論文の概要: A first realization of reinforcement learning-based closed-loop EEG-TMS
- arxiv url: http://arxiv.org/abs/2602.06907v1
- Date: Fri, 06 Feb 2026 17:58:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.510596
- Title: A first realization of reinforcement learning-based closed-loop EEG-TMS
- Title（参考訳）: 強化学習に基づく閉ループEEG-TMSの最初の実現
- Authors: Dania Humaidan, Jiahua Xu, Jing Chen, Christoph Zrenner, David Emanuel Vetter, Laura Marzetti, Paolo Belardinelli, Timo Roine, Risto J. Ilmoniemi, Gian Luca Romani, Ulf Zieman,
- Abstract要約: 本稿では,機械学習に基づくクローズドループリアルタイムEEG-TMSセットアップの実現について紹介する。
我々は,高位と低位皮質脊髄興奮状態に関連付けられた個々のムラリズムの位相を,ユーザ非依存性に同定した。
- 参考スコア（独自算出の注目度）: 3.117893070437606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Transcranial magnetic stimulation (TMS) is a powerful tool to investigate neurophysiology of the human brain and treat brain disorders. Traditionally, therapeutic TMS has been applied in a one-size-fits-all approach, disregarding inter- and intra-individual differences. Brain state-dependent EEG-TMS, such as coupling TMS with a pre-specified phase of the sensorimotor mu-rhythm, enables the induction of differential neuroplastic effects depending on the targeted phase. But this approach is still user-dependent as it requires defining an a-priori target phase. Objectives: To present a first realization of a machine-learning-based, closed-loop real-time EEG-TMS setup to identify user-independently the individual mu-rhythm phase associated with high- vs. low-corticospinal excitability states. Methods: We applied EEG-TMS to 25 participants targeting the supplementary motor area-primary motor cortex network and used a reinforcement learning algorithm to identify the mu-rhythm phase associated with high- vs. low corticospinal excitability. We employed linear mixed effects models and Bayesian analysis to determine effects of reinforced learning on corticospinal excitability indexed by motor evoked potential amplitude, and functional connectivity indexed by the imaginary part of resting-state EEG coherence. Results: Reinforcement learning effectively identified the mu-rhythm phase associated with high- vs. low-excitability states, and their repetitive stimulation resulted in long-term increases vs. decreases in functional connectivity in the stimulated sensorimotor network. Conclusions: We demonstrated for the first time the feasibility of closed-loop EEG-TMS in humans, a critical step towards individualized treatment of brain disorders.
- Abstract（参考訳）: 背景: 経頭蓋磁気刺激(TMS)は、人間の脳の神経生理学を調査し、脳疾患を治療するための強力なツールである。
伝統的に、治療用TMSは1つの大きさのアプローチで適用され、個人間差と個人内差を無視している。
脳状態依存型脳波-TMS(例えば、TMSと感覚運動器筋リズムの予め定義された相との結合)は、標的相に応じて異なる神経可塑性効果を誘導する。
しかしこのアプローチは、a-prioriターゲットフェーズを定義する必要があるため、依然としてユーザ依存である。
目的: 学習ベースでクローズドループのリアルタイムEEG-TMSセットアップを初めて実現し, ハイ・ロー・コルチコスピナル興奮状態に付随する個別のムラリズム位相をユーザ独立に同定する。
方法: 補助運動野-一次運動野ネットワークを対象とし, 脳波-TMSを25名に適用し, 高位と低位皮質脊髄興奮性に関連する無リズム相の同定に強化学習アルゴリズムを用いた。
我々は線形混合効果モデルとベイズ解析を用いて、強化学習が運動誘発電位振幅で表される皮質脊髄興奮性および静止状態脳波コヒーレンスの想像的部分で表される機能的接続性に及ぼす影響を判定した。
結果: 強化学習は, 高刺激性および低興奮性状態に関連するムラリズム相を効果的に同定し, 繰り返し刺激は刺激された感覚運動神経ネットワークにおける機能的接続の低下に対して長期的増加をもたらした。
結論:脳疾患の個別化治療に向けた重要なステップである,ヒトにおけるクローズループ脳波-TMSの実現可能性が初めて実証された。
関連論文リスト
- E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。
ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。
7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-01-11T13:21:20Z) - Deep Learning Classification of EEG Responses to Multi-Dimensional Transcranial Electrical Stimulation [0.0]
医療実践の大きな欠点は、意識レベルの客観的尺度の欠如である。
経頭蓋電気刺激(TES)は、非侵襲的に脳を刺激するために用いられる。
私たちの長期的なビジョンは、ベッドサイドで使用できる脳の状態の客観的尺度を開発することです。
論文 参考訳（メタデータ） (2025-12-23T12:40:51Z) - Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。
本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。
本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
論文 参考訳（メタデータ） (2025-09-27T11:11:30Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。
香港在住の高齢者97名を対象に,この課題の有効性について検討した。
本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
論文 参考訳（メタデータ） (2025-06-10T16:58:47Z) - Time-varying EEG spectral power predicts evoked and spontaneous fMRI motor brain activity [4.2991900707527915]
脳波-fMRI同時記録は、fMRI信号と脳波信号の相補的な高空間分解能と高時間分解能をそれぞれ利用することにより、脳活動の研究にますます利用されている。
本稿では,Sparse Group Lasso正則化を用いた個別被験者を対象とした解釈モデルを用いて,運動脳ネットワークのタスク誘発信号と自発fMRI信号の両方を予測できるかどうかを検討する。
論文 参考訳（メタデータ） (2025-04-14T22:54:41Z) - Spatiotemporal Learning of Brain Dynamics from fMRI Using Frequency-Specific Multi-Band Attention for Cognitive and Psychiatric Applications [5.199807441687141]
MBBN(Multi-Band Net Brain)は、周波数特異的脳波を明示的にモデル化するトランスフォーマーベースのフレームワークである。
MBBNは3つの大規模なコホートで49,673人の個人を訓練し、精神医学と認知学の成果を予測する新しい最先端技術を確立している。
論文 参考訳（メタデータ） (2025-03-30T10:56:50Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。
本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。
提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
論文 参考訳（メタデータ） (2022-04-20T16:48:18Z)
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。