具體的，構(gòu)建基于注意力機(jī)制的多任務(wù)預(yù)測(cè)網(wǎng)絡(luò)，得到預(yù)測(cè)值指采用滑動(dòng)時(shí)間窗口機(jī)制，設(shè)定輸入窗口長(zhǎng)度為C,因此每次輸入包含C個(gè)時(shí)間步的響應(yīng)向量Xt,選擇標(biāo)準(zhǔn)的Encoder-onlyTransformer架構(gòu)，輸入為Xt,模型包括輸入嵌入層、位置編碼層、多頭注意力層、前饋網(wǎng)絡(luò)和多任務(wù)輸出頭，定義損失函數(shù)和Adam優(yōu)化器進(jìn)行模型參數(shù)迭代優(yōu)化，當(dāng)在連續(xù)迭代時(shí)達(dá)到預(yù)設(shè)最大迭代次數(shù)時(shí)則停止迭代輸出模型參數(shù)更新Transformer模型，完成模型訓(xùn)練后，將實(shí)時(shí)采集得到的神經(jīng)響應(yīng)向量序列Xt輸入訓(xùn)練完成的Transformer模型，利用多頭注意力機(jī)制處理時(shí)間序列特征，并通過(guò)三路輸出分支預(yù)測(cè)受試者的三類腦狀態(tài)，包括認(rèn)知反應(yīng)預(yù)測(cè)值、情緒波動(dòng)預(yù)測(cè)值和刺激耐受度預(yù)測(cè)值，將得到的預(yù)測(cè)值進(jìn)行加權(quán)求和得到神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分I。[0096]通過(guò)在tDCS實(shí)時(shí)評(píng)估過(guò)程中引入基于Transformer的注意力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，不僅實(shí)現(xiàn)了對(duì)神經(jīng)響應(yīng)多維狀態(tài)的并行建模與預(yù)測(cè)，還構(gòu)建了可解釋、可調(diào)控的評(píng)分機(jī)制，為電刺激效果的個(gè)體化調(diào)控提供了智能化、動(dòng)態(tài)化、可量化的決策基礎(chǔ)，具備高度的創(chuàng)新性與工程可實(shí)施性。[0097]S4、引導(dǎo)受試者執(zhí)行任務(wù)反饋測(cè)試，記錄行為輸出B,將刺激注流強(qiáng)度S、神經(jīng)響應(yīng)R、行為表現(xiàn)B構(gòu)成三變量時(shí)序數(shù)據(jù)流，采用Granger因果分析，量化S→R→B的因果路徑強(qiáng)[0098]具體的，引導(dǎo)受試者執(zhí)行任務(wù)反饋測(cè)試，記錄行為輸出B,將刺激注流強(qiáng)度S、神經(jīng)強(qiáng)度包括：[0099]引導(dǎo)受試者執(zhí)行Go/No-Go視覺(jué)識(shí)別任務(wù)，每y秒呈現(xiàn)一幅圖像，圖像類型包括目標(biāo)圖和干擾圖，被試者需要在U秒內(nèi)做出判斷并通過(guò)按鍵響應(yīng)，記錄被試者的反應(yīng)時(shí)間以及判斷正確性并構(gòu)建時(shí)序行為向量B(t);[0100]在獲得B(t)行為反饋之后，立即提取對(duì)應(yīng)時(shí)間窗內(nèi)的刺激注流強(qiáng)度序列S(t)和神經(jīng)響應(yīng)序列R(t),S(t)和R(t)通過(guò)提取時(shí)間窗口內(nèi)對(duì)應(yīng)的刺激注流強(qiáng)度和神經(jīng)響應(yīng)組合構(gòu)建得到；[0101]將三類數(shù)據(jù)在統(tǒng)一采樣頻率下對(duì)齊并進(jìn)行標(biāo)準(zhǔn)化后組成三變量時(shí)間序列Y(t),使用atrous小波濾波器對(duì)三變量時(shí)間序列Y(t)中的每一個(gè)分量單獨(dú)進(jìn)行分解，得到每個(gè)變量在s個(gè)尺度下的細(xì)節(jié)序列；[0102]將三個(gè)變量在各尺度下的細(xì)節(jié)分量重新組合，得到每個(gè)尺度s下的聯(lián)合序列C(t),從聯(lián)合序列C(t)中提取Ss(t)和Rs(t),構(gòu)建“刺激→神經(jīng)→行為”的雙層Granger因果路徑模型，包括第一階段建模和第二階段建模；[0103]所述第一階段建模為：[0104]進(jìn)行刺激對(duì)神經(jīng)響應(yīng)的Granger因果分析，構(gòu)建兩個(gè)滯后回歸模型，包括含刺激項(xiàng)的模型和不含刺激項(xiàng)的模型進(jìn)行殘差對(duì)比：準(zhǔn)則自動(dòng)選取，ai是回歸系數(shù)(歷史項(xiàng)權(quán)重),使用最小二乘法進(jìn)行線性擬合獲得，R?(t-i)過(guò)去第i個(gè)時(shí)間步在尺度s下的神經(jīng)響應(yīng)值，E1s(t)是模型殘差(誤差項(xiàng)),q是刺激滯后階數(shù)，bj是刺激滯后項(xiàng)回歸系數(shù)，最小二乘法求解，E2,s(t)是含刺激預(yù)測(cè)模型的殘差是過(guò)去第i個(gè)時(shí)間步的行為響應(yīng)變量(如反應(yīng)時(shí)間RT)在尺度s下的小波細(xì)節(jié)成分，R(t-j)是第j個(gè)滯后點(diǎn)的神經(jīng)響應(yīng)(如EEG△f頻段功率)在尺度s下的小波細(xì)節(jié)成分，[0121]對(duì)所有尺度下的評(píng)分進(jìn)行融合，得到最終跨尺度主路徑評(píng)分GSRB(t):刺激項(xiàng)的神經(jīng)響應(yīng)回歸模型，通過(guò)比較兩模型的殘差方差，定義刺激對(duì)神經(jīng)的G間電場(chǎng)之外的神經(jīng)效應(yīng)性證據(jù)。在第二階段模型中，構(gòu)建神經(jīng)響應(yīng)模型，判斷是否存在由特定神經(jīng)指標(biāo)(如EEG示電刺激是否真正“穿透”神經(jīng)通路，轉(zhuǎn)化為行為層面的提升，區(qū)別于僅產(chǎn)生局部神經(jīng)激活但無(wú)效于功能輸出的“無(wú)行為效能”刺激，最終通過(guò)融合兩個(gè)階段的因果強(qiáng)度評(píng)分，構(gòu)建封閉路徑評(píng)分S→R→B,再經(jīng)由所有尺度融合生成跨尺度主路徑評(píng)分，全面衡量從刺激發(fā)出、神經(jīng)調(diào)節(jié)到行為表達(dá)的連續(xù)性與閉環(huán)性。該評(píng)分結(jié)果不僅可用于效果分類，更可作為反饋控制機(jī)制的定量輸入信號(hào)，驅(qū)動(dòng)電極布設(shè)或注流參數(shù)自適應(yīng)調(diào)節(jié)，實(shí)現(xiàn)真正意義上的閉環(huán)神經(jīng)調(diào)控系統(tǒng)。[0125]S5、計(jì)算腦電響應(yīng)增強(qiáng)率和行為改善率，基于計(jì)算結(jié)果以及預(yù)測(cè)值和因果路徑強(qiáng)度計(jì)算刺激效果綜合評(píng)分，進(jìn)行刺激效果的實(shí)時(shí)評(píng)估；[0126]具體的，計(jì)算腦電響應(yīng)增強(qiáng)率和行為改善率，基于計(jì)算結(jié)果以及預(yù)測(cè)值和因果路徑強(qiáng)度計(jì)算刺激效果綜合評(píng)分，進(jìn)行刺激效果的實(shí)時(shí)評(píng)估指收集當(dāng)前刺激狀態(tài)下目標(biāo)頻段的功率譜密度o和刺激前同頻段的平均功率譜密度01計(jì)算得到腦電響應(yīng)增強(qiáng)率0(將o減去01并除以01得到0),收集當(dāng)前任務(wù)執(zhí)行反應(yīng)時(shí)間f?和刺激前的任務(wù)執(zhí)行前的平均反應(yīng)時(shí)間f計(jì)算得到行為改善率F(將f減去f?并除以f得到F);[0127]將得到的腦電響應(yīng)增強(qiáng)率0、行為改善率F以及路徑強(qiáng)度評(píng)分GsRB(t)和神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分I進(jìn)行加權(quán)求和得到當(dāng)前刺激效果的實(shí)時(shí)評(píng)分J;[0128]基于ROC曲線分析設(shè)定閾值K和K?,并且K>K?,將實(shí)時(shí)評(píng)分J與設(shè)定閾值進(jìn)行比較，若J≥K,則當(dāng)前刺激效果顯著,維持當(dāng)前刺激參數(shù)(電極組合、電流強(qiáng)度、頻率不變),繼續(xù)刺激，若K?≤J<K,則刺激效果處于一般水平，自動(dòng)執(zhí)行微調(diào)操作，將當(dāng)前注入電流強(qiáng)度減小0.2mA,并保持其他參數(shù)不變，以防耐受下降，并進(jìn)入下一周期評(píng)估，若J<K?,則刺激效果較差，重新搜索最優(yōu)電極對(duì)組合與注入電流方案，替代當(dāng)前配置進(jìn)入下一輪仿真與刺激。[0129]本發(fā)明特別引入了神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分(I)與因果路徑強(qiáng)度評(píng)分(G)兩個(gè)高級(jí)指標(biāo)，用以提升刺激效果判斷的全面性與機(jī)制解釋力。神經(jīng)狀態(tài)預(yù)測(cè)評(píng)分基于Transformer注意力網(wǎng)絡(luò)對(duì)當(dāng)前神經(jīng)響應(yīng)向量序列進(jìn)行編碼，輸出受試者認(rèn)知狀態(tài)、情緒波動(dòng)與刺激耐受度三類預(yù)測(cè)值，并通過(guò)加權(quán)求和形成指標(biāo)I。該評(píng)分可實(shí)時(shí)感知受試者的神經(jīng)狀態(tài)變化趨勢(shì)，為電