رویکردی جدید برای محاسبه فیبر عصبی فعال در تحریک عمیق مغزی با توجه به مدل استاندارد آکسونی توسط هوش مصنوعی

یکی از جنبه های مهم در تحریک عمیق مغز (DBS ) ،پیش بینی فعال سازی عصبی در پاسخ به تحریک الکتریکی است. مدل های محاسباتی ابزاری برای پیش بینی اثراتDBS بر فیبر عصبی فعال شده هستند. برای افزایش عملکرد بالینی این مدل ها، هزینه محاسباتی و تخصص فنی مورد نیاز آنها باید به حداقل برسد. پیش بینی کننده های سریع فعال سازی، پیاده سازی را ساده می کنند و زمان اجرا را کاهش می دهند، اما دقت را از دست می دهند. ما به دنبال حل این موضوع با استفاده از قابلیت های سرعت و تعمیم شبکه های عصبی مصنوعی (ANN) ،یک رویکرد پیش بینی کننده جدید فعال سازی فیبر عصبی در پاسخ به DBS ایجاد کردیم. ما چندین تغییر از یک پیش بینی کننده مبتنی بر ANN را برای پیش بینی پاسخ مدل استانداردآکسون های میلین دار به تحریک الکتریکی خارج سلولی در نظر گرفتیم . شبکه های عصبی مصنوعی با استفاده از مجموعه داده های تولید شده از یک مدل المان محدود از یک سیستم DBS کاشته شده همراه با مدل اکسونی آموزش داده شدند. شبکه های عصبی مصنوعی زمان مورد نیاز برای پیش بینی آستانه های آکسون را در مقایسه با مدل استاندارد آکسونی، چهار تا پنج مرتبه کاهش دادند. ما نشان دادیم که ANN ها می توانند یک رویکرد جدید محاسباتی ، دقیق و قوی فعال سازی عصبی در پاسخ به DBS باشند.

کلیدواژه ها:

تحریک عمیق مغزی ، فیبر عصبی فعال ، هوش مصنوعی ، مدل آکسونی ، شبکه عصبی