Optimization of Patient Specific Stimulus for Deep Brain Stimulation Using Spatially Distributed Neural Sources
Notice bibliographique
Résumé
Deep brain stimulation (DBS) becomes the therapy of choice in the later stages of Parkinson's disease (PD) due to the medication's side effects. For effective DBS treatment, it is important to have a controlled dosage of DBS. DBS dosage is administered using the tuning of electrical parameters of the stimulus signal. Since this tuning process is tedious, time-consuming, and patient-specific, there is a need to study the properties of DBS stimulation signal for proper dose administration. We propose a simulation framework to define an optimized DBS stimulus using electroencephalogram (EEG) signals. The objective is to provide a simulation environment inspired by a realistic brain. The framework uses spiking neurons in a reservoir modeled after real brain anatomy and is trained using a biologically inspired spike-time-dependent-plasticity learning algorithm. This reservoir is initially set to OFF-medication state and forced to drift to the ON-medication state by optimizing the synaptic changes. In later testing, the generalization of this framework is verified with EEG-inverse solutions, such as standardized low-resolution electromagnetic tomography, which utilize time-domain EEG signals to estimate neural activations. The stimulus signal is generated by accumulating the variations in synaptic weights in the neural reservoir in the target brain region. We analyze this signal and show that the application of this signal as stimulus results in decreased <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$\beta$</tex-math></inline-formula> -band power in subthalamic-nucleus local field potential compared to OFF-medication local field potential without stimulation. Using SIM4LIFE simulation software, we show that the simulation increases chaos in the local field potential of subthalamic-nucleus neurons and shows that neuron weight variations follow specific trajectories in reconstructed state space.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».