对于神经调节参数的贝叶斯优化,故障模式和缓解方法
Evan M Dastin-van Rijn1, Alik S Widge1
1Department of Psychiatry and Behavioral Sciences, University of Minnesota, Minnesota, MN, United States of America.
Journal of neural engineering
|June 5, 2025
概括
标准贝叶斯优化与杂的神经调节数据作斗争. 修改后的边界避开方法提高了对低效果大小的优化,增强了精准医学应用.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 精准医学旨在个性化神经调节治疗.
- 优化刺激参数至关重要,但由于杂的神经精神病学数据而具有挑战性.
- 现有的贝叶斯优化方法对于高噪音,低效果大小的应用程序来说并不稳定.
研究的目的:
- 评估标准贝叶斯优化对神经调节的充分性.
- 为精确的神经调节参数选择开发强大的优化技术.
- 解决噪音和安全的挑战,优化神经精神病学的结果.
主要方法:
- 对个体神经和精神影响的文献综述.
- 开发模拟的患者反应,使用不同的信号与噪声比.
- 评估标准贝叶斯优化和修改的边界避开内核.
主要成果:
- 标准贝叶斯优化在低于科恩d = 0.3.3的效果大小时失败.
- 过度采样参数空间边界导致了优化失败.
- 使用输入曲线和边界避开内核的修改方法实现了对低至Cohen's d = 0.1.1的效果大小的强大的优化.
结论:
- 标准贝叶斯优化需要小心在低效果大小的神经调节.
- 在杂,低信号环境中,算法可能会趋于局部最佳.
- 避开边界的技术增强了个性化神经调节的强度.


