用脑网络结构约束控制癫痫发作，实现精准干预。
Taming Epilepsy: Mean Field Control of Whole-Brain Dynamics
- 基于图正则化均场博弈框架，融合储备池计算与分布控制网络。
- 在真实脑电数据上实现癫痫发作的稳定抑制，保持脑功能拓扑结构。
- 适合神经调控、癫痫治疗研究者，可推广至其他脑疾病干预。
由于大脑具有非线性特征和复杂的连接结构，控制癫痫发作期间的高维神经动力学仍具挑战。本文提出一种新框架——图正则化柯普曼均场博弈（GK-MFG），结合储备池计算（RC）近似柯普曼算子，并利用交替种群与个体控制网络（APAC-Net）求解分布控制问题。通过将脑电图（EEG）动力学嵌入线性潜在空间，并施加源自相位锁定值（PLV）的图拉普拉斯约束，该方法在抑制癫痫发作的同时，保持了大脑的功能拓扑结构。实验验证其在真实患者数据上的鲁棒性与有效性。
原文摘要 · Abstract (English)
Controlling the high-dimensional neural dynamics during epileptic seizures remains a significant challenge due to the nonlinear characteristics and complex connectivity of the brain. In this paper, we propose a novel framework, namely Graph-Regularized Koopman Mean-Field Game (GK-MFG), which integrates Reservoir Computing (RC) for Koopman operator approximation with Alternating Population and Agent Control Network (APAC-Net) for solving distributional control problems. By embedding Electroencephalogram (EEG) dynamics into a linear latent space and imposing graph Laplacian constraints derived from the Phase Locking Value (PLV), our method achieves robust seizure suppression while respecting the functional topological structure of the brain.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。