Adaptive microstimulation for stabilizing evoked cortical potentials

DSpace Repository


Dateien:
Aufrufstatistik

URI: http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-47760
http://hdl.handle.net/10900/49398
Dokumentart: Dissertation
Date: 2009
Language: German
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Rosenstiel, Wolfgang (Prof. Dr.)
Day of Oral Examination: 2010-02-10
DDC Classifikation: 004 - Data processing and computer science
Keywords: Elektrostimulation , Multiple Regression , Support-Vektor-Maschine , Hilbert-Kern , Kernel <Informatik> , Großhirnrinde , Sehrinde , Elektrisches Pote
Other Keywords: Mikrostimulation, Barrel Kortex
Microstimulation , Support vector regression , Kernel function , Evoked potential , Barrel cortex
License: Publishing license including print on demand
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Die Wiederherstellung einer verlorenen Sinneswahrnehmung, wie zum Beispiel des Sehvermögens, ermöglichen kortikale Implantate. Künstliche Wahrnehmungen werden dabei durch direkte Stimulation des entsprechenden Gehirnareals über eine Reihe von Mikroelektroden hervorgerufen. Im Gegensatz zum Retina-Implantat können kortikale Implantate bei einer blinden Person sogar dann eingesetzt werden, wenn der Informationsfluss zwischen Rezeptor und Gehirn entlang der visuellen Leitungsbahn erst in späteren Stufen unterbrochen ist. Das Erzeugen stabiler Sinneseindrücke durch direkte Stimulation des Gehirns ist derzeit noch nicht möglich. Ein wesentliches Problem dabei ist die starke Schwankung evozierter Potentiale, die durch eine stetig fluktuierende kortikale Aktivität verursacht wird. Diese Dissertation hat sich mit dieser Schwierigkeit auseinandergesetzt und schlägt zur Stabilisierung evozierter kortikaler Potentiale eine adaptive Mikrostimulation vor, bei der die Intensität der Stromstöße ausgehend von der gegenwärtigen Gehirnaktivität fortlaufend angepasst wird. Um die Machbarkeit dieses Ansatzes zu untersuchen, wurde im Rahmen dieser Arbeit ein experimenteller Aufbau für eine gleichzeitige Aufnahme und Stimulation im Barrel Kortex anästhesierter Ratten entwickelt. Für die Steuerung der Intensitäten werden ein direkter und inverser Lösungsansatz vorgeschlagen und evaluiert, wobei die Schätzung der erforderlichen Funktionen auf Basis experimenteller Daten durch Support Vektor Regression erfolgt. Eine anwendungsspezifische Kern-Funktion, die unter Ausnutzung von Vorwissen über die zeitliche Struktur der Daten, eine Dekodierung der kortikalen Aktivität erlaubt, gehört zu den weiteren algorithmischen Entwicklungen. Im Vergleich mit üblichen Kern-Funktionen erzielt die weiterentwickelte Kern-Funktion eine höhere Präzision bei der Vorhersage der Stimulationsintensität. Die bei sieben Versuchstieren erhobenen experimentellen Ergebnisse zeigen erstmals, dass evozierte Potentiale durch adaptive Mikrostimulation stabilisiert werden können, falls die Stromstöße eine hinreichend geringe Intensität aufweisen. Allerdings schwankt der durch adaptive Mikrostimulation erreichte Effekt innerhalb weniger Minuten, was auf einen Verfall der durch Support Vektor Regression ermittelten Funktion zurückzuführen ist. Zur Vermeidung dieses Verfalls in zukünftigen Anwendungen adaptiver Mikrostimulation schlägt diese Arbeit einen neuen Algorithmus zum Online-Training der Support Vektor Regression vor. Der Algorithmus ist besonders für eine Aktualisierung der geschätzten Funktion in einer Echtzeit Umgebung geeignet und benötigt keine manuelle Einstellung einer Schrittweite. Mit dem neuen Algorithmus lässt sich, bei gleichem Zeitaufwand pro Iteration, im Vergleich mit anderen aktuellen Verfahren eine schnellere Konvergenz der Vorhersagefehlers auf verschiedenen Datensätzen erreichen. Zusammengenommen bestätigen die in dieser Arbeit vorgestellten Ergebnisse die Machbarkeit adaptiver Mikrostimulation. Darüber hinaus eröffnet sich die Perspektive zukünftig stabile Wahrnehmungen mit Hilfe kortikaler Implantate zu erzeugen.

Abstract:

Cortical implants hold the promise to restore lost sensory perceptions, like vision, by using an array of microelectrodes to directly stimulate neural tissue in the corresponding area of the brain. In contrast to retinal implants, cortical implants can aid blind patients even when the information flow from receptors to brain is interrupted in later stages of the visual pathway. Unfortunately evoking stable perceptions by direct stimulation in cortex is currently not possible. One essential unsolved problem is the high variability of evoked cortical potentials caused by an incessantly fluctuating cortical state. This thesis deals with this problem and proposes to stabilize evoked cortical potentials by adaptive microstimulation, where the intensity of stimulation pulses is continuously adjusted based on the ongoing brain activity. To investigate the feasibility of this approach this work developed an experimental setup with simultaneous recording and stimulation in the barrel cortex of anesthetized rats. A direct and inverse solution using support vector regression is suggested to tackle the control problem associated with adaptive microstimulation. Further algorithmic developments include an application specific kernel function for decoding the cortical state which allows to exploit prior knowledge about the temporal structure of stimulation trials and outperforms other standard kernels. The experimental results recorded in seven animals show for the first time that adaptive microstimulation can stabilize evoked cortical potentials if intensities are chosen from a sub-threshold range. Unfortunately the size of the stabilization effect varies on a time scale of minutes which is due to invalidation of the function learnt by support vector regression. To eliminate the temporal variation in future applications of adaptive microstimulation this work proposes a novel online training algorithm for support vector regression which is suitable for updating the estimated function in a real-time environment and does not require manual tuning of a learning rate. The new algorithm is shown to perform better in terms of convergence speed in comparison to other state of the art algorithms on several benchmark data sets. Together the results presented in this work support the feasibility of adaptive microstimulation and open the perspective to reliably imprint brain activity in future cortical implants.

This item appears in the following Collection(s)