A Lumped-Element Electrical Model of the Human Head for Brain-Oriented Applications

Riepilogo Tecnico: Un Modello Elettrico a Elementi Concentrati della Testa Umana per Applicazioni Neuro-Orientate

Enunciato del Problema
La stima accurata delle distribuzioni di potenziale elettrico e densità di corrente nei tessuti cranici è fondamentale per la progettazione e la valutazione della sicurezza dei sistemi di neuro-sensoring e neuro-stimolazione (ad esempio, imaging della sorgente EEG, Stimolazione Cerebrale Profonda). Sebbene le tecniche numeriche come FEM, FDM e BEM possano modellare l'anatomia realistica, il loro elevato costo computazionale e la limitata compatibilità con i simulatori di circuiti ostacolano la rapida prototipazione e la valutazione in tempo reale in anello chiuso. Le alternative orientate ai circuiti esistenti, come i modelli a maglia di resistori, spesso si basano su assunzioni puramente resistive che trascurano gli effetti capacitivi e dispersivi. Queste omissioni diventano sempre più significative all'aumentare delle frequenze operative nella gamma del sub-MHz, portando potenzialmente a previsioni inaccurate dei potenziali del cuoio capelluto.

Metodologia
Gli autori propongono un circuito equivalente RC compatto a elementi concentrati (modello surrogato) per la testa umana nell'ambito delle assunzioni elettro-quasi-statiche (EQS). La metodologia prevede i seguenti passaggi:

1. Geometria e Fisica: Il modello utilizza una geometria sferica canonica a tre gusci (cervello, cranio, cuoio capelluto) immersa in una regione di aria infinita. Tiene conto della conduttività ($\sigma(\omega)$) e della permittività ($\varepsilon(\omega)$) dipendenti dalla frequenza dei tessuti, trattando il comportamento dei tessuti attraverso una conduttività complessa e dispersiva.
2. Topologia del Circuito: A differenza di una semplice impilatura in serie, il modello impiega una topologia specifica per ogni strato di tessuto composta da:
   • Impedenza Radiale ($Z^r_i$): Modella il flusso di corrente attraverso lo strato.
   • Impedenza Tangenziale ($Z^\theta_i$): Modella le correnti di ritorno all'interno dello strato.
   • Implementazione: Ogni ramo è realizzato come un elemento RC in parallelo. Le resistenze scalano inversamente alla conduttività, mentre le capacità scalano con la permittività.
   • Condizioni al Contorno: La Legge di Kirchhoff delle Correnti (KCL) ai nodi radiali impone la continuità della densità di corrente totale, associando naturalmente l'accumulo di carica superficiale interfacciale al comportamento capacitivo.
3. Parametrizzazione:
   • Geometria: Un coefficiente adimensionale ($\gamma_i$) accoppia i percorsi tangenziali e radiali, parametrizzato come funzioni polinomiali dei rapporti di raggio per catturare la variabilità morfologica.
   • Modellazione della Sorgente: Un dipolo di corrente intracranico è modellato come una sorgente di corrente. Per gestire dipoli fuori centro (eccentrici), l'impedenza radiale del cervello è suddivisa in due rami asimmetrici ($Z^{r_{up}}_{brain}$ e $Z^{r_{down}}_{brain}$) controllati da un parametro dipendente dall'eccentricità $\alpha(\eta)$.
4. Strategia di Validazione: Il modello è validato contro una soluzione di riferimento semi-analitica basata su armoniche sferiche scalari (SSH). La validazione copre molteplici configurazioni geometriche (variazioni dello spessore del cranio ed eccentricità del dipolo) e un intervallo di frequenze da 10 Hz a 50 kHz.

Contributi Chiave

• Circuito Surrogato Compatto: Sviluppo di una rete RC minimale che riproduce il potenziale di picco del cuoio capelluto generato da una sorgente dipolare intracranica fino a 50 kHz.
• Modellazione Dispersiva: Integrazione esplicita delle proprietà dei tessuti dipendenti dalla frequenza e dei percorsi di corrente di spostamento tramite rami capacitivi, affrontando le limitazioni dei modelli puramente resistivi.
• Gestione dell'Eccentricità: Un metodo per modellare le posizioni delle sorgenti corticali con eccentricità variabile ridistribuendo asimmetricamente le impedenze radiali del cervello.
• Compatibilità con la Reciprocità: Il modello è progettato per supportare sia le applicazioni di sensing che quelle di stimolazione tramite il teorema di reciprocità.

Risultati

• Accordo con il Riferimento: Il modello a elementi concentrati dimostra un buon accordo con la soluzione di riferimento SSH. L'Errore Relativo Medio in Frequenza (MRFE) per il potenziale di picco del cuoio capelluto aumenta moderatamente con l'eccentricità del dipolo e le variazioni dello spessore del cranio, ma rimane complessivamente basso. La massima sensibilità è osservata per dipoli altamente eccentrici.
• Impatto della Dispersione e della Capacità: L'analisi comparativa di tre configurazioni di circuito (puramente ohmico, sola conduttività dispersiva e RC dispersivo completo) rivela errori significativi quando gli effetti capacitivi e dispersivi vengono ignorati:
  • Puramente Ohmico: Porta a una sovrastima sostanziale della tensione del cuoio capelluto, con errori che superano il 100% all'estremo superiore della banda di frequenza (50 kHz) e diventano apprezzabili anche a decine di hertz.
  • Sola Conduttività Dispersiva: Riduce significativamente l'errore, ma lascia ancora discrepanze superiori al 10% (con un picco del 17% vicino a 1,7 kHz).
  • RC Dispersivo Completo: Necessario per minimizzare l'errore, confermando che una modellazione accurata al di sotto dei 50 kHz richiede di tenere conto sia dell'impedenza dipendente dalla frequenza che dei percorsi di corrente capacitivi.

Significato e Affermazioni
Il documento afferma che il circuito proposto fornisce un modello surrogato pratico che bilancia l'efficienza computazionale con l'accuratezza fisica. Preservando la fisica rilevante del regime EQS all'interno di una lista di nodi di circuito compatta, consente una rapida prototipazione di dispositivi e l'integrazione a livello di circuito per applicazioni di neuro-ingegneria. Gli autori sottolineano che trascurare la dispersione e i percorsi capacitivi porta a una sovrastima sistematica dei potenziali del cuoio capelluto, evidenziando la necessità del loro approccio RC dispersivo per l'analisi comportamentale a banda larga. Il modello è presentato come una base per lavori futuri che coinvolgono dipoli tangenziali, conduttività anisotrope e geometrie della testa più realistiche, mantenendo al contempo la compattezza del circuito.