Algoritmo Evolutivo per il Tuning di Reti Neurali Artificiali e Biologiche in Esperimenti Bioibridi

Abstract

Le protesi cerebrali sono dispositivi di neuroingegneria progettati per interfacciarsi con il sistema nervoso centrale al fine di integrare o ripristinare funzioni in persone con disabilità, utilizzando la stimolazione elettrica. Negli ultimi anni, le protesi cerebrali neuromorfiche, come le reti neurali spiking (SNN), hanno suscitato grande interesse nella ricerca grazie alla loro capacità di riprodurre le funzioni computazionali del cervello e di elaborare dati in tempo reale.

Questa tesi si articola in due parti principali. Nella prima parte, analizziamo gli effetti di un nuovo tipo di microstimolazione intracorticale su modelli in vivo, utilizzando ratti sani e anestetizzati. La stimolazione è controllata da due diversi tipi di SNN. I risultati mostrano che la stimolazione basata su SNN attiva le reti neurali in modo differente, a seconda del pattern di stimolazione utilizzato. Inoltre, questi risultati sono coerenti con ricerche precedenti su altre forme di stimolazione, suggerendo che questa tecnica possa rappresentare un approccio promettente per ottenere simili miglioramenti funzionali.

Nella seconda parte, proponiamo un algoritmo evolutivo multi-obiettivo basato su indicatori, per ottimizzare le SNN e replicare i parametri elettrofisiologici osservati negli esperimenti in vivo. Questo algoritmo si rivela uno strumento fondamentale per personalizzare la stimolazione in funzione dell’obiettivo terapeutico, migliorando l’interazione tra il dispositivo protesico e il sistema biologico e potenzialmente aumentando l’efficacia del trattamento.

Brain prostheses are neuroengineering devices that interface with the central nervous system to supplement or restore function in individuals with disabilities through electrical stimulation. Recently, neuromorphic brain prostheses, such as spiking neural networks (SNNs), have received significant research attention for their ability to mimic neurobiological computations and process data in real time. This thesis is divided into two parts. In the first part, we assess the effects of a novel type of intracortical microstimulation on in vivo models using healthy, anesthetized rats. This stimulation is driven by two types of SNNs. The results show that SNN-driven stimulation engages neural networks to varying degrees, depending on the stimulation pattern. Additionally, the findings align with previous studies exploring other forms of stimulation, positioning this method as a promising approach for achieving same functional recovery outcomes. In the second part, we propose a multi-objective indicator-based evolutionary algorithm to fine-tune the SNN, optimizing it to replicate the electrophysiological parameters observed in the in vivo experiments. This algorithm is a crucial tool for personalizing stimulation based on the target, potentially improving the interaction between the prosthetic device and the biological system for more effective therapeutic results.