推荐刺激电极组合的方法和系统与流程

1.本技术涉及植入式医疗设备技术领域，尤其涉及推荐刺激电极组合的方法和系统。


背景技术：

2.植入式医疗系统通常包括植入式神经电刺激系统、植入式心脏电刺激系统、植入式药物输注系统。
3.以植入式神经电刺激系统为例，主要包括植入体内的脉冲发生器、电极以及体外的控制装置。其中，脉冲发生器与电极相连接，从而将脉冲发生器所产生的脉冲传输到电极，脉冲发生器产生的脉冲信号由电极传输至特定神经部位进行电刺激，从而使人体机能恢复到正常运作的状态。
4.目前在采集患者的脑深部电信号时，是在患者未接受刺激的情况下进行的，采集到的电信号并不能反映患者在接受刺激时的脑部状况，并且，刺激电极组合的选择往往依靠医生的经验，增加了医生的工作量，降低了医生的工作效率，同时，仅仅依赖人工进行刺激电极组合的选择往往准确率不够高。


技术实现要素：

5.本技术的目的在于提供推荐刺激电极组合的方法和系统，解决现有技术中，采集到的电信号并不能反映患者在接受刺激时的脑部状况，并且刺激电极组合的选择往往依靠医生的经验，增加了医生的工作量，降低了医生的工作效率，同时仅仅依赖人工进行刺激电极组合的选择往往准确率不够高的问题。
6.本技术的目的采用以下技术方案实现：
7.第一方面，本技术提供了一种推荐刺激电极组合的方法，包括：在递送治疗的过程中，接收多个电极的电位；基于所述多个电极的电位，计算其中任意两个电极的电位的差值，得到所述任意两个电极之间的电压；基于预设时间范围以内的所述任意两个电极之间的电压，获取所述任意两个电极形成的电极组合对应的特征信号；以及基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合。
8.在一些可选实施例中，所述基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合包括：基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分；以及基于所有电极组合对应的得分，将得分最高的电极组合作为所述推荐的刺激电极组合。
9.在一些可选实施例中，所述基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分包括：分别配置所述特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度这三个参数对应的权重系数；分别获取每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分；以及基于对应的权重系数，对每个电极
组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分进行加权求和，得到每个电极组合对应的得分。
10.在一些可选实施例中，所述特征信号与所述期望信号的相似度对应的权重系数大于所述特征信号的信号强度的权重系数，所述特征信号的信号强度的权重系数大于所述特征信号的脉宽的权重系数。
11.该技术方案的有益效果在于：特征信号与期望信号的相似度、特征信号的信号强度以及特征信号的脉宽的权重系数依次递减，主次分明，更加符合实际应用中的需求。
12.在一些可选实施例中，所述基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分包括：当所述电极组合对应的特征信号满足预设条件时，基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度中的一种或多种，获取所述电极组合对应的得分，所述预设条件包括所述特征信号的信号强度大于预设信号强度和所述特征信号的脉宽满足预设脉宽范围中的一种或多种。
13.在一些可选实施例中，所述特征信号与所述期望信号的相似度的获取过程如下：将所述特征信号和所述期望信号输入相似度模型，得到所述特征信号和所述期望信号的相似度，其中所述相似度模型是利用预设的深度学习神经网络训练得到的。
14.在一些可选实施例中，所述相似度模型的训练过程如下：将第一训练信号和第二训练信号输入所述预设的深度学习神经网络，得到所述第一训练信号和所述第二训练信号的预测相似度；基于所述第一训练信号和所述第二训练信号的预测相似度和标注相似度，计算得到预测损失值；以及基于所述预测损失值，对所述预设的深度学习神经网络的参数进行更新，得到所述相似度模型。
15.第二方面，本技术提供一种推荐刺激电极组合的系统，包括：用于在递送治疗的过程中，接收多个电极的电位的装置；用于基于所述多个电极的电位，计算其中任意两个电极的电位的差值，得到所述任意两个电极之间的电压的装置；用于基于预设时间范围以内的所述任意两个电极之间的电压，获取所述任意两个电极形成的电极组合对应的特征信号的装置；以及用于基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合的装置。
16.在一些可选实施例中，所述用于基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合的装置包括：用于基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分的装置；以及用于基于所有电极组合对应的得分，将得分最高的电极组合作为所述推荐的刺激电极组合的装置。
17.在一些可选实施例中，所述用于基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分的装置包括：用于分别配置所述特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度这三个参数对应的权重系数的装置；用于分别获取每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分的装置；以及用于基于对应的权重系数，对每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分进行加权求和，得到每个电极组合对应的得分的装
置。
18.在一些可选实施例中，所述特征信号与所述期望信号的相似度对应的权重系数大于所述特征信号的信号强度的权重系数，所述特征信号的信号强度的权重系数大于所述特征信号的脉宽的权重系数。
19.在一些可选实施例中，所述用于基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分的装置包括：用于当所述电极组合对应的特征信号满足预设条件时，基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度中的一种或多种，获取所述电极组合对应的得分的装置，所述预设条件包括所述特征信号的信号强度大于预设信号强度和所述特征信号的脉宽满足预设脉宽范围中的一种或多种。
20.在一些可选实施例中，所述用于基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合的装置还包括：用于将所述特征信号和所述期望信号输入相似度模型，得到所述特征信号和所述期望信号的相似度的装置，其中所述相似度模型是利用预设的深度学习神经网络训练得到的。
21.在一些可选实施例中，所述相似度模型的训练过程如下：将第一训练信号和第二训练信号输入所述预设的深度学习神经网络，得到所述第一训练信号和所述第二训练信号的预测相似度；基于所述第一训练信号和所述第二训练信号的预测相似度和标注相似度，计算得到预测损失值；以及基于所述预测损失值，对所述预设的深度学习神经网络的参数进行更新，得到所述相似度模型。
22.第三方面，本技术提供一种推荐刺激电极组合的系统，包括：多个电极，所述多个电极能够定位于患者脑内，以向所述患者递送治疗或者感测电活动；治疗递送电路，所述治疗递送电路可操作地耦接到所述多个电极以向所述患者递送治疗；感测电路，所述感测电路可操作地耦接到所述多个电极以感测电活动；以及控制器，所述控制器包括可操作地耦接到所述治疗递送电路和所述感测电路的处理电路系统，所述控制器被配置成：通过所述治疗递送电路，控制所述多个电极中的一个或多个向所述患者递送治疗，在递送治疗的过程中，通过所述感测电路，感测所述多个电极的电位，基于所述多个电极的电位，计算其中任意两个电极的电位的差值，得到所述任意两个电极之间的电压，基于预设时间范围以内的所述任意两个电极之间的电压，获取所述任意两个电极形成的电极组合对应的特征信号，并且基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合。
23.在一些可选实施例中，所述基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合包括：基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分；以及基于所有电极组合对应的得分，将得分最高的电极组合作为所述推荐的刺激电极组合。
24.在一些可选实施例中，所述基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分包括：分别配置所述特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度这三个参数对应的权重系数；分别获取每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分；以及基于对应的权重系数，对每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分
进行加权求和，得到每个电极组合对应的得分。
25.在一些可选实施例中，所述特征信号与所述期望信号的相似度对应的权重系数大于所述特征信号的信号强度的权重系数，所述特征信号的信号强度的权重系数大于所述特征信号的脉宽的权重系数。
26.在一些可选实施例中，所述基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分包括：当所述电极组合对应的特征信号满足预设条件时，基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度中的一种或多种，获取所述电极组合对应的得分，所述预设条件包括所述特征信号的信号强度大于预设信号强度和所述特征信号的脉宽满足预设脉宽范围中的一种或多种。
27.在一些可选实施例中，所述特征信号与所述期望信号的相似度的获取过程如下：将所述特征信号和所述期望信号输入相似度模型，得到所述特征信号和所述期望信号的相似度，其中所述相似度模型是利用预设的深度学习神经网络训练得到的。
28.在一些可选实施例中，所述相似度模型的训练过程如下：将第一训练信号和第二训练信号输入所述预设的深度学习神经网络，得到所述第一训练信号和所述第二训练信号的预测相似度；基于所述第一训练信号和所述第二训练信号的预测相似度和标注相似度，计算得到预测损失值；以及基于所述预测损失值，对所述预设的深度学习神经网络的参数进行更新，得到所述相似度模型。
29.在一些可选实施例中，所述多个电极能够感测的电活动包括向所述患者递送治疗的电活动和所述患者自身的生物电活动。
30.在一些可选实施例中，所述患者自身的生物电活动是单细胞的电活动、核团的电活动或者核团局部的电活动。
31.第四方面，本技术提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项推荐刺激电极组合的方法的步骤。
32.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，并可依照说明书的内容予以实施，以下以本技术的较佳实施例并配合详细附图说明如后。
附图说明
33.下面结合附图和实施例对本技术进一步说明。
34.图1是本技术实施例提供的一种推荐刺激电极组合的方法的流程示意图；
35.图2是本技术实施例提供的一种从所有电极组合中确定推荐的刺激电极组合的流程示意图；
36.图3是本技术实施例提供的一种获取每个电极组合对应的得分的流程示意图；
37.图4是本技术实施例提供的一种推荐刺激电极组合的系统的结构示意图；
38.图5是本技术实施例提供的一种从所有电极组合中确定推荐的刺激电极组合的装置的结构示意图；
39.图6是本技术实施例提供的一种获取每个电极组合对应的得分的装置的结构示意图；
40.图7是本技术实施例提供的一种推荐刺激电极组合的系统的结构示意图；
41.图8是本技术实施例提供的一种程序产品的结构示意图。
具体实施方式
42.下面，结合附图以及具体实施方式，对本技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是，本技术还可以采用其他不同于在此描述的方式来实施，因此，本技术的保护范围以本技术权利要求书为准，并不受下面公开的具体实施例的限制。
43.参见图1，本技术实施例提供了一种推荐刺激电极组合的方法，该方法可以包括步骤s101～s104。
44.步骤s101：在递送治疗的过程中，接收多个电极的电位。
45.步骤s102：基于所述多个电极的电位，计算其中任意两个电极的电位的差值，得到所述任意两个电极之间的电压。
46.步骤s103：基于预设时间范围以内的所述任意两个电极之间的电压，获取所述任意两个电极形成的电极组合对应的特征信号。
47.其中，预设时间范围可以是固定的时间范围，也可以根据不同的患者类型自动或人工设定不同的时间范围，例如，预设时间范围可以是30s或者是3min；也可以当患者是帕金森患者时，预设时间范围是1min，当患者是抑郁症患者时，预设时间范围是2min。
48.步骤s104：基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合。
49.在一些实施方式中，从所有电极组合中确定推荐的刺激电极组合后，可以将推荐的刺激电极组合以图像、视频、文字或语音的形式告知医生或其他医务工作者。
50.由此，在递送治疗的同时，通过感测电路感测多个电极的电位，从而计算得到任意两个电极之间的电压，并根据预设时间范围内的任意两个电极之间的电压，获取该两个电极所组成的电极组合对应的特征信号，根据该特征信号确定推荐的刺激电极组合；边刺激边采集的方式，能够准确的反应患者在接受电刺激时的实时状态，提高刺激电极组合推荐的准确度，根据任意两个电极之间的电压获取特征信号，并确定推荐的刺激电极组合，能够降低医生的工作量，提高医生的工作效率，并进一步地提升医生选择刺激电极组合的准确度。
51.参见图2，在一些实施方式中，所述步骤s104可以包括步骤s201～s202。
52.步骤s201：基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分。
53.以及步骤s202：基于所有电极组合对应的得分，将得分最高的电极组合作为所述推荐的刺激电极组合。
54.例如，共有45种电极组合，所有电极组合对应的得分从低到高依次是23分、30分
……
80分、93分，则选取93分对应的电极组合作为推荐的刺激电极组合。
55.由此，根据每个电极组合对应特征信号的信号强度、脉宽以及特征信号与期望信号的相似度中的一种或多种来获取每个电极组合对应的得分，并将得分最高的电极组合作为推荐的电极组合；将信号强度、脉宽以及特征信号与期望信号的相似度中的一种或多种
作为推荐的依据，符合对患者进行治疗的实际需求，使得所推荐的电极组合在实际应用中能够取得更好的治疗效果。
56.参见图3，在一些实施方式中，所述步骤s201可以包括步骤s301～s303。
57.步骤s301：分别配置所述特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度这三个参数对应的权重系数。
58.其中，权重系数可以是0
‑
100％之间的任何数字，例如，权重系数可以配置为：信号强度20％、脉宽20％以及所述特征信号与所述期望信号的相似度60％，该配置下，优先考虑所述特征信号与所述期望信号的相似度对得分的影响；或者是信号强度0％、脉宽0％以及所述特征信号与所述期望信号的相似度100％，该配置下，仅考虑特征信号与所述期望信号的相似度对得分的影响，但也综合考虑了信号强度和脉宽对于得分的影响。
59.步骤s302：分别获取每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分。
60.其中，得分可以是百分制得分，例如，信号强度的得分可以是信号强度与标准信号强度的比值乘以100，信号强度为7mv，标准信号强度为10mv，则信号强度的得分为70分；特征信号与期望信号的相似度也可以用百分制表示，例如，特征信号与期望信号的相似度为80％，则特征信号与期望信号的相似度的得分为80分。
61.步骤s303：基于对应的权重系数，对每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分进行加权求和，得到每个电极组合对应的得分。
62.由此，分别获取特征信号的信号强度、脉宽以及特征信号与期望信号的相似度中的每个的得分，然后基于配置好的权重系数进行加权求和得到每个电极组合对应的得分；通过配置权重系数来得到综合多种因素的得分，使得得分更加能够反映出患者的真实情况，以此推荐的电极组合能够更加准确的贴近患者治疗的实际需求。
63.在一些实施方式中，所述特征信号与所述期望信号的相似度对应的权重系数大于所述特征信号的信号强度的权重系数，所述特征信号的信号强度的权重系数大于所述特征信号的脉宽的权重系数。
64.由此，特征信号与期望信号的相似度、特征信号的信号强度以及特征信号的脉宽的权重系数依次递减，主次分明，更加符合实际应用中的需求。
65.在一些实施方式中，所述步骤s201可以包括步骤s401。
66.步骤s401：当所述电极组合对应的特征信号满足预设条件时，基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度中的一种或多种，获取所述电极组合对应的得分，所述预设条件包括所述特征信号的信号强度大于预设信号强度和所述特征信号的脉宽满足预设脉宽范围中的一种或多种，例如，所述预设条件可以是所述特征信号的信号强度大于预设信号强度，也可以是所述特征信号的脉宽满足预设脉宽范围，也可以是所述特征信号的信号强度大于预设信号强度并且所述特征信号的脉宽满足预设脉宽范围。
67.由此，当电极组合对应的特征信号满足预设条件时，才获取电极组合对应的得分，避免了电极组合对应的特征信号不满足预设条件时进行推荐，保证了所推荐的电极组合能够满足治疗患者的需求。
68.在一些实施方式中，所述步骤s201可以包括步骤s501。
69.步骤s501：将所述特征信号和所述期望信号输入相似度模型，得到所述特征信号和所述期望信号的相似度，其中所述相似度模型是利用预设的深度学习神经网络训练得到的。
70.由此，利用深度学习神经网络训练得到相似度模型，然后利用该相似度模型得到特征信号和期望信号的相似度；利用训练得到的模型进行相似度获取，效率高，准确度高。
71.在一些实施方式中，所述相似度模型的训练过程可以如下：将第一训练信号和第二训练信号输入所述预设的深度学习神经网络，得到所述第一训练信号和所述第二训练信号的预测相似度；基于所述第一训练信号和所述第二训练信号的预测相似度和标注相似度，计算得到预测损失值；以及基于所述预测损失值，对所述预设的深度学习神经网络的参数进行更新，得到所述相似度模型。
72.其中，所述第一训练信号、第二训练信号和标注相似度可以从预先存储于存储介质中的训练数据库中获取，第一训练信号例如是在治疗任意患者时获取的特征信号，第二训练信号例如是从所有患者治疗时采集得到的特征信号中筛选得到的治疗效果较好的患者所对应的特征信号。标注相似度可以是人工标注得到的，在训练过程中，可以采用监督学习的方式或者半监督学习的方式。
73.由此，提供一种相似度模型的训练方法，该相似度模型利用第一训练信号和第二训练信号进行训练，使得该相似度模型在应用于特征信号和期望信号的相似度计算时，相似度的计算速度快，计算结果精确。
74.参见图4，本技术实施例还提供一种推荐刺激电极组合的系统，其具体实现方式与上述推荐刺激电极组合的方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述，所述推荐刺激电极组合的系统可以包括：用于在递送治疗的过程中，接收多个电极的电位的装置101；用于基于所述多个电极的电位，计算其中任意两个电极的电位的差值，得到所述任意两个电极之间的电压的装置102；用于基于预设时间范围以内的所述任意两个电极之间的电压，获取所述任意两个电极形成的电极组合对应的特征信号的装置103；以及用于基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合的装置104。
75.参见图5，在一些实施方式中，所述用于基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合的装置104可以包括：用于基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分的装置201；以及用于基于所有电极组合对应的得分，将得分最高的电极组合作为所述推荐的刺激电极组合的装置202。
76.参见图6，在一些实施方式中，所述用于基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分的装置201可以包括：用于分别配置所述特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度这三个参数对应的权重系数的装置301；用于分别获取每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分的装置302；以及用于基于对应的权重系数，对每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分进行加权求和，得到每个电极
组合对应的得分的装置303。
77.在一些实施方式中，所述特征信号与所述期望信号的相似度对应的权重系数大于所述特征信号的信号强度的权重系数，所述特征信号的信号强度的权重系数大于所述特征信号的脉宽的权重系数。
78.在一些实施方式中，所述用于基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分的装置201可以包括：用于当所述电极组合对应的特征信号满足预设条件时，基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度中的一种或多种，获取所述电极组合对应的得分的装置401，所述预设条件包括所述特征信号的信号强度大于预设信号强度和所述特征信号的脉宽满足预设脉宽范围中的一种或多种。
79.在一些实施方式中，所述用于基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合的装置104还可以包括：用于将所述特征信号和所述期望信号输入相似度模型，得到所述特征信号和所述期望信号的相似度的装置501，其中所述相似度模型是利用预设的深度学习神经网络训练得到的。
80.在一些实施方式中，所述相似度模型的训练过程可以如下：将第一训练信号和第二训练信号输入所述预设的深度学习神经网络，得到所述第一训练信号和所述第二训练信号的预测相似度；基于所述第一训练信号和所述第二训练信号的预测相似度和标注相似度，计算得到预测损失值；以及基于所述预测损失值，对所述预设的深度学习神经网络的参数进行更新，得到所述相似度模型。
81.参见图7，本技术实施例还提供一种推荐刺激电极组合的系统40，其具体实现方式与上述推荐刺激电极组合的方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述，所述推荐刺激电极组合的系统40可以包括：多个电极，所述多个电极能够定位于患者脑内，以向所述患者递送治疗或者感测电活动；治疗递送电路10，所述治疗递送电路10可操作地耦接到所述多个电极以向所述患者递送治疗；感测电路20，所述感测电路20可操作地耦接到所述多个电极以感测电活动；以及控制器30，所述控制器30包括可操作地耦接到所述治疗递送电路10和所述感测电路20的处理电路系统，所述控制器30被配置成：通过所述治疗递送电路10，控制所述多个电极中的一个或多个向所述患者递送治疗，在递送治疗的过程中，通过所述感测电路20，感测所述多个电极的电位，基于所述多个电极的电位，计算其中任意两个电极的电位的差值，得到所述任意两个电极之间的电压，基于预设时间范围以内的所述任意两个电极之间的电压，获取所述任意两个电极形成的电极组合对应的特征信号，并且基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合。
82.其中，治疗递送电路10可以包括脉冲发生器以及连接在脉冲发生器上的延伸导线，延伸导线的一端连接至脉冲发生器，另一端连接至电极，从而将脉冲发生器所产生的脉冲传输到电极，利用电极向患者递送治疗。脉冲发生器可以与控制器30耦接。
83.控制器30可以包括存储器和处理器。本技术对控制器30的大小、形状和位置不做限定。控制器30的控制功能可以由mpu、mcu、dsp、fpga或其任意组合来实现，采用集成芯片的方式，支持无线升级嵌入式程序。
84.本技术的系统40在感测电活动时，通过治疗递送电路10控制多个电极中的一个或
多个向患者递送治疗，同时，通过感测电路20感测多个电极的电位，并且基于多个电极的电位，计算其中任意两个电极的电位的差值，得到任意两个电极之间的电压。
85.由于感测电活动是在对患者进行递送治疗的情况下同步进行的，因此测得的电压可以在一定程度上反映患者在接受递送治疗时的脑部状况，对患者的后续治疗有着较大的参考价值。
86.在一些实施方式中，所述基于每个电极组合对应的特征信号，从所有电极组合中确定推荐的刺激电极组合可以包括：基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分；以及基于所有电极组合对应的得分，将得分最高的电极组合作为所述推荐的刺激电极组合。
87.在一些实施方式中，所述基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分可以包括：分别配置所述特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度这三个参数对应的权重系数；分别获取每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分；以及基于对应的权重系数，对每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度的得分进行加权求和，得到每个电极组合对应的得分。
88.在一些实施方式中，所述特征信号与所述期望信号的相似度对应的权重系数大于所述特征信号的信号强度的权重系数，所述特征信号的信号强度的权重系数大于所述特征信号的脉宽的权重系数。
89.在一些实施方式中，所述基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与期望信号的相似度中的一种或多种，获取每个电极组合对应的得分可以包括：当所述电极组合对应的特征信号满足预设条件时，基于每个电极组合对应的特征信号的信号强度、脉宽以及所述特征信号与所述期望信号的相似度中的一种或多种，获取所述电极组合对应的得分，所述预设条件包括所述特征信号的信号强度大于预设信号强度和所述特征信号的脉宽满足预设脉宽范围中的一种或多种。
90.在一些实施方式中，所述特征信号与所述期望信号的相似度的获取过程可以如下：将所述特征信号和所述期望信号输入相似度模型，得到所述特征信号和所述期望信号的相似度，其中所述相似度模型是利用预设的深度学习神经网络训练得到的。
91.在一些实施方式中，所述相似度模型的训练过程可以如下：将第一训练信号和第二训练信号输入所述预设的深度学习神经网络，得到所述第一训练信号和所述第二训练信号的预测相似度；基于所述第一训练信号和所述第二训练信号的预测相似度和标注相似度，计算得到预测损失值；以及基于所述预测损失值，对所述预设的深度学习神经网络的参数进行更新，得到所述相似度模型。
92.在一些实施方式中，所述多个电极能够感测的电活动可以包括向所述患者递送治疗的电活动和所述患者自身的生物电活动。
93.一般而言，采集单细胞电信号所需的电极和采集局部场电位所需的电极不一样。单细胞需要小电极或微电极，单细胞采集出来的信号幅值高，频率高。局部场电位需要正常电极或宏电极，采集出来的信号幅值低，频率低。其中，正常电极的尺寸例如是6个平方毫
米。
94.本技术的系统可以利用多个电极感测单细胞的电活动、核团的电活动或者核团局部的电活动。
95.在一些实施方式中，所述患者自身的生物电活动可以是单细胞的电活动、核团的电活动或者核团局部的电活动。
96.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，所述计算机程序被执行时实现本技术实施例中单细胞放电采集方法的步骤，其具体实现方式与上述单细胞放电采集方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
97.图8示出了本实施例提供的用于实现上述单细胞放电采集方法的程序产品300，其可以采用便携式紧凑盘只读存储器(cd
‑
rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本技术中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
98.计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如java、c 等，还包括常规的过程式程序设计语言诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
99.本技术从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本技术以上的说明书及说明书附图，仅为本技术的较佳实施例而已，并非以此局限本技术，因此，凡一切与本技术构造，装置，特征等近似、雷同的，即凡依本技术专利申请范围所作的等同替换或修饰等，皆应属本技术的专利申请保护的范围之内。