Deep Brain Stimulation with a Computational Model for the Cortex-Thalamus-Basal-Ganglia System and Network Dynamics of Neurological Disorders
Notice bibliographique
Résumé
Deep brain stimulation (DBS) can alleviate the movement disorders like Parkinson’s disease (PD). Indeed, it is known that aberrant beta (13-30 Hz) oscillations and the loss of dopaminergic neurons in the basal ganglia-thalamus (BGTH) and cortex characterize the akinesia symptoms of PD. However, the relevant biophysical mechanism behind this process still remains unclear. Based on the prior striatal inhibitory model, we propose an extended BGTH model incorporating medium spine neurons (MSNs) and fast-spiking interneurons (FSIs) along with the effect of DBS. We are focusing in this paper on an open-loop DBS mode, where the stimulation parameters stay constant independent of variations in the disease state, and modifications of parameters rely mainly on trial and error of medical experts. Additionally, we propose a novel combined model of the cerebellar-basal-ganglia thalamocortical network, MSNs, and FSIs and show new results that indicate that Parkinsonian oscillations in the beta-band frequency range emerge from the dynamics of such a network. Our model predicts that DBS can be used to suppress beta oscillations in globus pallidus pars interna (GPi) neurons. This research will help our better understanding of the changes in the brain activity caused by DBS, providing new insight for studying PD in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».