Adaptive microstimulation for stabilizing evoked cortical potentials [Elektronische Ressource] / vorgelegt von Dominik Brugger

Sujets

• Informatik

Informations

• Publié par: eberhard_karls_universitat_tubingen
• Publié le: 01 janvier 2009
• Nombre de lectures: 14
• Langue: English
• Poids de l'ouvrage: 9 Mo

Extrait

Adaptive microstimulation for
stabilizing evoked cortical potentials
Dissertation
der Fakult at fur Informations- und Kognitionswissenschaften
der Eberhard-Karls-Universit at Tubingen
zur Erlangung des Grades eines
Doktors der Naturwissenschaften
(Dr. rer. nat.)
vorgelegt von
Dominik Brugger
aus Villingen
Tubingen
2009Tag der mundlic hen Quali kation: 10.02.2010
Dekan: Prof. Dr.-Ing. Oliver Kohlbacher
1. Berichterstatter: Prof. Dr. Wolfgang Rosenstiel
2. Berichterstatter: PD Dr. Cornelius SchwarzAcknowledgements
At this point I would like to express my gratitude to all the people that contributed to the
success of this thesis’ work.
First I would like to thank Prof. Dr. Wolfgang Rosenstiel for giving me the opportunity to
work on this challenging topic and for funding the project. Special thanks go to Prof. Dr.
Martin Bogdan and PD Dr. Cornelius Schwarz for pointing out the problem of adaptive
stimulation, giving continuous encouragement, and engaging in fruitful discussions. I’m
also indebted to Dr. Sergejus Butovas for nally \bringing the mammoth down" and
inspiring conversations during those seemingly endless lab hours.
Additionally I would like to thank my colleagues at the Department of Computer En-
gineering for their support, especially my coworkers Mike Bensch and Armin Walter for
insightful discussions in our Neuroteam meetings, and Werner Dreher for creating custom
electronic devices. Thanks also go to the people from the Hertie Institute, Maik, Petya,
Chris, Sinia, Julia, Ursula, and Ute for support and interesting paper discussions as well
as to my former students Frank Schulz and Jana Kneslova. For excellent hardware support
I would like to thank Hans L o er, Peter Jesinger, Rainer Mohrlok, and Andreas M oller
from Multi Channel Systems.
Finally I would like to thank my family and friends for keeping the faith, in particular Ute,
Ruth, Martin, Gun ther, Barbara, Heribert, Manuel, Katharina, Christoph, Sandra, Frank,
Marcus, Nadja, Willi, Hubert, Markus, Melanie, Simone, Rainer, Rosi, Michaela, Kai,
Felix, Franziska, Georg, Hans-J org, Alexandra, Friedrich, Daniel, Frank, Marion, Ste ,
and Ste en.
iAbstract
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 ow 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 uctuating 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 ad-
justed 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 microstim-
ulation. Further algorithmic developments include an application speci c 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 rst time that adaptive microstimulation
can stabilize evoked cortical potentials if intensities are chosen from a sub-threshold range.
Unfortunately the size of the stabilization e ect 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.Zusammenfassung
Die Wiederherstellung einer verlorenen Sinneswahrnehmung, wie zum Beispiel des Se-
hvermogens, erm oglichen kortikale Implantate. Kunstlic he Wahrnehmungen werden dabei
durch direkte Stimulation des entsprechenden Gehirnareals ub er eine Reihe von Mikroelek-
troden hervorgerufen. Im Gegensatz zum Retina-Implantat k onnen kortikale Implantate
bei einer blinden Person sogar dann eingesetzt werden, wenn der Informations uss zwis-
chen Rezeptor und Gehirn entlang der visuellen Leitungsbahn erst in sp ateren Stufen
unterbrochen ist. Das Erzeugen stabiler Sinneseindruc ke durch direkte Stimulation des
Gehirns ist derzeit noch nicht m oglich. Ein wesentliches Problem dabei ist die starke
Schwankung evozierter Potentiale, die durch eine stetig uktuierende kortikale Aktivit at
verursacht wird.
Diese Dissertation hat sich mit dieser Schwierigkeit auseinandergesetzt und schl agt zur Sta-
bilisierung evozierter kortikaler Potentiale eine adaptive Mikrostimulation vor, bei der die
Intensit at der Stromst o e ausgehend von der gegenw artigen Gehirnaktivit at fortlaufend
angepasst wird. Um die Machbarkeit dieses Ansatzes zu untersuchen, wurde im Rah-
men dieser Arbeit ein experimenteller Aufbau fur eine gleichzeitige Aufnahme und Stim-
ulation im Barrel Kortex an asthesierter Ratten entwickelt. Fur die Steuerung der In-
tensit aten werden ein direkter und inverser L osungsansatz vorgeschlagen und evaluiert,
wobei die Sch atzung der erforderlichen Funktionen auf Basis experimenteller Daten durch
Support Vektor Regression erfolgt. Eine anwendungsspezi sche Kern-Funktion, die unter
Ausnutzung von Vorwissen ub er die zeitliche Struktur der Daten, eine Dekodierung der
kortikalen Aktivit at erlaubt, geh ort zu den weiteren algorithmischen Entwicklungen. Im
Vergleich mit ublic hen Kern-Funktionen erzielt die weiterentwickelte Kern-Funktion eine
h ohere Pr azision bei der Vorhersage der Stimulationsintensit at. Die bei sieben Versuch-
stieren erhobenen experimentellen Ergebnisse zeigen erstmals, dass evozierte Potentiale
durch adaptive Mikrostimulation stabilisiert werden k onnen, falls die Stromst o e eine hin-
reichend geringe Intensit at aufweisen. Allerdings schwankt der durch adaptive Mikrostimu-
lation erreichte E ekt innerhalb weniger Minuten, was auf einen Verfall der durch Support
Vektor Regression ermittelten Funktion zuruc kzufuhren ist. Zur Vermeidung dieses Verfalls
in zukunftigen Anwendungen adaptiver Mikrostimulation schl agt diese Arbeit einen neuen
Algorithmus zum Online-Training der Support Vektor Regression vor. Der Algorithmus
ist besonders fur eine Aktualisierung der gesch atzten Funktion in einer Echtzeit Umge-
bung geeignet und ben otigt keine manuelle Einstellung einer Schrittweite. Mit dem neuen
Algorithmusasstl sich, bei gleichem Zeitaufwand pro Iteration, im Vergleich mit anderen
aktuellen Verfahren eine schnellere Konvergenz der Vorhersagefehlers auf verschiedenen
Datens atzen erreichen. Zusammengenommen best atigen die in dieser Arbeit vorgestellten
Ergebnisse die Machbarkeit adaptiver Mikrostimulation. Darub er hinaus er o net sich die
Perspektive zukunftig stabile Wahrnehmungen mit Hilfe kortikaler Implantate zu erzeugen.
iiiContents
1 Introduction 1
2 Perception 5
2.1 Principles of sensory processing . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Modality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Location . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.3 Intensity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.4 Timing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.5 Sensory systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 The visual system . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Visual pathways . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Cortical processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Current implant technology . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 Retinal implants . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2 Cortical implants . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Unsolved problems of cortical implants . . . . . . . . . . . . . . . . . . . . 18
2.5 Model sensory system: rat barrel cortex . . . . . . . . . . . . . . . . . . . 19
3 Support Vector Regression 25
3.1 State of the art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.1 Dual SVR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.2 Primal and dual optimization . . . . . . . . . . . . . . . . . . . . . 29
3.1.3 Primal SVR without bias . . . . . . . . . . . . . . . . . . . . . . . . 32