Estudio de la dinámica de núcleos neuronales con aplicaciones al tratamiento de trastornos motores.
Este trabajo está orientado a la exploración de nuevas estrategias de modulación de la actividad neuronal en el marco de la optimización de la eficiencia de dispositivos implantables destinados al tratamiento de enfermedades neurológicas (e.g., DBS:Deep Brain Stimulation). Con la intención de enten...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2015
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/520/1/1Velarde.pdf |
| Aporte de: |
| Sumario: | Este trabajo está orientado a la exploración de nuevas estrategias de modulación de la actividad neuronal en el marco de la optimización de la eficiencia de dispositivos implantables destinados al tratamiento de enfermedades neurológicas (e.g., DBS:Deep Brain Stimulation).
Con la intención de entender la dinámica neuronal de la red de ganglios basales, se propusieron diferentes modelos para la representación del sistema. El análisis de los mismos permitió caracterizar los distintos estados de la dinámica de la red, los cuales fueron asociados a estados fisiológicos y patológicos observados en el mal del Parkinson.
Se encontró que el esquema open-loop DBS, implementado mediante el modelo, reproduce exitosamente una importante observación experimental en relación a la frecuencia de estimulación, la cual ha sido ampliamente reportada en pacientes con Parkinson sujetos a implantes DBS. Se propuso una representación simplificada de este esquema que permite mejorar la comprensión del efecto del parámetro frecuencia de estimulación DBS.
El esquema closed-loop DBS propuesto en este trabajo se basa en el entrenamiento de una red neuronal artificial capaz de adaptar los parámetros de la estimulación utilizando
información sobre el estado de la red de ganglios basales. Para realizar dicho
objetivo, fue necesario explorar y elegir distintos algoritmos capaces de extraer rasgos relevantes a partir de las señales producidas por el modelo, tales como el análisis de Fourier en espacio y en tiempo, la descomposición en Wavelets y el acoplamiento fase-amplitud.
Finalmente, se implementó el entrenamiento de la red neuronal artificial mediante un esquema de aprendizaje por refuerzo. Se observó que la red artificial es capaz de aplicar una estimulación adecuada al sistema para llevarlo al estado fisiológico. Además, se analizó la influencia de cada rasgo en el aprendizaje de la red y su nivel de relevancia.
|
|---|