論文の概要: Multi-objective optimization via evolutionary algorithm (MOVEA) for
high-definition transcranial electrical stimulation of the human brain
- arxiv url: http://arxiv.org/abs/2211.05658v2
- Date: Mon, 3 Apr 2023 19:55:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 18:35:54.070353
- Title: Multi-objective optimization via evolutionary algorithm (MOVEA) for
high-definition transcranial electrical stimulation of the human brain
- Title（参考訳）: 進化アルゴリズム(movea)によるヒト脳の高分解能経頭蓋電気刺激の多目的最適化
- Authors: Mo Wang, Kexin Lou, Zeming Liu, Pengfei Wei, Quanying Liu
- Abstract要約: 経頭蓋電気刺激(TES)戦略では、標的領域の強度、焦点度、刺激深度、回避ゾーンなどの複数の目的を検討する必要がある。
異なる戦略を比較し、トレードオフを比較するための計算フレームワークを提案する。
MOVEAは経頭蓋電流刺激(tACS)と経頭蓋時間刺激(tTIS)の両方に適している
- 参考スコア（独自算出の注目度）: 8.977167559181984
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Designing a transcranial electrical stimulation (TES) strategy requires
considering multiple objectives, such as intensity in the target area,
focality, stimulation depth, and avoidance zone, which are often mutually
exclusive. A computational framework for optimizing different strategies and
comparing trade-offs between these objectives is currently lacking. In this
paper, we propose a general framework called multi-objective optimization via
evolutionary algorithms (MOVEA) to address the non-convex optimization problem
in designing TES strategies without predefined direction. MOVEA enables
simultaneous optimization of multiple targets through Pareto optimization,
generating a Pareto front after a single run without manual weight adjustment
and allowing easy expansion to more targets. This Pareto front consists of
optimal solutions that meet various requirements while respecting trade-off
relationships between conflicting objectives such as intensity and focality.
MOVEA is versatile and suitable for both transcranial alternating current
stimulation (tACS) and transcranial temporal interference stimulation (tTIS)
based on high definition (HD) and two-pair systems. We performed a
comprehensive comparison between tACS and tTIS in terms of intensity, focality,
and steerability for targets at different depths.MOVEA facilitates the
optimization of TES based on specific objectives and constraints, advancing
tTIS and tACS-based neuromodulation in understanding the causal relationship
between brain regions and cognitive functions and in treating diseases. The
code for MOVEA is available at https://github.com/ncclabsustech/MOVEA.
- Abstract（参考訳）: 経頭蓋電気刺激(tes)戦略の設計には、目標領域の強度、焦点距離、刺激深度、回避ゾーンなど、しばしば互いに排他的である複数の目的を考慮する必要がある。
異なる戦略を最適化し、これらの目標間のトレードオフを比較するための計算フレームワークは現在不足している。
本稿では,TES戦略の設計における非凸最適化問題に対して,事前定義された方向のないMOVEA(Multi-Objective Optimization)を提案する。
MOVEAはパレート最適化を通じて複数の目標の同時最適化を可能にし、手動の重量調整なしでパレートフロントを生成し、より多くの目標に容易に拡張できる。
このパレート前線は、強度や焦点性といった相反する目標間のトレードオフ関係を尊重しながら、様々な要求を満たす最適な解からなる。
moveaは多用途で、high definition (hd) と two-pair システムに基づく経頭蓋交互電流刺激 (tacs) と経頭蓋側時間刺激 (ttis) の両方に適している。
我々は,tacsとttiの包括的比較を行った。moveaは脳領域と認知機能との因果関係の理解や疾患の治療において,特定の目的と制約に基づく tes の最適化,tti と tacs ベースのニューロモジュレーションを促進する。
MOVEAのコードはhttps://github.com/ncclabsustech/MOVEAで公開されている。
関連論文リスト
- Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization [1.8130068086063336]
本稿では,SOMMOP(Single-Objective Multi-Modal Optimization)とMOO(Multi-Objective Optimization)の両方に焦点を当てる。
SOMMOPではニッチ技術とカオス進化を統合し,ガウス突然変異を併用したパーシスタンス・クラスタリングを行った。
MOOでは,これらの手法を不確実性に基づく選択,適応的チューニングを組み込んだ包括的フレームワークに拡張し,決定論的群集に半径(R)の概念を導入する。
論文 参考訳（メタデータ） (2024-11-12T15:18:48Z) - C-MORL: Multi-Objective Reinforcement Learning through Efficient Discovery of Pareto Front [9.04360155372014]
制約付きMORLは制約付きポリシー最適化とMORLのシームレスなブリッジである。
我々のアルゴリズムは、離散的かつ連続的な制御タスクにおいて、ハイパーボリューム、期待されるユーティリティ、およびスパーシリティという観点でより一貫性があり、優れた性能を達成する。
論文 参考訳（メタデータ） (2024-10-03T06:13:56Z) - Multi-task multi-constraint differential evolution with elite-guided knowledge transfer for coal mine integrated energy system dispatching [9.050846217690856]
既存の制約付き多目的進化アルゴリズムは、複数の小さく不規則な実現可能な領域を見つけるのに苦労している。
本稿では、分散相関ドメイン知識を組み込んだマルチタスク進化アルゴリズムフレームワークを開発する。
石炭鉱山統合エネルギーシステムのケーススタディにおいて, 実現可能性, 収束性, 多様性に関する提案アルゴリズムを実証した。
論文 参考訳（メタデータ） (2024-06-29T10:00:16Z) - Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳（メタデータ） (2024-06-19T07:17:04Z) - Collaborative Ground-Space Communications via Evolutionary Multi-objective Deep Reinforcement Learning [113.48727062141764]
地中直接通信を実現するために,分散コラボレーティブビームフォーミング(DCB)に基づくアップリンク通信パラダイムを提案する。
DCBは、低軌道(LEO)衛星と効率的な直接接続を確立することができない端末を分散アンテナとして扱う。
本稿では,進化的多目的深層強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:13:02Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - Knowledge Transfer for Dynamic Multi-objective Optimization with a
Changing Number of Objectives [4.490459770205671]
DMOPの目的が変化する状態遷移アルゴリズムには,十分な多様性が欠如していることが示される。
本稿では,変化後の多様性を高めるために,知識伝達動的多目的進化アルゴリズム(KTDMOEA)を提案する。
論文 参考訳（メタデータ） (2023-06-19T01:54:44Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - PD-MORL: Preference-Driven Multi-Objective Reinforcement Learning
Algorithm [0.18416014644193063]
本稿では,連続ロボット作業にスケーラブルな選好空間全体をカバーするために,単一のユニバーサルネットワークをトレーニングする新しいMORLアルゴリズムを提案する。
PD-MORLは、連続制御タスクに挑戦するために最大25%大きなハイパーボリュームを達成する。
論文 参考訳（メタデータ） (2022-08-16T19:23:02Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳（メタデータ） (2020-12-10T03:24:53Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z)
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。