闭环神经刺激的时间基函数模型
机器学习
2025-07-22 v1
摘要
闭环神经刺激为帕金森病等神经疾病提供了新型治疗方案，但尚不清楚人工智能技术能否为个体化患者定制闭环刺激或识别新疗法。本文需解决若干转化性问题，包括样本效率、训练时间及最小化环路延迟，以便在应对脑部活动变化时对刺激进行时空调节。我们提出时间基函数模型（TBFM），以解决上述困难，并在兴奋性光遗传刺激的背景下进行探索。我们展示了TBF模型能够对两种非人类灵长类的局部场电位（LFPs）进行单次试验的时空前向预测。进一步通过仿真演示TBF模型用于闭环刺激，驱动神经活动趋向目标模式。TBF模型的简单性使其具备样本效率高、训练快速（2-4分钟）、在桌面CPU上延迟低（0.2毫秒）的优势。我们在40个已发表的兴奋性光遗传刺激数据session上进行了验证。对于每个session，模型需收集15-20分钟数据后才能成功建模其余部分。其预测精度相当于需数小时训练的基线非线性动力学系统模型，且优于线性状态空间模型。在仿真中，我们还成功实现了闭环刺激器对神经环路的控制。我们的ethods开始弥合复杂AI方法与构建新型临床有用闭环刺激协议之间之间的转化鸿沟。
引用
@article{arxiv.2507.15274,
title = {Temporal Basis Function Models for Closed-Loop Neural Stimulation},
author = {Matthew J. Bryan and Felix Schwock and Azadeh Yazdan-Shahmorad and Rajesh P N Rao},
journal= {arXiv preprint arXiv:2507.15274},
year = {2025}
}