Closed-loop Neuroelectronic Interfaces: In Vitro to Silicon to Clinical Translation
Notice bibliographique
Résumé
Neuroelectronic interfaces enable interaction between biological neural systems and artificial computation. This technology can be applied with the objectives of treating neurological disorders, augmenting biological functionality, and understanding basic neurophysiology. This dissertation outlines the development of devices that actively interpret and control electrical activity in neural tissue. More specifically, interpretation is performed using machine learning to classify neural states which have been learned from pre-recorded examples, and control is achieved by applying electrical waveforms that induce physiological activity. The target application is epilepsy, a disorder that causes seizures in 65 million people worldwide. The underlying brain states in this disorder are distinct and thus classifiable. Creating a link between classification and responsive electrical stimulation to provide meaningful disease treatment is known as closed-loop neuromodulation. This dissertation explores closed-loop neuromodulation in a lab environment (in vitro), using silicon integrated circuits to enable implantable devices (in vivo), and the clinical translation process. Microelectrode arrays (MEAs) enable the in vitro research of disease-relevant neural circuitry and the testing of device-tissue interaction dynamics using brain slices. The OpenMEA system was developed to overcome limitations that hinder both fundamental neuromodulation research and medical device development. A <1ms closed-loop latency is achieved by using a tightly-coupled FPGA, and a novel microfluidics system prevents perfusion-associated microscopy distortion and improves electrode-tissue adherence. Translating discoveries made in vitro to medical devices used in vivo requires the creation of application-specific integrated circuits (ASICs) to support life-long operation with a limited battery capacity. The BrainForest closed-loop system-on-chip is introduced, featuring innovations in low-power neuromorphic computer architecture. BrainForest achieves a seizure sensitivity of >99% and a false detection rate of 0.84 per hour with a power consumption of 118 uW. This enables multi-year personalized neuromodulation using existing battery technology. The clinical translation of neuromodulation ASICs is explored through a pilot study conducted at the Toronto Western Hospital under research ethics board approval. The final chapter outlines the challenges of deployment in a clinical setting, and the solutions developed to convert large volumes of patient data into efficient machine learning models that can run on a chronically implanted device.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,003 | 0,001 |
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 ».