脑网络控制理论（Network Control Theory, NCT）近年来被广泛用于解释脑刺激效应，并探索经颅磁刺激（TMS）、经颅直流电刺激（tDCS）等非侵入式脑刺激技术的优化范式。传统最优脑网络控制研究通常将目标设定为：在某一时间点把大脑从一个状态转移到另一个目标状态。然而，大脑活动本质上是连续演化的时间序列，同时还包含自发神经波动和随机噪声；用“状态”描述病理脑动力学，难以全面刻画真实脑刺激干预的目标。

针对这一问题，本研究提出最优随机跟踪控制框架，将控制目标从“到达单一目标状态”拓展为“使病理脑网络动力学与健康目标动力学在统计特征上保持同步”。研究以脑卒中及卒中后失语患者为例，基于功能磁共振成像（fMRI）和弥散加权成像（DWI）数据，利用梯度下降方法估计脑网络动态系统中的耦合矩阵和方差矩阵，并在此基础上计算不同控制节点的跟踪能量和控制效果。

结果表明，随机跟踪控制能量与脑网络平均可控性呈显著负相关，而传统最优状态转移控制的能量更大程度依赖于所选目标状态本身。在100维脑网络系统中，仅控制5个跟踪能量最低的节点，即可改善超过90%节点的动力学表现。该发现提示，最优随机跟踪控制有望为卒中、卒中后失语等神经系统疾病的脑刺激干预提供低成本、个体化的理论指导。

本研究将脑网络控制从“最优状态转移”推进到“最优动力学跟踪”。这一转变使模型能够同时考虑脑活动的连续时间演化和随机波动，更符合脑刺激干预希望长期改善病理脑动态的实际目标。研究结果表明，最优随机跟踪控制能量与平均可控性之间存在稳定关系，可用于识别更低成本、更具效率的潜在刺激节点。

在临床应用层面，该框架为需要神经调控干预的脑疾病提供了新的计算工具：一方面，它可以评估不同脑区作为刺激靶点时的理论动力学控制成本；另一方面，它能够帮助探索“最少控制节点实现最大动态改善”的刺激策略。未来，结合脑动力学模型、语言相关皮层区域分析以及多模态神经影像数据，该方法有望进一步服务于精准脑刺激和个体化神经康复。

来源：工学院