数据驱动的脑刺激响应仿真:一种用于闭环神经调控的系统辨识方法,在自适应脑深部刺激中试点
Data-driven simulation of the brain's response to stimulation: a system identification approach for closed-loop neuromodulation, piloted in adaptive deep brain stimulation
预印本 · 尚未经过同行评审
用SINDy从EEG数据辨识脑动力学模型构建仿真环境,测试的aDBS控制器比连续DBS节能最高20.2%。
闭环神经调控使用生理标志物来控制刺激。开发此类控制器需要探索大量策略与参数空间,这在有人参与的在环(human-in-the-loop)条件下往往不可行。仿真环境提供了一种替代方案。针对帕金森病的自适应脑深部刺激(aDBS)是一个典型应用:生理标志物的识别进展迅速,而临床上可用的控制仅限于阈值策略和比例策略。我们提出使用非线性动力学的稀疏识别(SINDy)框架,分别辨识有脑深部刺激(DBS)和无DBS时的大脑动力学模型。这些模型从已有记录中事后辨识得到,介于抽象的自下而上模型与真实但难以获取的人在环之间。模型从真实初始条件出发预测神经活动,从而构建一个仿真环境,用于对DBS变化进行“what if”分析。在一项使用单名受试者EEG数据的概念验证中,我们训练并评估了阈值控制、比例控制、比例-积分-微分(PID)控制以及近端策略优化(PPO)控制,目标是在最低能量下使仿真数据被判定为DBS ON。在空间滤波后的EEG上拟合的SINDy模型保持了DBS条件特异性特征。所有aDBS控制器都比连续DBS(cDBS)更高效地施加刺激,能量最多降低20.2%。比例控制相较阈值控制取得了小幅但显著的增益。PID与PPO相较cDBS取得了相当的奖励优势,其中PPO刺激更为保守,PID节省的能量最多。因此该方法被证明可行,且在该仿真环境内,PID控制是一个有力的先验选择,而深度强化学习的收益可能只有在生理标志物信号更丰富时才会显现。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Human-Computer Interaction · arxiv.org