Using a Deep Learning Approach for Model-based Control of Deep Brain Stimulation
Notice bibliographique
Résumé
Abstract Deep brain stimulation (DBS) has been developed as a treatment method for various neurological disorders, including Parkinson’s disease, essential tremor and depression. Although DBS is effective, it often loses efficacy over sustained periods because a constant stimulation is applied without adapting to the patient’s current clinical state. In contrast, an adaptive closed-loop DBS system can offer more tailored stimulation in real-time based on a feedback biomarker. In early 2024, we developed a model-based DBS control framework that consists of three main functions: (1) a biophysically reasonable encoding model, (2) a simple decoding model, and (3) a controller. We used a polynomial fit function in the decoding model to approximate the neural-motor relationship, from DBS-induced Vim neural activity to muscle fiber electromyography (EMG). Despite promising results, the polynomial method is inaccurate in capturing the full representation of the neural-motor (EMG) function across different DBS frequencies. In this work, to capture the nonlinear intricate relationship between the neural and EMG patterns, we developed a one-dimensional convolutional neural network (1-D CNN) as a decoding model to predict the EMG signal directly from the DBS-induced Vim neural activity. The 1-D CNN network outputted a high R 2 value of 0.997 which significantly outperformed the polynomial method (R 2 = 0.277) and a deep learning approach based on long short-term memory (R 2 = 0.296). We anticipate that our work highlights the need for a data-driven approach that can reliably map neural activities to symptomatic signals like EMG for better adjusting DBS parameters.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».