受生物启发的脉冲神经网络用于建模和优化适应性眩晕治疗

《Cognitive Neurodynamics》：Bio-inspired spiking neural network for modeling and optimizing adaptive vertigo therapy

　　眩晕症缺乏精准治疗，本研究构建基于LIF神经元与STDP的突触神经网络模型，模拟前庭通路中耳石器、传入神经及小脑整合器功能，复现耳石器功能障碍和突触紊乱病理状态。通过强化反馈机制实现48-62%的活动抑制与38%的适应性恢复，4秒/周期的实时计算能力，适配Loihi、SpiNNaker等神经形态硬件，支持康复策略虚拟测试和临床数据个性化应用。

　　

摘要

眩晕是一种常见的神经前庭疾病，由前庭系统功能障碍引起，目前往往缺乏精确且个性化的治疗方法。本研究提出了一种受生物学启发的脉冲神经网络（SNN）模型，该模型利用具有时序依赖性可塑性（STDP）的泄漏积分-放电（LIF）神经元来模拟前庭功能障碍及适应性恢复过程。该模型通过生物学上合理的层次结构（包括毛细胞、传入纤维和小脑整合器）来模拟前庭通路，并能够模拟诸如毛细胞功能减退和突触损伤等病理状态。基于强化学习的反馈机制使得该模型能够模拟治疗引起的可塑性变化：在适应阶段，小脑脉冲活动减少了48–62%，随后又恢复了38%。该模型在标准硬件上平均每个适应阶段的模拟运行时间为4秒，具备实时可行性。其设计具有可扩展性，非常适合未来在神经形态学平台（如Loihi、SpiNNaker）上的应用。其模块化且易于解释的特点使得可以在计算机上测试康复策略、实时监测功能障碍，并利用临床数据实现个性化治疗。这项工作为基于人工智能的前庭治疗奠定了计算基础，这种治疗方式具有适应性、可解释性，并且与现有硬件兼容。