論文の概要: Reinforcement Learning Framework for Deep Brain Stimulation Study

• arxiv url: http://arxiv.org/abs/2002.10948v1
• Date: Sat, 22 Feb 2020 16:48:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 19:20:08.910743
• Title: Reinforcement Learning Framework for Deep Brain Stimulation Study
• Title（参考訳）: 深部脳刺激研究のための強化学習フレームワーク
• Authors: Dmitrii Krylov, Remi Tachet, Romain Laroche, Michael Rosenblum, Dmitry V. Dylov
• Abstract要約: 脳内の機能不全ニューロンは時折同期して活動し、多くの神経疾患を引き起こすとされる。 本稿では、このニューロンの集合的挙動をエミュレートする最初の強化学習体育館の枠組みについて述べる。 我々は,RLによる3つの信号伝達系に対する同期の抑制に成功し,フレームワークの雑音に対する安定性を特徴付けるとともに,複数のPPOエージェントを係合させることにより不要な振動を除去した。
• 参考スコア（独自算出の注目度）: 10.505656411009388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malfunctioning neurons in the brain sometimes operate synchronously, reportedly causing many neurological diseases, e.g. Parkinson's. Suppression and control of this collective synchronous activity are therefore of great importance for neuroscience, and can only rely on limited engineering trials due to the need to experiment with live human brains. We present the first Reinforcement Learning gym framework that emulates this collective behavior of neurons and allows us to find suppression parameters for the environment of synthetic degenerate models of neurons. We successfully suppress synchrony via RL for three pathological signaling regimes, characterize the framework's stability to noise, and further remove the unwanted oscillations by engaging multiple PPO agents.
• Abstract（参考訳）: 脳内の機能不全ニューロンは時折同期的に活動し、パーキンソン病など多くの神経疾患を引き起こすとされる。 したがって、この集団同期活動の抑制と制御は神経科学にとって非常に重要であり、生きた人間の脳を実験する必要があるため、限られた技術試験にのみ依存することができる。 本稿では、このニューロンの集合的挙動をエミュレートし、神経細胞の合成退化モデルの環境に対する抑制パラメータを見つけることができる最初の強化学習ジムフレームワークを提案する。 我々は,RLによる3つの信号伝達系に対する同期の抑制に成功し,フレームワークの雑音に対する安定性を特徴付けるとともに,複数のPPOエージェントを係合させることにより不要な振動を除去した。

関連論文リスト

• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  しきい値単位の動的代替として人工内蔵ニューロン(AKOrN)を導入する。 このアイデアは、幅広いタスクにまたがってパフォーマンス改善をもたらすことを示しています。 これらの経験的結果は、神経表現の最も基本的なレベルにおいて、私たちの仮定の重要性を示していると信じている。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• The Neuron as a Direct Data-Driven Controller [43.8450722109081]
  本研究は、ニューロンを最適フィードバックコントローラとして概念化し、予測を最適化する現在の規範モデルを拡張する。 我々は、ニューロンを生物学的に実現可能なコントローラとしてモデル化し、ループダイナミクスを暗黙的に識別し、潜伏状態を推測し、制御を最適化する。 我々のモデルは、従来の、フィードフォワード、即時応答のマカロック-ピッツ-ローゼンブラットニューロンから大きく離れており、ニューラルネットワークを構築するための、新しく生物学的にインフォームドされた基本ユニットを提供する。
  論文  参考訳（メタデータ） (2024-01-03T01:24:10Z)
• Personalized identification, prediction, and stimulation of neural oscillations via data-driven models of epileptic network dynamics [0.0]
  脳波データから直接ててんかん性ネットワークダイナミクスの予測モデルを抽出するフレームワークを開発する。 本研究では,周期運転下での脳ネットワーク力学モデル間の直接対応を構築することができることを示す。 このことは、周期的な脳刺激がてんかん性ネットワークの病態状態を正常な機能的脳状態へと導くことを示唆している。
  論文  参考訳（メタデータ） (2023-10-20T13:21:31Z)
• Novel Reinforcement Learning Algorithm for Suppressing Synchronization in Closed Loop Deep Brain Stimulators [0.6294759639481188]
  パーキンソン病は、脳内の病理振動の変化と発火特性の増大を特徴とする。 深部脳刺激薬(DBS)は、運動回路の同期と病理振動を検査・制御するために用いられる。 本研究は、低消費電力の神経疾患のエピソードにおける神経活動の同期を抑制するための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-25T11:29:55Z)
• Modeling Associative Plasticity between Synapses to Enhance Learning of Spiking Neural Networks [4.736525128377909]
  Spiking Neural Networks(SNN)は、ニューラルネットワークの第3世代であり、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする。 本稿では,シナプス間の結合可塑性をモデル化し,頑健で効果的な学習機構を提案する。 本手法は静的および最先端のニューロモルフィックデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-07-24T06:12:23Z)
• When, where, and how to add new neurons to ANNs [3.0969191504482243]
  ANNの神経新生は、プルーニングのような他の形態の構造学習と比較しても、未調査で難しい問題である。 神経新生の様々な側面、すなわち学習過程においてニューロンをいつ、どこで、どのように追加するかを研究するための枠組みを紹介する。
  論文  参考訳（メタデータ） (2022-02-17T09:32:08Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)
• The distribution of inhibitory neurons in the C. elegans connectome facilitates self-optimization of coordinated neural activity [78.15296214629433]
  線虫Caenorhabditis elegansの神経系は、昆虫のサイズが小さいにもかかわらず著しく複雑である。 一般的な課題は、システムレベルでの神経組織と神経活動の関係をよりよく理解することである。 我々は,各ニューロンの神経伝達物質同定を近似した,C. elegans Connectomeの抽象シミュレーションモデルを実装した。
  論文  参考訳（メタデータ） (2020-10-28T23:11:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。