論文の概要: Novel Reinforcement Learning Algorithm for Suppressing Synchronization
in Closed Loop Deep Brain Stimulators
- arxiv url: http://arxiv.org/abs/2212.13260v1
- Date: Sun, 25 Dec 2022 11:29:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 15:10:11.117867
- Title: Novel Reinforcement Learning Algorithm for Suppressing Synchronization
in Closed Loop Deep Brain Stimulators
- Title（参考訳）: 閉ループ脳深部刺激器の同期抑制のための新しい強化学習アルゴリズム
- Authors: Harsh Agarwal, Heena Rathore
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.6294759639481188
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Parkinson's disease is marked by altered and increased firing characteristics
of pathological oscillations in the brain. In other words, it causes abnormal
synchronous oscillations and suppression during neurological processing. In
order to examine and regulate the synchronization and pathological oscillations
in motor circuits, deep brain stimulators (DBS) are used. Although machine
learning methods have been applied for the investigation of suppression, these
models require large amounts of training data and computational power, both of
which pose challenges to resource-constrained DBS. This research proposes a
novel reinforcement learning (RL) framework for suppressing the synchronization
in neuronal activity during episodes of neurological disorders with less power
consumption. The proposed RL algorithm comprises an ensemble of a temporal
representation of stimuli and a twin-delayed deep deterministic (TD3) policy
gradient algorithm. We quantify the stability of the proposed framework to
noise and reduced synchrony using RL for three pathological signaling regimes:
regular, chaotic, and bursting, and further eliminate the undesirable
oscillations. Furthermore, metrics such as evaluation rewards, energy supplied
to the ensemble, and the mean point of convergence were used and compared to
other RL algorithms, specifically the Advantage actor critic (A2C), the Actor
critic with Kronecker-featured trust region (ACKTR), and the Proximal policy
optimization (PPO).
- Abstract（参考訳）: パーキンソン病は、脳の病的振動の発火特性の変化と増加によって特徴づけられる。
言い換えれば、神経処理中に異常な同期振動と抑制を引き起こす。
運動回路の同期と病理振動を検査・制御するために、深部脳刺激薬(DBS)を用いる。
機械学習手法は抑制の研究に応用されているが、これらのモデルは大量のトレーニングデータと計算能力を必要としており、どちらも資源制約DBSに課題を提起している。
本研究では,低消費電力の神経障害エピソードにおけるニューロン活動の同期を抑制するための新しい強化学習(rl)フレームワークを提案する。
提案したRLアルゴリズムは、刺激の時間的表現のアンサンブルと、双遅延深層決定性(TD3)ポリシー勾配アルゴリズムを含む。
提案手法の雑音に対する安定性を定量化し,RLを用いた3つの病態信号系(規則性,カオス性,バースト性)に対する同期を低減し,さらに望ましくない振動を排除した。
さらに、評価報酬、アンサンブルに供給されるエネルギー、平均収束点などの指標を用い、他のRLアルゴリズム、特にアドバンテージアクター批評家(A2C)、クロネッカー機能信頼領域(ACKTR)のアクター批評家(PPO)と比較した。
関連論文リスト
- REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - 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) - {\epsilon}-Neural Thompson Sampling of Deep Brain Stimulation for
Parkinson Disease Treatment [15.303196613362099]
本稿では,Deep Brain Stimulation (DBS) デバイスのためのコンテキスト型マルチアームバンディット (CMAB) ソリューションを提案する。
本研究は,基底神経節(BG)領域における不規則ニューロンの発射活動を捉える信号としてコンテキストを定義した。
エプシロン探索戦略は、古典的なトンプソンサンプリング法の上に導入され、エプシロンニューラルツと呼ばれるアルゴリズムが導かれる。
論文 参考訳（メタデータ） (2024-03-11T15:33:40Z) - Learning Control Policies of Hodgkin-Huxley Neuronal Dynamics [1.629803445577911]
ニューラルネットワークを用いてオフラインで値関数を近似し、フィードバックフォームを介してリアルタイムで制御(刺激)を生成する。
数値実験では, 分布外サンプルに対するアプローチの精度と, 系の緩やかな衝撃や乱れに対する頑健さが示されている。
論文 参考訳（メタデータ） (2023-11-13T18:53:50Z) - Autonomous coherence protection of a two-level system in a fluctuating
environment [68.8204255655161]
我々は、もともと、相互作用しない2レベルシステム(量子ビット)のアンサンブルから静的ドップラー拡大の効果を取り除くことを意図したスキームを再検討する。
このスキームははるかに強力であり、時間と空間に依存するノイズから単一(あるいはアンサンブル)量子ビットのエネルギーレベルを保護できることを示した。
論文 参考訳（メタデータ） (2023-02-08T01:44:30Z) - Limits of Entrainment of Circadian Neuronal Networks [0.0]
概日リズムは哺乳類の様々な重要な生理的・行動的過程の中心にある。
本研究では,周波数・義務周期の異なる外部光信号に対する概日同期の限界を決定するために,現代の計算神経科学モデルについて検討する。
論文 参考訳（メタデータ） (2022-08-23T17:57:21Z) - Neural optimal feedback control with local learning rules [67.5926699124528]
運動制御の大きな問題は、脳がどのように遅延と雑音の刺激に直面して適切な動きを計画し実行するかを理解することである。
本稿では,適応カルマンフィルタとモデル自由制御手法を組み合わせた新しいオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-12T20:02:00Z) - Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons
with Balanced Synapses [0.27998963147546135]
混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。
ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2021-06-10T12:04:03Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2021-01-12T08:36:23Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Reinforcement Learning Framework for Deep Brain Stimulation Study [10.505656411009388]
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。
論文 参考訳（メタデータ） (2020-02-22T16:48:43Z)
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。