本发明涉及静息态脑电rtms诊疗技术领域，尤其涉及静息态脑电rtms疗效预测及干预闭环反馈诊疗方法。
背景技术：
经颅磁刺激技术是一项基于电磁感应与电磁转换原理，利用刺激发生器内高压电容产生高压电流作用于刺激线圈，线圈中产生的时变磁场无衰减地穿透颅骨，刺激大脑皮层以及外周神经，改变神经细胞的动作电位，影响脑内递质代谢和神经电活动，从而引发系列生理生化反应的磁刺激技术。重复经颅磁刺激(repeatedtranscranialmagneticstimulation，rtms)是经颅磁刺激技术中的一种刺激模式，是一种无痛、无创的神经调控方法，高频(＞5hz)rtms刺激下可诱导突触传递功能的长时程增强(ltp)，有易化局部神经元活动、提高大脑皮质的兴奋性的作用。低频(≤1hz)rtms刺激引起长时程抑制(ltd)，有抑制局部神经元活动、降低大脑皮层的兴奋性的作用。rtms通过改变其刺激频率，调节大脑兴奋与抑制、脑区与脑区之间的功能连接来治疗疾病。
近年来，失眠症患者逐年增加，已成为全球第二大流行性精神疾病，我国普通人群失眠障碍的患病率约为15％，长期慢性失眠是抑郁症、焦虑症、痴呆等疾病的高风险因素之一，也是促进心血管疾病、癌症发生进展的潜在巨大风险，严重威胁和影响患者身体健康和生活质量，然而，约40％的患者在经过认知行为疗法、常规失眠药物治疗后，症状仍未达到持续缓解。
rtms在治疗失眠方面具有一定疗效。但是，rtms干预失眠的临床实践中存在几个问题：一、刺激靶点和刺激模式的选择过于随意和盲目，治疗效果具有随机性；二、rtms干预慢性失眠患者存在显著的个体差异，导致了治疗效果的不确定性和难以预测性；三、目前在rtms干预失眠症的过程中，尚缺乏集全面评估-疗效预测-精准干预为一体的高效反馈闭环诊疗体系，在一定程度上影响了总体治疗效率。因此，现有技术体系存在缺陷，需要改进。
技术实现要素：
本发明的目的是克服现有技术的不足，提供静息态脑电rtms疗效预测及干预闭环反馈诊疗方法。
本发明的技术方案如下：提供静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，包括以下步骤：
步骤1：使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，然后利用脑电信号采集设备获取失眠障碍患者的rtms治疗前的静息态脑电rseeg信号；
步骤2：提取脑网络特征；
步骤3：将健康群体脑电特征常模与行为学检测数据融合，利用人工智能手段构建rtms疗效预测模型体系；
步骤4：通过所提取的脑网络特征制定个性化干预方案，优化靶点及频率；
步骤5：通过机器学习模型构建预测模型体系对患者进行疗效预测模型初筛，分为有效组及无效组；
步骤6：对有效组的患者进行传统靶点rdlpfc1hz及方案的定位rtms治疗；
步骤7：患者经过20次rtms治疗后，使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，psqi减分≥3分或psqi减分率≥25％认为治疗有效，则进入巩固治疗，并将治疗的疗效反馈结果再次输入疗效预测模型，通过人工智能学习训练，实现模型的动态优化；否则认为治疗无效，则将患者分类至无效组；
步骤8：对步骤5中分类为无效组的患者进行静息态大脑mri扫描，通过个体化头模溯源分析获取基于eeg的个体化脑网络特征，并与健康群体脑网络特征常模进行比对，寻找特异性频段及对应脑区；
步骤9：对步骤7中分类为无效组的患者，根据步骤8中的特异性频段及对应脑区，进行个性化靶点构建及频率选择；
步骤10：根据步骤9中构建的个性化靶点及频率，通过精准神经导航系统对在步骤7中被分类为无效组的患者进行神经导航下rtms治疗；
步骤11：患者经过20次神经导航rtms治疗后，使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，psqi减分≥3分或psqi减分率≥25％认为治疗有效，则进入巩固治疗；否则认为患者属于治疗不敏感群体，建议进行其他模式的治疗方式。
进一步地，所述步骤1的具体步骤为：
步骤1.1：让患者取舒适坐位，采用电极帽及直流放大器进行连续脑电信号记录；
步骤1.2：头顶fcz电极作为参考，前额afz电极作为接地，通道阻抗保持在5kω以下，采样率为5000hz；
步骤1.3：分别采集患者睁眼状态及闭眼状态各8min的rseeg数据；
步骤1.4：对采集的rseeg数据进行处理，生成的个体头模，利用sloreta方法和eeglab软件，对脑电成分电流密度的皮层分布进行溯源定位。
进一步地，所述步骤2的具体步骤为：
步骤2.1：进行rseeg源定位；
步骤2.2：采用通过独立成分分析从fmri得出的31个rois，进一步计算每对rois包含的顶点之间相干性虚部绝对值的平均值以代表每对rois之间连接；
步骤2.3：通过阈值选取建立脑功能网络；
步骤2.4：选择合适阈值使各任务下的脑功能网络拥有相同数量的边，利用基于图论的复杂网络理论，从全局水平和局部水平对构建的脑功能网络进行拓扑分析；
步骤2.5：将构建的脑网络与健康群体标准化脑网络做对比，得出异常脑网络连接情况及频段特征。
进一步地，所述步骤3中构建rtms疗效预测模型体系的具体步骤如下：
步骤3.1：采用偏最小二乘法进行脑电特征与行为学指标的相关性分析；
步骤3.2：保留相关性强的特征，即初步提取疗效预测因子；
步骤3.3：基于预测因子，使用支持向量机模型、相关向量机模型对量表数据进行回归，使用随机森林、xgboost对治疗效果进行分类，比较、选择分类准确性最高的方法建立临床疗效预测模型。
进一步地，所述步骤8的具体步骤为：
步骤8.1：让患者保持安静平台在mri扫描仪里并闭上眼睛，保持清醒并尽量不想事情；
步骤8.2：通过mri扫描仪对患者进行扫描，获得结构mri扫描参数；
步骤8.3：使用mricron软件将结构像数据进行格式转换及预处理，随后通过matlab及fsl软件完成相应数据处理，把需要导航精准定位的靶点坐标计算出来。
进一步地，步骤9的具体步骤为：
步骤9.1：根据步骤2提取的患者的脑网络特征以及健康人群的脑电数据，通过eeg分析处理平台，得到失眠患者个体差异性脑网络特征；
步骤9.2：将收集的失眠障碍人群及健康人群的脑电数据，通过eeg分析处理平台，得到失眠患者群体差异性脑网络特征；
步骤9.3：将失眠患者个体差异性脑网络特征与失眠患者群体差异性脑网络特征进行比对，寻找相互重叠的脑网络特征异常区域作为靶点；
步骤9.4：选择相应的脑区，根据脑连接异常相对应的频段区间进行调制，脑连接减少时使用高频，脑连接增强时使用低频，最终确定刺激频率。
采用上述方案，本发明将eeg、脑结构、心理行为学检测数据等多源异构数据融合，引入疗效预测模型，通过价格便宜、便携性好的eeg采集，将患者进行疗效预测和分类；另外，在治疗前和治疗中对治疗效果进行评估及反馈，不仅有利于操作者对治疗方案作出调整，也有利于预测模型自身的动态优化；同时，对治疗不敏感患者进行个体化方案制定及导航下精准调控，对于精准治疗20次仍效果不佳的患者，进行合理的医学建议；本发明涉及一个覆盖评估-分类-治疗-再评估-再治疗的闭环反馈诊疗系统，在减少rtms治疗盲目性、提高rtms治疗精准性、实现rtms干预高效化的同时，大大节约了社会资源及医疗成本，具有重要的应用价值。
附图说明
图1为本发明的流程框图。
图2为个性化靶点构建及频率选择的流程框图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
请参阅图1，本发明提供静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，包括以下步骤：
步骤1：使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，然后利用脑电信号采集设备获取失眠障碍患者的rtms治疗前的静息态脑电rseeg信号。
步骤1.1：让患者取舒适坐位，采用braincap电极帽及64通道brainamp直流放大器进行连续脑电信号记录。
步骤1.2：头顶fcz电极作为参考，前额afz电极作为接地，通道阻抗保持在5kω以下，采样率为5000hz。
步骤1.3：分别采集患者睁眼状态及闭眼状态各8min的rseeg数据；采集过程中需要控制光线且保持安静，避免对患者的脑电信号产生干扰。
步骤1.4：对采集的rseeg数据进行处理，生成的个体头模，利用sloreta方法和eeglab软件，对脑电成分电流密度的皮层分布进行溯源定位。通过artist全自动去噪法对闭眼状态及睁眼状态各8min的rseeg数据进行预处理，其中步骤包括：去除直流电漂移、眼动干扰去除、降采样率至250hz、带通滤波1～45hz、坏通道替代、数据分段为2s片段，去除坏片段，去除坏通道并插值，独立成分分析后去除伪差成分，采用平均参考。脑电溯源分析基于结构mri数据生成的个体头模，利用sloreta方法和eeglab软件，对脑电成分电流密度(currentdensity)的皮层分布进行溯源定位。电流密度的分布比较采用基于体素的随机检验方法(随机次数10000次)，多重比较校正采用随机统计非参数图像(statisticalnon-parametricmapping)方法，以上分析均可通过自动化eeg分析及处理平台实现。
步骤2：提取脑网络特征。
步骤2.1：进行rseeg源定位。通过openmeeg软件基于mni脑模板计算出3层(头皮、颅骨和皮层表面)的边界元素头模，在皮层表面3003个顶点生成旋转偶极子。通过边界元素头模获得偶极子活动的引导场矩阵，再使用最小范数估计算法(weightedminimumnormestimate，wmne)方法计算皮层电流密度，同时使用深度加权弥补表面源的内在偏倚，采用正则化减少最小范数估计对噪音的敏感性并有效获取空间平滑的解决方案。
步骤2.2：采用通过独立成分分析从fmri得出的31个rois，进一步计算每对rois包含的顶点之间相干性虚部绝对值的平均值以代表每对rois之间连接(共465对rois连接)。计算源层面感兴趣区(regionofinterest，roi)之间的能量包络连接矩阵，利用相位锁定值(phaselockingvalue，plv)方法计算在δ、θ、α、β以及γ频段上的脑区之间的相位同步。
步骤2.3：将两个脑区信号的加权相位延迟指数(wpli)、相干性(coherence)、能量包络(powerenvelope)作为相应顶点之间的连接边的权重，通过阈值选取建立稀疏的、权重的、无向的脑功能网络。
步骤2.4：选择合适阈值使各任务下的脑功能网络拥有相同数量的边，利用基于图论的复杂网络理论，从全局水平和局部水平对构建的脑功能网络进行拓扑分析，包括小世界属性、网络效率、模块性及核心节点的识别等。
步骤2.5：将构建的脑网络与健康群体标准化脑网络做对比，得出异常脑网络连接情况及频段特征。
步骤3：将健康群体脑电特征常模与行为学检测数据融合，利用人工智能手段构建rtms疗效预测模型体系。前期本项目组已采用多时间点的eeg/tms-eeg脑电数据结合各时间点神经行为学量表得分，基于机器学习的方法对数据进行挖掘，提取失眠障碍患者的脑电疗效预测因子，根据机器模型预判结果将治疗患者进行二分类，预测效果好的患者进行传统靶点及方案的治疗，即rdlpfc1hz1360个脉冲，预测效果不好的患者进一步将脑网络特征与健康群体脑电特征常模进行比对，寻找特异性频段及对应脑区。
步骤3.1：采用偏最小二乘法(partialleastsquares，pls)进行脑电特征与行为学指标的相关性分析。pls的数学基础为主成分分析(principalcomponentanalysis,pca),是基于因子分析的多变量校正方法。
步骤3.2：保留相关性强的特征，即初步提取疗效预测因子；
步骤3.3：基于特异性预测因子，使用支持向量机模型(supportvectormachine)、相关向量机模型(relevancevectormachine)对量表数据进行回归，使用随机森林(randomforest)、xgboost对治疗效果进行分类，比较、选择分类准确性最高的方法建立高效且稳定的临床疗效预测模型。
步骤4：通过所提取的脑网络特征指定个性化干预方案，优化靶点及频率。
步骤5：通过机器学习模型构建预测模型体系对患者进行疗效预测模型初筛，分为有效组及无效组。
步骤6：对有效组的患者进行传统靶点rdlpfc1hz及方案的定位rtms治疗，即以rdlpfc1hz1360个脉冲的方式对患者进行rtms治疗。rtms经颅磁刺激技术是一种颅外、无创神经调控技术，在大脑头皮表面施加磁刺激可以穿透颅骨在大脑皮层产生感应电流，引起神经元去极化，调节局部大脑皮层兴奋性。采用合适的磁刺激脉冲参数，在某一特定大脑皮层部给予rtms时，刺激停止后其对大脑皮层的作用效果仍会持续一段时间。本系统利用8字型刺激线圈的刺激器进行神经调控。低频刺激方案是刺激频率为1hz，刺激10秒、停1秒，1hz的rtms能够抑制大脑皮层的兴奋性，25分钟的刺激产生的抑制作用将超过60min。高频刺激方案是刺激频率为10hz，刺激1秒、停10秒，1hz的rtms能够抑制大脑皮层的兴奋性而10hz的rtms能够增强大脑皮层兴奋性，本系统采用100％rmt的强度(restmotorthreshold，静息运动阈值)刺激目标脑区，脉冲总数设定在1500-2000个之间。根据提取出的特征性脑网络特征及结果，设定高频或低频，异常脑网络靶区的连接减弱则使用高频，异常脑网络靶区的连接增强则使用低频。
步骤7：患者经过20次rtms治疗后，使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，psqi减分≥3分或psqi减分率≥25％认为治疗有效，则进入巩固治疗，并将治疗的疗效反馈结果再次输入疗效预测模型，通过人工智能学习训练，实现模型的动态优化；否则认为治疗无效，则将患者分类至无效组。
失眠障碍患者除了睡眠质量下降，往往伴随着情感障碍及认知障碍。使用在线检测心理行为学检测系统，主要包括匹兹堡睡眠质量指数(pittsburghsleepqualityindex,psqi)对睡眠质量以及失眠的严重程度进行评估，采用汉密尔顿抑郁量表(hamiltondepressionscale，hamd)及汉密尔顿抑郁量表(hamiltonanxietyscale，hamd)对情绪状态进行评估，采用简明精神状态量表(mmse)及蒙特利尔认知评估(themontrealcognitiveassessment,moca)对认知功能进行评估。
步骤8：对步骤5中分类为无效组的患者进行静息态大脑mri扫描，通过个性化头模溯源分析获取基于eeg的个性化脑网络特征，并与健康群体脑网络特征常模进行比对，寻找特异性频段及对应脑区。
步骤8.1：让患者保持安静平台在mri扫描仪里并闭上眼睛，保持清醒并尽量不想事情。
步骤8.2：通过mri扫描仪对患者进行扫描，获得结构mri扫描参数。结构mri扫描参数：mprage加权序列，矢状位扫描，tr＝2530ms，te＝2.98ms，翻转角＝9°，层厚＝1.0mm，fov＝256×256mm，体素大小＝1×1×1mm。
步骤8.3：使用mricron软件将结构像数据进行格式转换及预处理，随后通过matlab及fsl软件完成相应数据处理，把需要导航精准定位的靶点，如rdlpfc、r-ppc、ac、pc、nasion、ear等坐标计算出来。
步骤9：请参阅图2，对步骤7中分类为无效组的患者，根据步骤8中的特异性频段及对应脑区，进行个性化靶点构建及频率选择；
步骤9.1：根据步骤2提取的患者的脑网络特征以及健康人群的脑电数据，通过eeg分析处理平台，得到失眠患者个体差异性脑网络特征。
步骤9.2：将收集的失眠障碍人群及健康人群的脑电数据，通过eeg分析处理平台，得到失眠患者群体差异性脑网络特征。
步骤9.3：将失眠患者个体差异性脑网络特征与失眠患者群体差异性脑网络特征进行比对，寻找相互重叠的脑网络特征异常区域作为靶点。
步骤9.4：选择相应的脑区，根据脑连接异常相对应的频段区间进行调制，脑连接减少时使用高频，脑连接增强时使用低频，最终确定刺激频率。
步骤10：根据步骤9中构建的个性化靶点及频率，通过精准神经导航系统对在步骤7中分类为无效组的患者进行神经导航下rtms治疗。基于传统靶点或分析系统计算得出的异常脑网络连接异常靶区，将患者mri数据(t1wi_3dmprge)导入visor2软件，采用自动配准和手动配准结合进行配准融合和三维重建。手动配准采用特征性解剖标记重建颅脑结构，以鼻根及双耳为参考点以重建颅骨结构，以前联合、后联合、半球间任意一点以及大脑前后左右上下最边缘点重建脑组织结构。在大脑三维重建图像上可精确定位刺激位点，神经导航用以确定并实时监测tms线圈与刺激点的相对位置。
步骤11：患者经过20次神经导航rtms治疗后，使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，psqi减分≥3分或psqi减分率≥25％认为治疗有效，则进入巩固治疗；否则认为患者属于治疗不敏感群体，建议进行其他模式的治疗方式。
本发明通过对失眠患者进行心理行为学评估，采集患者的静息态eeg数据，提取患者的脑网络特征，进而根据所采集的数据、特征构建疗效预测模型，并通过疗效预测模型将患者分为有效组或无效组。对有效组的患者采取传统靶点rdlpfc1hz治疗，并在进行20次rtms治疗后对心理行为学评估。对于psqi减分≥3分或psqi减分率≥25％认为治疗有效，则巩固治疗，并将治疗的疗效反馈结果再次输入疗效预测模型，通过人工智能学习训练，实现模型的动态优化；对于治疗无效的患者，则纳入无效组中。完善无小组结构mri扫描，构建个体化头模，从而构建个性化靶点及频率，通过精准神经导航系统对患者进行神经导航下rtms治疗。在进行20次rtms治疗后对心理行为学评估，对治疗有效的患者进行巩固治疗，或建议无效患者进行其他模式的治疗方式。通过这一集疗效预测、效果评估、个性化方案制定及模型优化的闭环反馈体系，最大限度的提高患者总体的治疗有效率，节约医疗资源。
综上所述，本发明将eeg、脑结构、心理行为学检测数据等多源异构数据融合，引入疗效预测模型，通过便携式、价格便宜的eeg采集，将患者进行疗效预测和分类；另外，在治疗前和治疗中对治疗效果进行评估及反馈，不仅有利于操作者对治疗方案作出调整，也有利于预测模型自身的动态优化；同时，对治疗不敏感患者进行个体化方案制定及导航下精准调控，对于精准治疗20次仍效果不佳的患者，进行合理的医学建议；本发明是一个覆盖评估-分类-治疗-再评估-再治疗的闭环反馈诊疗系统，在减少rtms治疗盲目性、提高rtms治疗精准性、实现rtms干预高效化的同时，大大节约了社会资源及医疗成本，具有重要的应用价值。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，其特征在于，包括以下步骤：
步骤1：使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，然后利用脑电信号采集设备获取失眠障碍患者的rtms治疗前的静息态脑电rseeg信号；
步骤2：提取脑网络特征；
步骤3：将健康群体脑电特征常模与行为学检测数据融合，利用人工智能手段构建rtms疗效预测模型体系；
步骤4：通过所提取的脑网络特征制定个性化干预方案，优化靶点及频率；
步骤5：通过机器学习模型构建预测模型体系对患者进行疗效预测模型初筛，分为有效组及无效组；
步骤6：对有效组的患者进行传统靶点rdlpfc1hz及方案的定位rtms治疗；
步骤7：患者经过20次rtms治疗后，使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，psqi减分≥3分或psqi减分率≥25％认为治疗有效，则进入巩固治疗，并将治疗的疗效反馈结果再次输入疗效预测模型，通过人工智能学习训练，实现模型的动态优化；否则认为治疗无效，则将患者分类至无效组；
步骤8：对步骤5中分类为无效组的患者进行静息态大脑mri扫描，通过个体化头模溯源分析获取基于eeg的个体化脑网络特征，并与健康群体脑网络特征常模进行比对，寻找特异性频段及对应脑区；
步骤9：对步骤7中分类为无效组的患者，根据步骤8中的特异性频段及对应脑区，进行个性化靶点构建及频率选择；
步骤10：根据步骤9中构建的个性化靶点及频率，通过精准神经导航系统对在步骤7中分类为无效组的患者进行神经导航下rtms治疗；
步骤11：患者经过20次神经导航rtms治疗后，使用在线检测心理行为学测试系统对患者进行心理行为学评估检测，psqi减分≥3分或psqi减分率≥25％认为治疗有效，则进入巩固治疗；否则认为患者属于治疗不敏感群体，建议进行其他模式的治疗方式。
2.根据权利要求1所述的静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，其特征在于，所述步骤1的具体步骤为：
步骤1.1：让患者取舒适坐位，采用电极帽及直流放大器进行连续脑电信号记录；
步骤1.2：头顶fcz电极作为参考，前额afz电极作为接地，通道阻抗保持在5kω以下，采样率为5000hz；
步骤1.3：分别采集患者睁眼状态及闭眼状态各8min的rseeg数据；
步骤1.4：对采集的rseeg数据进行处理，生成的个体头模，利用sloreta方法和eeglab软件，对脑电成分电流密度的皮层分布进行溯源定位。
3.根据权利要求1所述的静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，其特征在于，所述步骤2的具体步骤为：
步骤2.1：进行rseeg源定位；
步骤2.2：采用通过独立成分分析从fmri得出的31个rois，进一步计算每对rois包含的顶点之间相干性虚部绝对值的平均值以代表每对rois之间连接；
步骤2.3：通过阈值选取建立脑功能网络；
步骤2.4：选择合适阈值使各任务下的脑功能网络拥有相同数量的边，利用基于图论的复杂网络理论，从全局水平和局部水平对构建的脑功能网络进行拓扑分析；
步骤2.5：将构建的脑网络与健康群体标准化脑网络做对比，得出异常脑网络连接情况及频段特征。
4.根据权利要求1所述的静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，其特征在于，所述步骤3中构建rtms疗效预测模型体系的具体步骤如下：
步骤3.1：采用偏最小二乘法进行脑电特征与行为学指标的相关性分析；
步骤3.2：保留相关性强的特征，即初步提取疗效预测因子；
步骤3.3：基于预测因子，使用支持向量机模型、相关向量机模型对量表数据进行回归，使用随机森林、xgboost对治疗效果进行分类，比较、选择分类准确性最高的方法建立临床疗效预测模型。
5.根据权利要求1所述的静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，其特征在于，所述步骤8的具体步骤为：
步骤8.1：让患者保持安静平台在mri扫描仪里并闭上眼睛，保持清醒并尽量不想事情；
步骤8.2：通过mri扫描仪对患者进行扫描，获得结构mri扫描参数；
步骤8.3：使用mricron软件将结构像数据进行格式转换及预处理，随后通过matlab及fsl软件完成相应数据处理，把需要导航精准定位的靶点坐标计算出来。
6.根据权利要求1所述的静息态脑电rtms疗效预测及干预闭环反馈诊疗方法，其特征在于，步骤9的具体步骤为：
步骤9.1：根据步骤2提取的患者的脑网络特征以及健康人群的脑电数据，通过eeg分析处理平台，得到失眠患者个体差异性脑网络特征；
步骤9.2：将收集的失眠障碍人群及健康人群的脑电数据，通过eeg分析处理平台，得到失眠患者群体差异性脑网络特征；
步骤9.3：将失眠患者个体差异性脑网络特征与失眠患者群体差异性脑网络特征进行比对，寻找相互重叠的脑网络特征异常区域作为靶点；
步骤9.4：选择相应的脑区，根据脑连接异常相对应的频段区间进行调制，脑连接减少时使用高频，脑连接增强时使用低频，最终确定刺激频率。
技术总结