帕金森病(Parkinson’s Disease,PD)是一种多发于中老年人群的神经系统退行性疾病,深部脑刺激(Deep Brain Stimulation,DBS)是一种神经外科治疗PD的方法。目前临床使用的开环DBS方法不能根据PD的症状自适应调整刺激,并且极易导致刺激靶点的损伤,以及系统能耗过大。与开环DBS相比,闭环DBS具有按需刺激、自适应刺激等多种刺激方式,缓解PD症状的同时可以减少副作用,降低耗能。因此,闭环DBS控制研究已经成为PD研究的热点,其中对于模型的研究和控制算法的研究是重中之重,但是目前还没有一种用于PD患者闭环DBS的智能低功耗控制算法。针对这些问题,本文的具体研究内容如下:首先对开环DBS和闭环DBS在刺激方式、副作用、能耗等方面进行分析比较,介绍了计算模型作为一个虚拟患者验证闭环DBS控制方法的有效性,针对基于计算模型的闭环DBS控制中的关键技术进行探讨,通过详细阐述基底核(Basal Ganglia,BG)网络的生理结构说明PD的发病与BG网络的病变有关。其次是根据BG网络的生理结构构建BG网络计算模型,对正常、PD和DBS作用下的BG网络计算模型进行节律分析、评估验证。并对闭环DBS中的一些生物标记信号进行阐述,在基于模型的DBS控制中对一些反馈信号的获取方式进行分析,以及阐述了闭环DBS控制系统的评价指标。接着基于BG网络计算模型进行开环DBS波形优化和闭环DBS控制,提出一种基于神经网络预测控制的闭环DBS控制方法,并将其与基于丘脑中继准确度参数的闭环比例积分微分控制、基于突触电导的闭环比例积分微分控制方法在模型误差和刺激能耗方面进行对比。最后结果显示:与使用遗传算法和粒子群算法进行最优参数搜索的开环波形优化相比,闭环DBS对于帕金森状态的改善效果更好能耗更低。在闭环DBS的控制方法中,提出的基于神经网络预测控制的闭环DBS控制频率调节具有最低的误差和刺激能耗,更适合后续在闭环DBS中的使用。