基于机器学习的神经激活在电刺激下的代用神经激活模型的表征

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 对外围神经的电刺激显示出在各种条件下恢复功能的前景.
• 计算模型对于优化神经调节是有价值的,但却存在很高的时间复杂性.
• 机器学习 (ML) 为加速这些复杂的模拟提供了一个潜在的解决方案.

研究的目的:

• 评估基于ML的替代模型的性能,以预测神经纤维激活.
• 评估这些ML模型对新兴刺激参数和神经配置的概括能力.
• 展示ML模型对优化神经调节策略的实用性.

主要方法:

• 研究了四种常见的机器学习算法.
• 训练并测试了神经纤维激活电刺激数据上的模型.
• 在看不见的刺激协议,部位和神经部分上验证模型性能.

主要成果:

• 与生物物理准确模型相比,ML替代模型显著减少了计算时间.
• 模型显示了神经纤维激活的良好预测准确性.
• 算法显示强烈的概括到新的刺激场景.

结论:

• 机器学习替代模型为神经调节模拟提供了一个计算效率高的替代方案.
• 这些模型的概括能力对于刺激装置的自动优化至关重要.
• 这种方法为先进的自动神经调节应用铺平了道路.