基于强化学习的焦点优化,用于多电极时间干扰刺激

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算建模 计算建模

背景情况:

• 使用多电极时间干扰刺激 (TIS) 的非侵入性深度大脑刺激显示出有前途.
• 临床翻译受到复杂的参数优化挑战的限制.
• 现有的优化算法面临着计算成本和灵活性问题.

研究的目的:

• 引入和验证一个用于优化时间干扰刺激 (TIS) 的新框架.
• 为解决当前TIS方法的高维和混合参数空间限制.
• 为了提高非侵入性神经调节的精度和临床稳定性.

主要方法:

• 开发了一个强化学习 (RL) 框架,用于同时优化电极位置和强度.
• 使用六个有限元头模型评估了RL框架.
• 将RL框架与遗传算法 (GA) 和无监督神经网络 (USNN) 进行了对比.

主要成果:

• 与GA相比,基于RL的方法显著改善了刺激焦点.
• RL的性能与USNN相似,增加了对活性电极的明确控制.
• 刺激焦点在多达16个电极时增加,之后回报率下降.

结论:

• 开发的RL框架为TIS优化提供了一个强大而灵活的计算范式.
• 该框架为优化系统设计提供了指导方针,克服了以前的局限性.
• 这种方法加速了TIS的临床转化,以实现精确的非侵入性神经调节.