論文の概要: Balancing Intensity and Focality in Directional DBS Under Uncertainty: A Simulation Study of Electrode Optimization via a Metaheuristic L1L1 Approach

• arxiv url: http://arxiv.org/abs/2506.13452v1
• Date: Mon, 16 Jun 2025 13:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.483211
• Title: Balancing Intensity and Focality in Directional DBS Under Uncertainty: A Simulation Study of Electrode Optimization via a Metaheuristic L1L1 Approach
• Title（参考訳）: 不確実性下における指向性DBSのバランシング強度とフォカリティ:メタヒューリスティックL1L1アプローチによる電極最適化のシミュレーション研究
• Authors: Fernando Galaz Prieto, Antti Lassila, Maryam Samavaki, Sampsa Pursiainen,
• Abstract要約: 本研究の目的は、最近開発されたL1-norm regularized L1-norm fit (L1L1) 法を用いて電極接触構成の選択を改善することである。 我々のフレームワークは、リード場減衰に基づく解空間の制約によって不確実性を取り入れている。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As DBS technology advances toward directional leads and optimization-based current steering, this study aims to improve the selection of electrode contact configurations using the recently developed L1-norm regularized L1-norm fitting (L1L1) method. The focus is in particular on L1L1's capability to incorporate a priori lead field uncertainty, offering a potential advantage over conventional approaches that do not account for such variability. Our optimization framework incorporates uncertainty by constraining the solution space based on lead field attenuation. This reflects physiological expectations about the VTA and serves to avoid overfitting. By applying this method to 8- and 40-contact electrode configurations, we optimize current distributions within a discretized finite element (FE) model, focusing on the lead field's characteristics. The model accounts for uncertainty through these explicit constraints, enhancing the feasibility, focality, and robustness of the resulting solutions. The L1L1 method was validated through a series of numerical experiments using both noiseless and noisy lead fields, where the noise level was selected to reflect attenuation within VTA. It successfully fits and regularizes the current distribution across target structures, with hyperparameter optimization extracting either bipolar or multipolar electrode configurations. These configurations aim to maximize focused current density or prioritize a high gain field ratio in a discretized FE model. Compared to traditional methods, the L1L1 approach showed competitive performance in concentrating stimulation within the target region while minimizing unintended current spread, particularly under noisy conditions. By incorporating uncertainty directly into the optimization process, we obtain a noise-robust framework for current steering, allowing for variations in lead field models and simulation parameters.
• Abstract（参考訳）: 最近開発されたL1-norm regularized L1-norm fit (L1L1) 法を用いて, 電極接触形状の選択を改善することを目的とした。 特に、L1L1が事前の鉛フィールドの不確実性を組み込む能力に焦点が当てられており、そのような変動性を考慮しない従来のアプローチよりも潜在的に有利である。 我々の最適化フレームワークは、リード場減衰に基づく解空間の制約によって不確実性を取り入れている。 これはVTAに対する生理学的な期待を反映し、過度な適合を避けるのに役立つ。 この手法を8-および40-接触電極構成に適用することにより、リード場の特性に着目して、離散有限要素(FE)モデル内の電流分布を最適化する。 このモデルはこれらの明示的な制約を通じて不確実性を考慮し、結果として生じる解の実現可能性、焦点性、堅牢性を高める。 L1L1法は,VTA内での減衰を反映するノイズレベルを選択したノイズレスおよびノイズの多いリード場を用いて,一連の数値実験により検証した。 ターゲット構造間の電流分布の整合と整合に成功し、双極性電極または多極性電極構成を抽出するハイパーパラメータ最適化を行う。 これらの構成は、集中電流密度を最大化したり、離散化されたFEモデルで高利得場比を優先順位付けすることを目的としている。 従来の手法と比較して,L1L1アプローチは,特に雑音条件下では,意図しない電流拡散を最小限に抑えながら,目標領域内の刺激に集中する競争性能を示した。 最適化プロセスに不確実性を直接組み込むことにより、誘導場モデルとシミュレーションパラメータの変動を可能にする電流ステアリングのためのノイズロバストフレームワークを得る。

関連論文リスト

• Alignment of large language models with constrained learning [93.2264691508005]
  本研究では,制約付きアライメント問題に対する最適大言語モデル (LLM) ポリシーの計算問題について検討する。 我々はラグランジアン双対性を用いて、ラグランジアンによるポリシーの更新と双対降下による双対変数の更新を交互に交互に行う反復的双対ベースアライメント法を開発する。
  論文  参考訳（メタデータ） (2025-05-26T01:04:56Z)
• Online Decision-Focused Learning [63.83903681295497]
  意思決定中心学習(DFL)は、意思決定タスクで出力が使用される予測モデルを訓練するパラダイムとして、ますます人気が高まっている。 対象関数が時間とともに進化しない動的環境におけるDFLについて検討する。 決定空間が単純空間であるときと一般有界凸ポリトープであるときの両方において、期待される動的後悔の限界を確立する。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• Optical ISAC: Fundamental Performance Limits and Transceiver Design [5.97536075941862]
  本稿では,光ポイントツーポイントシステムにおける最適容量歪み(C-D)トレードオフを特徴付ける。 我々は、最適速度歪み(R-D)領域を考察し、いくつかの内外境界(OB)を探索する。
  論文  参考訳（メタデータ） (2024-08-21T17:25:40Z)
• Distributionally Robust Off-Dynamics Reinforcement Learning: Provable Efficiency with Linear Function Approximation [8.234072589087095]
  我々は、オフダイナミックス強化学習(RL)を研究し、そこでポリシーはソースドメイン上でトレーニングされ、異なるターゲットドメインにデプロイされる。 オフダイナミックス RL の関数近似を用いたオンライン DRMDP に関する最初の研究を行った。 DR-LSVI-UCBは,関数近似を用いたオフダイナミックスのための高速オンラインDRMDPアルゴリズムである。
  論文  参考訳（メタデータ） (2024-02-23T16:01:44Z)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• Deterministic Langevin Unconstrained Optimization with Normalizing Flows [3.988614978933934]
  我々は,Fokker-Planck方程式とLangevin方程式にインスパイアされたブラックボックス関数に対するグローバルで自由な代理最適化戦略を導入する。 本研究は,標準合成試験関数の最適目的に向けての競争力の向上を実証する。
  論文  参考訳（メタデータ） (2023-10-01T17:46:20Z)
• A Reinforcement Learning based approach for Multi-target Detection in Massive MIMO radar [12.982044791524494]
  本稿では,MMIMO(Multiple input Multiple output)認知レーダ(CR)におけるマルチターゲット検出の問題点について考察する。 本稿では,未知の外乱統計の存在下での認知的マルチターゲット検出のための強化学習(RL)に基づくアルゴリズムを提案する。 定常環境と動的環境の両方において提案したRLアルゴリズムの性能を評価するため, 数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2020-05-10T16:29:06Z)

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。