論文の概要: Closed-loop control of seizure activity via real-time seizure forecasting by reservoir neuromorphic computing

• arxiv url: http://arxiv.org/abs/2505.02003v3
• Date: Thu, 25 Sep 2025 11:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 12:02:33.887622
• Title: Closed-loop control of seizure activity via real-time seizure forecasting by reservoir neuromorphic computing
• Title（参考訳）: 貯水池ニューロモルフィックコンピューティングによるリアルタイム発作予測による発作活動の閉ループ制御
• Authors: Maryam Sadeghi, Darío Fernández Khatiboun, Yasser Rezaeiyan, Saima Rizwan, Alessandro Barcellona, Andrea Merello, Marco Crepaldi, Gabriella Panuccio, Farshad Moradi,
• Abstract要約: リアルタイムにパーソナライズされたフリーラン刺激を駆動できるニューロモルフィック貯水池コンピューティングハードウェアシステムを提案する。 このシステムは、トレーニング期間中の発作発生を予測する際に、83.33%の精度を達成する。 本研究は, パーソナライズされたDRE治療のための次世代神経調節戦略としてのニューロモルフィックシステムの可能性を示す。
• 参考スコア（独自算出の注目度）: 31.458406135473805
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Closed-loop brain stimulation holds potential as personalized treatment for drug-resistant epilepsy (DRE) but still suffers from limitations that result in highly variable efficacy. First, stimulation is typically delivered upon detection of the seizure to abort rather than prevent it; second, the stimulation parameters are established by trial and error, requiring lengthy rounds of fine-tuning, which delay steady-state therapeutic efficacy. Here, we address these limitations by leveraging the potential of neuromorphic computing. We present a neuromorphic reservoir computing hardware system capable of driving real-time personalized free-run stimulations based on seizure forecasting, wherein each forecast triggers an electrical pulse rather than an arbitrarily predefined fixed-frequency stimulus train. The system achieves 83.33% accuracy in forecasting seizure occurrences during the training phase. We validate the system using hippocampal spheroids coupled to 3D microelectrode array as a simplified testbed, achieving seizure reduction >97% during the real-time processing while primarily using instantaneous stimulation frequencies within 20 Hz, well below what typically used in clinical practice. Our work demonstrates the potential of neuromorphic systems as a next-generation neuromodulation strategy for personalized DRE treatment, leveraging their sparse and event-driven processing for real-time applications.
• Abstract（参考訳）: クローズドループ脳刺激は、薬剤耐性てんかん(DRE)のパーソナライズされた治療の可能性があるが、それでも高い変動効果をもたらす限界に悩まされている。 第二に、刺激パラメータは試行錯誤によって確立され、長期にわたる微調整が必要で、定常的な治療効果が遅れる。 ここでは、ニューロモルフィックコンピューティングの可能性を活用することにより、これらの制限に対処する。 本稿では、発作予測に基づいてリアルタイムにパーソナライズされたフリーラン刺激を駆動できるニューロモルフィック貯水池コンピューティングハードウェアシステムを提案する。 このシステムは、トレーニング期間中の発作発生を予測する際に、83.33%の精度を達成する。 我々は,3次元マイクロ電極アレイに結合した海馬スフェロイドを簡易なテストベッドとして使用し,リアルタイム処理中に97%の発作抑制を実現した。 本研究は, パーソナライズされたDRE治療のための次世代神経調節戦略としてのニューロモルフィックシステムの可能性を示し, そのスパース処理とイベント駆動処理をリアルタイム応用に活用する。

関連論文リスト

• Temporal Basis Function Models for Closed-Loop Neural Stimulation [1.9686770963118383]
  クローズドループ神経刺激はパーキンソン病(PD)のような神経疾患に対する新しい治療法を提供する 人工知能(AI)技術が個々の患者に対してクローズドループ刺激を調整できるのか、あるいは新たな治療法を特定できるのかはまだ明らかになっていない。 これらの問題に対処するための時間的基底関数モデル(TBFM)を提案する。
  論文  参考訳（メタデータ） (2025-07-21T06:21:58Z)
• An Empirical Investigation of Reconstruction-Based Models for Seizure Prediction from ECG Signals [0.0]
  てんかん発作(Epileptic seizures)は、脳の異常で過剰な神経活動が特徴の神経疾患である。 伝統的に、脳波信号は発作予知の主要な標準となっている。 本研究は発作予測の代替手段として心電図信号を活用することに焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-11T09:33:11Z)
• A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures [10.250114060511134]
  本稿では,発作の進行(発生に間に合う)予測を目的とした革新的なフレームワークを提案する。 本フレームワークでは,非侵襲脳波(EEG)および心電図(ECG)センサのネットワークから,高度なディープラーニング(DL)技術を用いてパーソナライズされたデータを利用する。 29例中95%の感度,98%の特異性,97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-10-26T04:06:09Z)
• Stabilized Neural Prediction of Potential Outcomes in Continuous Time [23.128421664169654]
  安定化連続時間逆確率ネットワーク(SCIP-Net)と呼ばれる新しい手法を提案する。 連続時間における時間変化の共起の適切な調整を行う最初の神経学的手法である。
  論文  参考訳（メタデータ） (2024-10-04T15:29:11Z)
• Confidence Regulation Neurons in Language Models [91.90337752432075]
  本研究では,大規模言語モデルが次世代の予測において不確実性を表現・規制するメカニズムについて検討する。 エントロピーニューロンは異常に高い重量ノルムを特徴とし、最終層正規化(LayerNorm)スケールに影響を与え、ロジットを効果的にスケールダウンさせる。 ここで初めて説明するトークン周波数ニューロンは、各トークンのログをそのログ周波数に比例して増加または抑制することで、出力分布をユニグラム分布から遠ざかる。
  論文  参考訳（メタデータ） (2024-06-24T01:31:03Z)
• 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)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Robust alignment of cross-session recordings of neural population activity by behaviour via unsupervised domain adaptation [1.2617078020344619]
  本研究では,同じ動物から記録された未確認データから行動関連潜伏動態を推定できるモデルを提案する。 教師なし領域適応と、複数のセッションで訓練された逐次変分オートエンコーダを組み合わせることで、見つからないデータに対して優れた一般化が達成できることを示す。
  論文  参考訳（メタデータ） (2022-02-12T22:17:30Z)
• An Adiabatic Capacitive Artificial Neuron with RRAM-based Threshold Detection for Energy-Efficient Neuromorphic Computing [62.997667081978825]
  神経細胞の体細胞膜電位を誘導するために, 断熱性シナプスコンデンサを特徴とする人工ニューロンを提案する。 最初の4-bit adiabaticacacitive neuron proof-of-conceptの例では、90%のシナプスエネルギーが節約された。
  論文  参考訳（メタデータ） (2022-02-02T17:12:22Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。