Learning to evoke complex motor outputs with spatiotemporal neurostimulation using a hierarchical and adaptive optimization algorithm

Le développement de techniques de neurostimulation pour évoquer des schémas moteurs est un domaine de recherche actif. Il constitue un outil expérimental crucial pour explorer le calcul dans les circuits neuronaux et trouve des applications dans les neuroprothèses utilisées pour aider à la récupération de la fonction après un AVC ou une blessure. Concevoir des algorithmes pour dévoiler et contrôler les cartographies motrices de la neurostimulation pose deux défis importants, liant ainsi les schémas spatiotemporels de stimulation neurale à l’activation musculaire: (1) l’exploration des cartes motrices doit être rapide et efficace (la recherche exhaustive est à éviter pour des raisons cliniques et expérimentales) (2) l’apprentissage en ligne doit être suffisamment flexible pour suivre les changements en cours sur ces cartes. Nous proposons un algorithme de recherche de stimulation pour résoudre ces problèmes et en démontrons l’efficacité avec des expériences sur des modèles de primates non humains. Notre solution est un nouveau processus itératif utilisant l’optimisation bayésienne via des processus gaussiens sur des espaces de signaux de plus en plus complexes. Nous montrons que notre algorithme peut apprendre rapidement et avec succès des correspondances entre des schémas de stimulation complexes et des schémas d’activation musculaire évoqués, lorsque les approches standard échouent. Il est important de noter que nous avons découvert des calculs non linéaires au niveau du circuit dans M1 qui n’auraient pas pu être identifiés à l’aide des techniques de cartographie conventionnelles.