論文の概要: Personalized identification, prediction, and stimulation of neural
oscillations via data-driven models of epileptic network dynamics
- arxiv url: http://arxiv.org/abs/2310.13480v1
- Date: Fri, 20 Oct 2023 13:21:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 22:54:54.259843
- Title: Personalized identification, prediction, and stimulation of neural
oscillations via data-driven models of epileptic network dynamics
- Title(参考訳): てんかん性ネットワークダイナミクスのデータ駆動モデルによる神経振動の個人化同定、予測および刺激
- Authors: Tena Dubcek, Debora Ledergerber, Jana Thomann, Giovanna Aiello, Marc
Serra-Garcia, Lukas Imbach and Rafael Polania
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural oscillations are considered to be brain-specific signatures of
information processing and communication in the brain. They also reflect
pathological brain activity in neurological disorders, thus offering a basis
for diagnoses and forecasting. Epilepsy is one of the most common neurological
disorders, characterized by abnormal synchronization and desynchronization of
the oscillations in the brain. About one third of epilepsy cases are
pharmacoresistant, and as such emphasize the need for novel therapy approaches,
where brain stimulation appears to be a promising therapeutic option. The
development of brain stimulation paradigms, however, is often based on
generalized assumptions about brain dynamics, although it is known that
significant differences occur between patients and brain states. We developed a
framework to extract individualized predictive models of epileptic network
dynamics directly from EEG data. The models are based on the dominant coherent
oscillations and their dynamical coupling, thus combining an established
interpretation of dynamics through neural oscillations, with accurate
patient-specific features. We show that it is possible to build a direct
correspondence between the models of brain-network dynamics under periodic
driving, and the mechanism of neural entrainment via periodic stimulation. When
our framework is applied to EEG recordings of patients in status epilepticus (a
brain state of perpetual seizure activity), it yields a model-driven predictive
analysis of the therapeutic performance of periodic brain stimulation. This
suggests that periodic brain stimulation can drive pathological states of
epileptic network dynamics towards a healthy functional brain state.
- Abstract(参考訳): 神経振動は、脳内の情報処理とコミュニケーションの脳特異的なシグネチャであると考えられている。
また、神経疾患の病態的脳活動を反映しており、診断と予測の基礎を提供する。
てんかんは、脳内の振動の異常同期と非同期化を特徴とする最も一般的な神経疾患の1つである。
てんかん症例の約3分の1は薬剤耐性であり、脳の刺激が有望な治療法であると考えられる新しい治療法の必要性を強調している。
しかし、脳刺激のパラダイムの発展は、しばしば脳力学に関する一般的な仮定に基づいているが、患者と脳の状態の間に大きな違いが生じることは知られている。
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個人化予測モデルを抽出するフレームワークを開発した。
モデルは支配的なコヒーレント振動とその動的カップリングに基づいており、神経振動によるダイナミクスの確立された解釈と、患者特有の正確な特徴を組み合わせる。
周期的駆動下での脳-ネットワークダイナミクスのモデルと,周期的刺激による神経エントレーメントのメカニズムとの直接的な対応を構築できることを示す。
この枠組みをてんかん状態(永久的発作活動の脳状態)患者の脳波記録に適用すると、周期的脳刺激の治療効果のモデル駆動予測解析が得られる。
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。
関連論文リスト
- 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) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳(メタデータ) (2023-12-01T05:20:57Z) - Two-compartment neuronal spiking model expressing brain-state specific
apical-amplification, -isolation and -drive regimes [0.7528462379265576]
脳状態特異的神経機構は、過去の知識と文脈的知識と、現在の、入ってくる証拠の流れを組み合わせるのに役立つ。
本研究の目的は、脳-状態特化学習をサポートするのに不可欠な特徴を含む、2成分スパイクニューロンモデルを提供することである。
論文 参考訳(メタデータ) (2023-11-10T14:16:46Z) - Dynamic Brain Transformer with Multi-level Attention for Functional
Brain Network Analysis [33.13374323540953]
ディープニューラルネットワークの出現は、臨床結果の予測に大きな関心を喚起している。
静的脳ネットワーク解析を含む従来のアプローチは、脳機能のダイナミズムを捉えるのに限られた可能性を秘めている。
本稿では、静的脳ネットワークと動的脳ネットワークを組み合わせて、より効果的でニュアンスの高い脳機能解析を行う新しい手法であるDynamic bRAin Transformer(DART)を提案する。
論文 参考訳(メタデータ) (2023-09-05T04:17:37Z) - BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph
Diffusion Learning [21.689503325383253]
実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。
臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。
各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
論文 参考訳(メタデータ) (2023-06-15T08:29:10Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳(メタデータ) (2022-12-08T15:16:04Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - 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) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳(メタデータ) (2020-05-22T14:29:51Z) - 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。