Closed-Loop Estimation Method of Neurostimulation Strength-Duration Curve Using Fisher Information Optimization
Notice bibliographique
Résumé
BACKGROUND: The existing estimation methods of strength-duration (SD) curve are based on open-loop uniform and/or random pulse durations, which are chosen without feedback from neuronal data. OBJECTIVE: To develop a closed-loop estimation method of the SD curve, where the pulse durations are adjusted iteratively using the neuronal data. METHOD: In the proposed method, after the selection of each pulse duration through Fisher information matrix (FIM) optimization, the corresponding motor threshold (MT) is computed, the SD curve estimation is updated, and the process continues until satisfaction of a stopping rule. RESULTS: 250 simulation cases were run, and the results were compared with the iterative random and uniform sampling methods. The FIM method satisfied the stopping rule in 90% runs and estimated the rheobase (chronaxie in parenthesis) with an average absolute relative error (ARE) of 1.57% (2.15%), with an average of 85 samples. At the FIM termination sample, methods with two and all random pulse durations, and uniform methods with descending, ascending and random orders led to 5.69% (20.09%), 2.22% (3.93%), 7.34% (40.90%), 3.10% (4.44%), and 2.05% (3.45%) AREs. CONCLUSIONS: The FIM method proposes the SD identification by fitting to the data of the minimum and maximum pulse durations. The range of pulse duration should cover the vertical and horizontal parts of the SD curve. Iterative random or uniform samples from only the vertical or horizontal areas of the curve might not result in satisfactory estimation. SIGNIFICANCE: This paper provides insights about pulse durations selection for SD curve estimation.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».