論文の概要: Neuromorphic Silicon Neuron Controller for Adaptive Deep Brain Stimulation in Parkinson's Disease

• arxiv url: http://arxiv.org/abs/2607.05453v1
• Date: Sun, 05 Jul 2026 19:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.265376
• Title: Neuromorphic Silicon Neuron Controller for Adaptive Deep Brain Stimulation in Parkinson's Disease
• Title（参考訳）: パーキンソン病における適応的深部脳刺激に対する神経形シリコンニューロン制御
• Abstract要約: パーキンソン病(PD)は世界中の何百万もの人に影響を与え、重度の運動障害を引き起こす。 アダプティブ・ディープ脳刺激(Adaptive Deep Brain stimulation、aDBS)は、PD運動の症状の変動を追跡し、よりインテリジェントなDBS制御を可能にする生理学的刺激を提供する。 本稿では、金属酸化物半導体(CMOS)技術で実装されたニューロモルフィックシリコンニューロン刺激器である、Leaky Silicon Integrate-and-Fire Deep Brain Stimulation (SiLIF-DBS) コントローラを提案する。
• 参考スコア（独自算出の注目度）: 5.1002806021244655
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Parkinson's disease (PD) affects millions worldwide and causes severe motor symptoms. Adaptive deep brain stimulation (aDBS) delivers physiologically informed stimulation that can track fluctuations in PD motor symptoms, enabling more intelligent DBS control. However, most existing aDBS approaches are primarily algorithm- and software-driven, with limited efforts toward circuit realization, particularly low-power and implantable integrated circuits. This paper presents the Silicon Leaky Integrate-and-Fire Deep Brain Stimulation (SiLIF-DBS) controller, a neuromorphic silicon neuron stimulator implemented with metal-oxide-semiconductor (CMOS) technology. For system-level evaluation, a simplified computational model of the SiLIF-DBS controller is derived and embedded within a Parkinsonian cortico-basal ganglia framework for closed-loop validation. The system is driven by beta-band subthalamic nucleus local field potentials (STN-LFPs), with their average rectified value (Beta ARV) used as the control biomarker. Our SiLIF-DBS controller for aDBS suppresses pathological beta activity while consuming only 25% of the power required by open-loop stimulation and achieving a suppression efficiency of $5.85\%$/$μ$W. Overall, our SiLIF-DBS controller achieves strong beta suppression at substantially reduced power, delivering high suppression efficiency that demonstrates it is a viable foundation for low-power implantable aDBS.
• Abstract（参考訳）: パーキンソン病(PD)は世界中の何百万もの人に影響を与え、重度の運動障害を引き起こす。 アダプティブ・ディープ脳刺激(Adaptive Deep Brain stimulation、aDBS)は、PD運動の症状の変動を追跡し、よりインテリジェントなDBS制御を可能にする生理学的刺激を提供する。 しかし、既存のaDBSアプローチのほとんどは、主にアルゴリズムとソフトウェア駆動であり、回路実現、特に低消費電力で組込み可能な集積回路への限定的な取り組みがある。 本稿では,SiLIF-DBS(Si Silicon Leaky Integrate-and-Fire Deep Brain Stimulation)コントローラについて述べる。 システムレベルの評価には,サイLIF-DBSコントローラの簡易な計算モデルが導出され,パーキンソン皮質基底ガングリアフレームワークに組み込まれ,クローズドループ検証を行う。 このシステムは、ベータバンドの視床下核局所野電位(STN-LFPs)によって駆動され、その平均補正値(Beta ARV)が制御バイオマーカーとして使用される。 aDBSのためのSiLIF-DBSコントローラは、オープンループ刺激による電力の25%しか消費せず、その抑制効率は5.85 %$/$μ$Wである。 全体として、当社のSiLIF-DBSコントローラは、消費電力を大幅に削減した強力なベータ抑制を実現し、低消費電力で組込み可能なaDBSの基盤であることを示す高い抑制効率を実現する。

関連論文リスト

• Neuromorphic Energy-Aware Learning for Adaptive Deep Brain Stimulation [4.473282674280195]
  我々は,強化学習報酬に直接アクチュエーターエネルギーを取り入れたエネルギー認識学習を導入する。 ディープスパイクQネットワークは、連続DBSに対する刺激電荷を80.0%減少させながら、病理的なα-ベータ振動を45.2%抑制することを学ぶ。
  論文  参考訳（メタデータ） (2026-06-26T20:48:43Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• A Latency Coding Framework for Deep Spiking Neural Networks with Ultra-Low Latency [51.75891259753546]
  スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューラル処理に重要な可能性を持つ生物学的にインスパイアされたコンピューティングパラダイムを提供する。 Time-To-First-Spike (TTFS)コーディングは、ニューロンの最初のスパイクの正確なタイミングを通じて情報を符号化する。 TTFSモデルには効率的なトレーニング方法がなく、高い推論遅延と限られたパフォーマンスに悩まされている。 本稿では,バックプロパゲーション・スロー・タイム(BPTT)アルゴリズムを用いて,深層TTFS符号化SNNの効率的なトレーニングを可能にする包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T13:52:03Z)
• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• 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)
• Sample-Efficient Reinforcement Learning Controller for Deep Brain Stimulation in Parkinson's Disease [6.443133356814665]
  本稿では,RLをベースとした適応神経刺激のための,サンプル効率のよいアクター批判フレームワークSEA-DBSを提案する。 SEA-DBSは予測報酬モデルを統合し、リアルタイムフィードバックへの依存を減らすとともに、Gumbel Softmaxベースの探索を安定的で差別化可能なポリシー更新に利用している。 以上の結果から,SEA-DBSは実効的かつ効果的なRLベースのaDBSフレームワークであり,リアルタイムな資源拘束型神経調節を実現することが示唆された。
  論文  参考訳（メタデータ） (2025-07-08T18:30:26Z)
• Neurophysiologically Realistic Environment for Comparing Adaptive Deep Brain Stimulation Algorithms in Parkinson Disease [1.45543311565555]
  aDBSでは、外科的に配置された電極が神経生理学的フィードバックに基づいて動的に変化した刺激を脳に送る。 我々は,そのモデルを比較するために,最初の神経生理学的に現実的なベンチマークを導入する。 我々は,ディープラーニング(RL)アルゴリズムを学習し,評価するための構造化環境として,我々のフレームワークを構築した。
  論文  参考訳（メタデータ） (2025-04-26T09:44:44Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• Preliminary Results of Neuromorphic Controller Design and a Parkinson's Disease Dataset Building for Closed-Loop Deep Brain Stimulation [1.3044677039636754]
  閉ループDeep Brain Stimulation (CL-DBS) はパーキンソン病患者の運動障害を軽減することを目的としている。 現在のCL-DBSシステムは、強化学習、ファジィインタフェース、フィールドプログラマブルゲートアレイ(FPGA)など、エネルギー非効率なアプローチを利用している。 本研究は、PD患者の各種重症度に応じてDBS電気信号の大きさを調整するために、Leaky Integrate and Fire Neuron(LIF)コントローラを用いた新しいニューロモルフィックアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-25T04:10:15Z)
• {\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)
• 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)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)

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。