用于帕金森病治疗的闭环深部脑刺激控制器的离线学习
机器学习
2023-03-17 v4 信号处理
定量方法
摘要
深部脑刺激（DBS）通过向大脑基底节（BG）区域传递电脉冲，在治疗帕金森病（PD）引起的运动症状方面显示出巨大前景。然而，美国食品药品监督管理局（FDA）批准的DBS设备只能以固定幅度提供连续DBS（cDBS）刺激；这种低能效的操作会缩短设备的电池寿命，无法根据活动动态调整治疗，并可能导致显著的副作用（例如步态障碍）。在这项工作中，我们引入了一个离线强化学习（RL）框架，允许利用过去的临床数据来训练RL策略以实时调整刺激幅度，目标是在保持与cDBS相同水平的治疗（即控制）效果的同时减少能量使用。此外，临床方案要求在此类RL控制器部署到患者身上之前，证明其安全性和性能。因此，我们还引入了一种离线策略评估（OPE）方法，以在部署前利用历史数据估计RL策略的性能。我们在四名配备RC+S DBS系统的PD患者上评估了我们的框架，在每月临床访视期间使用RL控制器，并通过症状严重程度（即运动迟缓和震颤）、PD生物标志物变化（即局部场电位）以及患者评分来评估总体控制效果。临床实验结果表明，我们基于RL的控制器保持了与cDBS相同的控制效果水平，但显著降低了刺激能量。此外，OPE方法被证明能有效准确地估计和排序RL控制器的预期回报。
引用
@article{arxiv.2302.02477,
title = {Offline Learning of Closed-Loop Deep Brain Stimulation Controllers for Parkinson Disease Treatment},
author = {Qitong Gao and Stephen L. Schimdt and Afsana Chowdhury and Guangyu Feng and Jennifer J. Peters and Katherine Genty and Warren M. Grill and Dennis A. Turner and Miroslav Pajic},
journal= {arXiv preprint arXiv:2302.02477},
year = {2023}
}
备注
Accepted to International Conference on Cyber Physical Systems (ICCPS) 2023