Parkinson’s Disease Dataset

本数据集由密歇根理工大学的研究团队创建，专注于帕金森病的生物标志物，特别是丘脑下核的β振荡活动。数据集内容包括原始的局部场电位（LFP）记录，这些记录是通过计算模型从皮质-基底神经节网络中生成的。数据集的创建旨在解决帕金森病症状数据稀缺的问题，为闭环深部脑刺激（CL-DBS）系统的研发提供支持，特别是在神经形态计算和深部脑刺激领域。

This dataset was created by a research team at Michigan Technological University, focusing on biomarkers for Parkinson's disease, particularly the beta oscillatory activity in the subthalamic nucleus. The dataset comprises raw local field potential (LFP) recordings generated from the cortico-basal ganglia network via computational models. It was developed to address the scarcity of symptomatic data for Parkinson's disease and support the research and development of closed-loop deep brain stimulation (CL-DBS) systems, especially in the fields of neuromorphic computing and deep brain stimulation.

搜集汇总

数据集介绍

构建方式

本研究构建了一个基于计算模型的帕金森病数据集，该数据集包含了子丘脑核在β振荡下的原始神经活动。数据集的构建采用了模拟的皮质-基底神经节网络，其中包括了 interneurons 和皮质神经元，以及 STN、GPe、GPi 和丘脑神经元。这些神经元通过 AMPA 和 GABA 类突触连接。数据集的构建旨在解决神经形态社区在应用尖峰神经网络和神经形态算法于医疗应用时面临的数据稀缺问题。

特点

该数据集的特点在于包含了帕金森病患者子丘脑核区域在β振荡下的原始神经活动数据，这些数据是帕金森病诊断和治疗的关键生理生物标志。数据集的构建基于皮质-基底神经节网络的计算模型，可以提供不同帕金森病状态下的神经信号。

使用方法

使用该数据集时，研究人员可以将其加载到神经控制器中，以进行进一步的分析和生成优化的刺激信号。数据集可以通过GitHub链接获取，便于神经形态社区的研究、分析和设计定制化的闭环深脑刺激系统。

背景与挑战

背景概述

Parkinson’s Disease Dataset是由Ananna Biswas和Hongyu An在Michigan Tech大学所构建，旨在为闭路深脑刺激(Closed-Loop Deep Brain Stimulation, CL-DBS)系统提供一种基于漏积分和火灾神经元(LIF)控制器的设计。该数据集包括基于计算模型生成的帕金森病生物标志物——次阈值核(STN)区域的β振荡原始神经活动。该研究的主要贡献是构建了一个包含STN和苍白球内侧部(GPi)区域β振荡信号的帕金森病数据集，以及提出了几种基于LIF神经元的控制器设计，以调整深脑刺激信号的幅度，从而针对不同严重程度的帕金森病进行个性化治疗。

当前挑战

该数据集构建过程中所遇到的挑战主要包括：1) 帕金森病症状数据的稀缺性，这限制了神经网络和类神经网络算法在医疗应用中的效能；2) 传统的CL-DBS系统使用的算法和硬件平台功耗较高，不适用于植入式医疗设备。为了解决这些问题，研究团队采用了漏积分和火灾神经元模型来设计控制器，以降低CL-DBS系统的功耗，并提高了抑制效率。此外，数据集的构建也解决了帕金森病症状数据稀缺的问题。

常用场景

经典使用场景

Parkinson’s Disease Dataset 被广泛应用于深度脑刺激（Deep Brain Stimulation, DBS）系统中，特别是闭环深脑刺激（Closed-Loop Deep Brain Stimulation, CL-DBS）系统。该数据集包含了患者丘脑下核（subthalamic nucleus, STN）区域的原始神经活动数据，这些数据在β波段振荡中是帕金森病的典型生理生物标志。经典的使用场景包括利用这些数据来训练和测试神经形态控制器，如Leaky Integrate and Fire (LIF)神经元模型，以调整DBS信号的幅度，从而优化治疗效果。

衍生相关工作

基于Parkinson’s Disease Dataset，衍生出了许多相关工作。例如，研究者们设计了不同的LIF神经元控制器来优化DBS信号的调整，提高了CL-DBS系统的能效和抑制效率。此外，该数据集还被用于开发新的DBS控制算法，如基于强化学习的模型，以及用于监测和调节帕金森病症状的神经网络模型。

数据集最近研究

最新研究方向

本研究提出了基于漏积分和火神经元模型的新型神经形态控制器，以根据帕金森病患者的不同严重程度调整传统闭环深脑刺激的电信号。研究中的控制器包括开关式LIF控制器和双阈值LIF控制器，它们能够显著降低CL-DBS系统的功耗，并提高抑制效率。同时，为了解决帕金森病症状数据稀缺的问题，研究团队构建了包含子丘脑区域β振荡的原始神经活动的帕金森病数据集。

相关研究论文

• Preliminary Results of Neuromorphic Controller Design and a Parkinson's Disease Dataset Building for Closed-Loop Deep Brain Stimulation

  密歇根理工大学 · 2024年