بهینه‌سازی محاسباتی (In Silico) مدولاسیون عصبی حلقه‌بسته عصب واگ: تلفیق رابط‌های نانو-مش گرافنی با یادگیری تقویتی عمیق نورومورفیک

بهینه‌سازی محاسباتی (In Silico) مدولاسیون عصبی حلقه‌بسته عصب واگ: تلفیق رابط‌های نانو-مش گرافنی با یادگیری تقویتی عمیق نورومورفیک

سجاد تمرچی1

1) دانشجوی کارشناسی ارشد مهندسی پزشکی گرایش بیوالکترونیک،دانشگاه آزاداسلامی واحد تهران شمال،تهران،ایران

کد IOI مقاله : AAHD-ABHFCH
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پزشکی بیوالکترونیک و تحریک عصب واگ (VNS) پتانسیل بالایی در درمان بیماری‌های التهابی مقاوم به دارو دارند، اما سیستم‌های فعلی به دلیل استفاده از الکترودهای فلزی صلب و کنترلرهای حلقه-باز، فاقد انتخاب‌گری دقیق بوده و عوارض جانبی ایجاد می‌کنند. هدف از این پژوهش، طراحی یک سیستم هوشمند و حلقه-بسته تحریک عصبی با استفاده از نانومواد است تا این محدودیت‌ها برطرف گردد. در این مطالعه محاسباتی (in silico)، یک نانو-رابط گرافنی (GNM) با معماری کنترل یادگیری تقویتی عمیق (DRL) ادغام شده است. به این منظور، یک چارچوب محاسباتی واقع‌گرایانه با استفاده از مدل‌های توزیع‌یافته فضایی هودجکین-هاکسلی و MRG برای شبیه‌سازی فیبرهای عصب واگ پستانداران توسعه یافت و یک عامل هوش مصنوعی Soft Actor-Critic (SAC) جهت تنظیم پویا و بی‌درنگ پارامترهای تحریک (عرض پالس، دامنه و فرکانس) طراحی گردید. تابع پاداش به منظور بیشینه‌سازی فعال‌سازی هدفمند فیبرهای C (رفلکس ضدالتهابی) و جریمه کردن فعال‌سازی فیبرهای A (حرکتی) فرمول‌بندی شد. نتایج شبیه‌سازی‌های اولیه نشان داد که نانو-رابط مبتنی بر هوش مصنوعی به دقت هدف‌گیری ۹۴.۲ درصدی دست یافته و با سرکوب ۸۷ درصدی فعال‌سازی غیرهدف، عملکرد بسیار بهتری نسبت به کنترل‌گرهای سنتی PID دارد. در نتیجه، ادغام نانومواد دوبعدی با هوش مصنوعی نورومورفیک، پایه و اساسی قوی برای نسل آینده سیستم‌های الکتروسوتیکال حلقه-بسته ایجاد کرده و مسیر ترجمه بالینی نانوبیوالکترونیک را به شکل چشمگیری تسریع می‌بخشد.

کلمات کلیدی : پزشکی بیوالکترونیک تحریک عصب واگ نانو مش گرافنی یادگیری تقویتی عمیق مدل‌سازی محاسباتی