مدولاسیون عصبی حلقه بسته عصب واگ تلفیق رابط های نانومش گرافنی با یادگیری تقویتی عمیق نورومورفیک

پزشکی بیوالکترونیک و تحریک عصب واگ (NS) پتانسیل بالایی در درمان بیماری های التهابی مقاوم به دارو دارند، اما سیستم های فعلی به دلیل استفاده از الکترودهای فلزی صلب و کنترلرهای حلقه باز فاقد انتخاب گری دقیق بوده و عوارض جانبی ایجاد می کنند. هدف از این پژوهش، طراحی یک سیستم هوشمند و حلقه بسته تحریک عصبی با استفاده از نانومواد است تا این محدودیت ها برطرف گردد. در این مطالعه محاسباتی (in silicon) یک نانو رابط گرافنی (GNM) با معماری کنترل یادگیری تقویتی عمیق (DRL) ادغام شده است. به این منظور یک چارچوب محاسباتی واقع گرایانه با استفاده از مدل های توزیع یافته فضایی هودجکین-هاکسلی و MRG برای شبیه سازی فیبرهای عصب واگ پستانداران توسعه یافت و یک عامل هوش مصنوعی (Soft Actor-Critic (SAC)) جهت تنظیم پویا و بی درنگ پارامترهای تحریک (عرض پالس، دامنه و فرکانس) طراحی گردید. تابع پاداش به منظور بیشینه سازی فعال سازی هدفمند فیبرهای C رفلکس ضد التهابی و جریمه کردن فعال سازی فیبرهای A حرکتی فرمول بندی شد. نتایج شبیه سازی های اولیه نشان داد که نانو-رابط مبتنی بر هوش مصنوعی به دقت هدفگیری ۹۴.۲ درصدی دست یافته و با سرکوب ۸۷ درصدی فعال سازی غیرهدف، عملکرد بسیار بهتری نسبت به کنترلرهای سنتی PID دارد. در نتیجه، ادغام نانومواد دوبعدی با هوش مصنوعی نورومورفیک، پایه و اساسی قوی برای نسل آینده سیستم های الکتروسوتیکال حلقه بسته ایجاد کرده و مسیر ترجمه بالینی نانوبیوالکترونیک را به شکل چشمگیری تسریع می بخشد.

کلیدواژه ها:

پزشکی بیوالکترونیک ، تحریک عصب واگ ، نانومش گرافنی ، یادگیری تقویتی عمیق ، مدل سازی محاسباتی