帕金森病脑刺激的深度学习模型预测控制
最优化与控制
2025-09-09 v2 机器学习
摘要
我们提出了一种针对帕金森病 (PD) 的脑刺激 (DBS) 的非线性数据驱动模型预测控制 (MPC) 算法。虽然 DBS 通常以开环方式实现，但闭环 DBS (CLDBS) 使用特定频段（例如 13-30 Hz 的 beta 频段）神经振荡的幅度作为反馈信号，结果在降低副作用和减缓患者对刺激耐受性降低方面显著改善疗效。迄今为止，CLDBS 仅在体内实现了一些简单算法，如比例、比例积分和阈值开关控制。我们的方法基于输入凸神经网络的差分，构建多步预测器来模型化 beta 振荡的未来演化。多步预测器的使用在优化时域内提高了预测精度，同时简化了在线计算。在使用 beta 频段活动响应的仿真模型和来自 PD 患者的数据进行测试时，我们实现了相对于现有 CLDBS 算法在跟踪误差和控制活跃性方面均超过 20% 的降低。该提议的控制策略为 PD 及其他受 CLDBS 靶向疾病提供了通用的数据驱动技术，亦可适用于其他神经调制技术。
引用
@article{arxiv.2504.00618,
title = {Deep Learning Model Predictive Control for Deep Brain Stimulation in Parkinson's Disease},
author = {Sebastian Steffen and Mark Cannon},
journal= {arXiv preprint arXiv:2504.00618},
year = {2025}
}