用于深部脑刺激的赌博机算法

深部脑刺激（DBS）是治疗帕金森病的有效方法，但传统的固定参数刺激会缩短电池寿命并引起副作用，同时无法适应变化的神经动力学。最近的强化学习方法提高了适应性，但大多数依赖于需要离线训练且对于植入式硬件来说计算成本过高的深度神经网络。本文提出了一种基于时间和阈值触发的剪枝多臂赌博机（T3P MAB）算法的资源感知自适应DBS框架。所提出的方法联合调整刺激频率和幅度，避免了预先训练，并且足够透明以支持临床医生指导的调整。使用计算基底节-丘脑模型，我们表明T3P比竞争性的MAB方法收敛更快，并且在抑制病理性β波段活动方面优于深度强化学习基线，同时降低了刺激功率。我们在不同的微控制器上实现了它，并报告了详细的能量测量结果，显示在不到两分钟内收敛，并且适用于资源受限的植入式系统。这些结果支持轻量级基于赌博机的控制作为实现个性化、节能DBS的实用途径。