જુનિયર એવોર્ડ વિજેતા: શું કોર્ટિકલ સિગ્નલો આપણને કહી શકે છે કે ઊંડા મગજમાં શું થઈ રહ્યું છે? | કોંગ્રેસ 2026

તો આ એક અનુવાદાત્મક અભ્યાસ છે જે મગજના કોર્ટેક્સમાંથી રેકોર્ડ કરાયેલી પ્રવૃત્તિનો ઉપયોગ મગજના ઊંડા માળખામાં શું થઈ રહ્યું છે તેનું પુનર્નિર્માણ કરવા માટે થઈ શકે છે કે કેમ તેની તપાસ કરે છે, અને આ અનુકૂલનશીલ ઊંડા મગજ ઉત્તેજનાની વર્તમાન પ્રણાલીઓમાં સંવેદનાની કેટલીક મર્યાદાઓને સંભવિત રીતે સંબોધિત કરી શકે છે.

ઝીક્સિયાઓ, એવોર્ડ બદલ અભિનંદન, અને પોડકાસ્ટમાં આપનું સ્વાગત છે.

ડૉ. ઝિક્સિયાઓ યિન: આભાર. મને રાખવા બદલ આભાર.

ડૉ. મિશેલ માટારાઝો: હું [00:01:00] આ કાર્ય જે ક્લિનિકલ સમસ્યાને ઉકેલવા માંગે છે તેનાથી શરૂઆત કરવા માંગુ છું. અનુકૂલનશીલ DBS આપણને ફક્ત સિમ્યુલેશન પહોંચાડવાથી એવી સિસ્ટમ તરફ વધુને વધુ આગળ ધપાવી રહ્યું છે જે મગજને સાંભળી શકે છે અને મગજ અને તેની પ્રવૃત્તિને પ્રતિભાવ આપી શકે છે, અલબત્ત. પરંતુ તમારો અભ્યાસ એ આધારથી શરૂ થાય છે કે મગજના ઊંડા ભાગોમાંથી સીધું રેકોર્ડિંગ હંમેશા આપણે ઇચ્છીએ છીએ તેટલું વિશ્વસનીય હોતું નથી.

વર્તમાન DBS સિસ્ટમો સાથે સબકોર્ટિકલ સેન્સિંગની મુખ્ય મર્યાદાઓ શું છે, અને તમને શા માટે એવું લાગે છે કે કોર્ટિકલ પ્રવૃત્તિ મગજના ઊંડા ભાગોમાં શું થઈ રહ્યું છે તે જાણવા માટે વૈકલ્પિક બારી પૂરી પાડી શકે છે?

ડૉ. ઝિક્સિયાઓ યિન: હા, તે ખૂબ જ સારો પ્રશ્ન છે. જેમ તમે કહ્યું, હાલના દિવસોમાં ઊંડા મગજની ઉત્તેજના હંમેશા ચાલુ રાખવાના મોડથી અનુકૂલનશીલ મોડ તરફ આગળ વધી રહી છે. તેથી ઉપકરણ મગજને સાંભળી શકે છે અને વાસ્તવિક સમયમાં ઉત્તેજનાને સમાયોજિત કરી શકે છે. પરંતુ, અમારું કાર્ય સાંભળવાની બાજુની સમસ્યાને સંબોધવાનો પ્રયાસ કરી રહ્યું છે.

 તેથી શ્રવણ [00:02:00] નાજુક ભાગ હોઈ શકે છે. આપણે જાણીએ છીએ તે જ ઇલેક્ટ્રોડ જે 130 હર્ટ્ઝ ઉત્તેજના પહોંચાડે છે તેને તે ખૂબ જ નાના માઇક્રોવોલ્ટ સ્કેલ સિગ્નલો રેકોર્ડ કરવા પડે છે, અને ઉત્તેજના કલાકૃતિઓ તેને વિકૃત કરી શકે છે અને હાર્ડવેર ક્યારેક નિષ્ફળ પણ થઈ શકે છે. વર્તમાન સિસ્ટમ તમને ઊંડા મગજમાંથી સિગ્નલો રેકોર્ડ કરવા માટે ફક્ત એક કે બે બાયપોલર ચેનલો આપે છે.

તો આ બધી વર્તમાન સેન્સિંગ સિસ્ટમ્સની મર્યાદાઓ છે. આ જ કારણ છે કે આપણે તેને સુધારવા માંગીએ છીએ, તેને વધુ મજબૂત બનાવવા માંગીએ છીએ, બંધ લૂપ સિસ્ટમ બનાવવા માંગીએ છીએ. અને કોર્ટિકલ સેન્સિંગ એ એક રીત છે જેનો અમે પ્રસ્તાવ મૂકવા માંગીએ છીએ.

ડૉ. મિશેલ માટારાઝો: અને ઓછામાં ઓછું તમારા અનુભવમાં, વ્યવહારિક દ્રષ્ટિએ, આ કલાકૃતિઓ અથવા સિગ્નલ ડ્રોપઆઉટ, અથવા મર્યાદા, કેટલી વાર તે હાલમાં અનુકૂલનશીલ DBS માટે અર્થપૂર્ણ સમસ્યા છે?

ડૉ. ઝિક્સિયાઓ યિન: મને લાગે છે કે ક્લિનિકમાં, જેમ કે અનુકૂલનશીલ DBS માટે, મેડટ્રોનિક પર્સેપ્ટ ડિવાઇસ ઔપચારિક રીતે વ્યાપારી ઉપકરણ તરીકે ક્લિનિકમાં પ્રવેશી રહ્યું છે. અને [00:03:00] ચીનમાં, અમારી પાસે PINS જેવી બીજી બ્રાન્ડ પણ છે. હું કહીશ કે ઉત્તેજના ઘણીવાર સિગ્નલ ગુણવત્તામાં વિકૃતિનું કારણ બની શકે છે અને કેટલીક અન્ય જેવી ગતિશીલતા પણ સમસ્યારૂપ બની શકે છે.

અને મને લાગે છે કે તે બધી સમસ્યાઓ છે જે સિગ્નલની ગુણવત્તા ઘટાડશે. 

ડૉ. મિશેલ માટારાઝો: હવે, તમારા અભ્યાસનો એક રસપ્રદ પાસું ડેટાસેટ, ડેટાસેટનો સ્કેલ પણ છે. અમે 723 કલાકના એક સાથે કોર્ટિકલ અને સબકોર્ટિકલ રેકોર્ડિંગ વિશે વાત કરી રહ્યા છીએ. જો હું ખોટો ન હોઉં, તો તે બર્લિન, બેઇજિંગ અને સાન ફ્રાન્સિસ્કોના ત્રણ કેન્દ્રોમાં 49 દર્દીઓ હતા.

અને અગત્યનું, ઓછામાં ઓછું મેં તમારા સારાંશમાંથી જે વાંચ્યું છે તે આ રેકોર્ડિંગ્સમાં વિવિધ વર્તણૂકીય સ્થિતિઓ, સારવારની સ્થિતિ, મગજના લક્ષ્યો અને વિવિધ હલનચલન વિકૃતિઓનો પણ સમાવેશ થાય છે. શું તમે અમને આ ડેટાસેટ દ્વારા માર્ગદર્શન આપી શકો છો? તમે કોર્ટેક્સમાંથી બરાબર શું રેકોર્ડ કરી રહ્યા હતા, અને તમે ઊંડા મગજમાંથી શું રેકોર્ડ કરી રહ્યા હતા, અને [00:04:00] કઈ પરિસ્થિતિઓ હેઠળ?

ડૉ. ઝિક્સિયાઓ યિન: હા, તે સાચું છે. સૌ પ્રથમ, હું મારા માર્ગદર્શક, વુલ્ફ-જુલિયન ન્યુમેનની પ્રશંસા કરવા માંગુ છું, જે હવે સ્વિટ્ઝર્લૅન્ડમાં છે, પરંતુ તેઓ બર્લિનમાં હતા, અને તેમણે ત્રણ ખંડો, જેમ કે યુએસ, યુરોપ અને ચીનમાં દર્દીઓ સહિત આટલો વિશાળ ડેટા સેટ ગોઠવ્યો. જો આપણે ખરેખર ઇચ્છીએ છીએ કે આ કોર્ટિકલ ડીકોડિંગ ડીપ બ્રેઇન સિગ્નલો કામ કરે, આ ડીકોડર કામ કરે, તો આપણને ખરેખર તમામ પ્રકારના વર્તન અને તમામ પ્રકારના દર્દીઓની જરૂર છે, ડી-ડિફરન્ટ નિદાન પણ.

તો અહીં આ ડેટા સેટમાં, અમે પાર્કિન્સન રોગ અને ડાયસ્ટોનિયાવાળા દર્દીઓ, અને ટોરેટ સિન્ડ્રોમવાળા દર્દીઓનો પણ રેકોર્ડ કરીએ છીએ, અને જ્યારે તેઓ હાથ ફેરવતા હોય છે, એટલે કે હલનચલન કરતા હોય છે, અને જ્યારે તેઓ ઊંઘતા હોય છે ત્યારે અમે તેમને રેકોર્ડ કરીએ છીએ. તેથી આપણી પાસે જાગૃત અને નિદ્રાધીન સ્થિતિ છે. અને એ પણ, કારણ કે ડીપ બ્રેઈન સ્ટીમ્યુલેશન ડિવાઇસ ધરાવતા દર્દીઓ પાસે ઉપચાર છે, ઉદાહરણ તરીકે, દવાઓ અને ઉત્તેજના.

તેથી અમે એ પણ શોધ્યું કે શું અમારું ડીકોડર [00:05:00] વિવિધ ઉપચારાત્મક સ્થિતિઓમાં કામ કરી શકે છે જેમ કે STN ચાલુ/બંધ અને દવા ચાલુ/બંધ. તો આ રીતે અમારો ડેટા સેટ આવરી લે છે.

ડૉ. મિશેલ માટારાઝો: ખૂબ પ્રભાવશાળી. હવે, આ બધી માહિતી અને આ ડેટા સાથે, તમે CTXNet નામનું કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક વિકસાવ્યું છે જે કોર્ટિકલ સિગ્નલો લે છે અને સબકોર્ટિકલ પ્રવૃત્તિની આગાહી કરે છે. શું તમે સમજાવી શકો છો કે આપણે બધા આ સમજી શકીએ, એ જાણીને કે આપણે બધા આ પ્રકારના મોડેલિંગમાં નિષ્ણાત નથી?

મોડેલ કઈ માહિતી મેળવે છે, અને તમે મોડેલને શું આગાહી કરવા માટે કહી રહ્યા છો?

ડૉ. ઝિક્સિયાઓ યિન: આ મોડેલ કોર્ટેક્સમાંથી માહિતી મેળવે છે. અમે કોર્ટિકલ સિગ્નલોને સેન્સ કરવા માટે આ ECoG, ઇલેક્ટ્રોકોર્ટિકોગ્રાફીનો ઉપયોગ કરીએ છીએ. મૂળભૂત રીતે તે મગજના તરંગસ્વરૂપો છે જે કેટલીક પૂર્વ-પ્રક્રિયા પછી ગણતરી કરવામાં આવે છે, અને પછી આપણને સ્પેક્ટ્રલ બેન્ડ અને તરંગસ્વરૂપ સુવિધાઓ જેવી તમામ પ્રકારની માહિતી મળે છે જે પછી આપણે તે સુવિધાઓને આ ડીકોડરમાં ફીડ કરી શકીએ છીએ.

અને [00:06:00] જેમ તમે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક ભાગ માટે કહ્યું તેમ, અમે ડીપ બ્રેઇનના સ્પેક્ટ્રમ લક્ષણોને ફરીથી બનાવવાનો પ્રયાસ કરીએ છીએ. તેથી અમે તે તબક્કે છીએ, અમે ડીપ બ્રેઇનના સંપૂર્ણ સિગ્નલને ફરીથી ઉત્પન્ન કરીશું નહીં, પરંતુ અમે ફક્ત, ઉદાહરણ તરીકે, ડીપ બ્રેઇનમાં, સબથેલેમિક ન્યુક્લિયસમાં, સમય જતાં બીટા પાવરને ફરીથી બનાવવા માંગીએ છીએ.

તે ડેટાનું ઇનપુટ અને આઉટપુટ આ જ હતું.

ડૉ. મિશેલ માટારાઝો: અને તમે અહેવાલ આપ્યો છે કે આ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક અભિગમ પરંપરાગત સ્પેક્ટ્રલ ફીચર અભિગમો કરતાં લગભગ 40% વધુ સારું પ્રદર્શન કરે છે, ઓછામાં ઓછું STN બેન્ડ પ્રવૃત્તિને ડીકોડ કરવા માટે. આ આપણને શું કહે છે? આ 40% સુધારો શું છે? શું તે પૂરતું છે? શું તે સચોટ છે?

ડૉ. ઝિક્સિયાઓ યિન: હા, તે એક રસપ્રદ પ્રશ્ન છે. તો ૪૦%, આપણે જેની સરખામણી કરી રહ્યા છીએ તે પરંપરાગત મશીન લર્નિંગ મોડેલો જેવા છે, કારણ કે પહેલા આપણે કોર્ટેક્સ અને ડીપ બ્રેઇન વચ્ચે મેપિંગ સંબંધ બનાવવાનો પ્રયાસ કરવા માંગીએ છીએ. તો પહેલા આપણે તે મશીન લર્નિંગ [૦૦:૦૭:૦૦] મોડેલોનો ઉપયોગ કરીએ છીએ, મોડેલમાં પરંપરાગત સમય શ્રેણી અથવા સ્પેક્ટ્રમ સુવિધાઓ લઈએ છીએ અને પછી ડીપ બ્રેઇનમાં બીટા પાવરની આગાહી કરવાનો પ્રયાસ કરીએ છીએ.

પરંતુ તે મોડેલની સમસ્યા એ છે કે દરેક વ્યક્તિ આ ક્ષેત્રમાં નિષ્ણાત નથી હોતી, તેથી આપણે હંમેશા જાણતા નથી કે મોડેલમાં કઈ સૌથી માહિતીપ્રદ સુવિધાઓ દાખલ કરવી જોઈએ. તેથી કન્વોલ્યુશનલ ન્યુરલ નેટવર્કની શક્તિ એ છે કે તે કોર્ટેક્સમાંથી કાચા સિગ્નલો લે છે, અને પછી તે આપમેળે તે કાચા સિગ્નલોમાંથી જનરેટ કરેલી સૌથી માહિતીપ્રદ સુવિધાઓ પસંદ કરશે અને તેમના વજનને ન્યુરલ નેટવર્કમાં સમાયોજિત કરશે અને પછી આઉટપુટ આપશે.

તો, મને લાગે છે કે આ 40% સુધારો આ રીતે બહાર આવે છે. અને તે કેટલો ઊંચો છે તેના સંદર્ભમાં કારણ કે એકંદરે મારે સ્વીકારવું પડશે કે પુનઃનિર્મિત બીટા પાવર અને વાસ્તવિક બીટા પાવર વચ્ચેનો એકંદર પિયર્સન સહસંબંધ, સહસંબંધ ગુણાંક લગભગ 0.3 થી 0.5 ની રેન્જમાં છે.

તે ખરેખર વધારે નથી, પરંતુ અમે [00:08:00] એ પણ પુષ્ટિ કરી શકીએ છીએ કે ચોકસાઈના આ સમૂહમાંથી, અમે પાર્કિન્સન રોગના ઊંડા મગજમાં બીટા બર્સ્ટ જેવી પેથોલોજીકલ બર્સ્ટ પ્રવૃત્તિઓને વિશ્વસનીય રીતે શોધી શકીએ છીએ, અમે કહીએ છીએ કે લગભગ 70% ચોકસાઈ. હજુ પણ સુધારા માટે જગ્યાઓ છે, પરંતુ આ ખ્યાલના પુરાવા જેવું છે.

ડૉ. મિશેલ માટારાઝો: સરસ. હવે બીજી વાત જે તમે તમારા અભ્યાસમાં કરી, કારણ કે, બીટા પ્રવૃત્તિ જેવા એક જ બાયોમાર્કરની આગાહી કરવી એ એક વાત છે, પરંતુ તમે કાચા મગજના ઊંડા સંકેતને ફરીથી બનાવવા માટે ડિનોઇઝિંગ ડિફ્યુઝન પ્રોબેબિલિસ્ટિક મોડેલનો પણ ઉપયોગ કર્યો. શું તમે સમજાવી શકો છો કે આનો અર્થ શું છે અને આ કેવી રીતે કાર્ય કરે છે?

ડૉ. ઝિક્સિયાઓ યિન: મને લાગે છે કે આ કાર્યનો સૌથી રોમાંચક ભાગ છે. પહેલાં આપણે ફક્ત એટલું જ ઈચ્છતા હતા કે જો આપણે બીટાને ફરીથી બનાવી શકીએ, તો તે પહેલાથી જ અદ્ભુત છે. તે પહેલાથી જ ખૂબ જ મજબૂત ડીકોડર છે. અને પછી આપણે એક પગલું આગળ વધીને જોવા માંગીએ છીએ કે શું તે ઊંડા મગજમાંથી રેકોર્ડ કરાયેલ સંપૂર્ણ સિગ્નલને ફરીથી બનાવી શકે છે કે નહીં.

ફક્ત એક જ બેન્ડને ડીકોડ કરવામાં [00:09:00] સમસ્યા એ છે કે આપણને એક બેન્ડ માટે એક અલગ ડીકોડરની જરૂર છે. તેનો અર્થ એ કે જો આપણે બીટા ડીકોડ કરવા માંગતા હો, તો આપણને બીટા ડીકોડરની જરૂર છે. જો આપણે આલ્ફાને ડીકોડ કરવા માંગતા હો, તો આપણને આલ્ફા ડીકોડરની જરૂર છે. પરંતુ જો આપણે કાચા સિગ્નલનું પુનર્નિર્માણ કરી શકીએ, તો આપણે તે સિગ્નલ લઈ શકીએ છીએ અને આપણને જોઈતા કોઈપણ બેન્ડની ગણતરી કરી શકીએ છીએ.

તો DDPM, તમે ઉલ્લેખ કરેલું ડિનોઈઝિંગ ડિફ્યુઝન પ્રોબેબિલિસ્ટિક મોડેલ, ઇમેજ જનરેટરના વર્તમાન યુગ પાછળના મોડેલ જેવું જ છે. તેથી તેને રીગ્રેશન મોડેલ એક પછી એક બિંદુ જનરેટ કરે તે પસંદ નથી. તે સંખ્યાઓ, મૂલ્યોની શ્રેણી જનરેટ કરે છે.

તો તે કાચા STN સિગ્નલો છે. 

ડૉ. મિશેલ માટારાઝો: સરસ. અને જેમ તમે ઉલ્લેખ કરી રહ્યા હતા, તમે એક ડગલું આગળ વધ્યા એ અર્થમાં કે તમે ફક્ત આની સરખામણી વાસ્તવિક ઊંડા મગજની પ્રવૃત્તિ સાથે જ કરી રહ્યા નહોતા, પરંતુ તમે એ પણ અભ્યાસ કર્યો કે શું આ મોટર ગંભીરતાની આગાહી કરી શકે છે, ખરું ને?

ડૉ. ઝિક્સિયાઓ યિન: જેમ આપણે અનુમાનિત STN પાવર, STN કાચો સિગ્નલ, [00:10:00] લઈએ છીએ, પછી તે ઇમ-ઇમ્પ્યુટેડ સિગ્નલોમાંથી ગણતરી કરેલ બીટા પાવર લઈએ છીએ. અને પછી આપણે દર્દીના UPDRS મોટર ગંભીરતા સ્કોરની આગાહી કરવા માટે તે સુવિધાઓનો ઉપયોગ કરીએ છીએ, અને આપણે જોઈ શકીએ છીએ કે વાસ્તવિક UPDRS મૂલ્ય વિરુદ્ધ આપણા અનુમાનિત UPDRS મૂલ્ય, સહસંબંધ લગભગ 0.7 છે.

તે ઘણું વધારે છે. મારે અહીં એક વાત સ્પષ્ટ કરવી છે કે જેમ મેં કહ્યું, વાસ્તવિક સિગ્નલ અને આરોપિત સિગ્નલ વચ્ચે બીટા પાવર સહસંબંધ લગભગ 0.3 થી 0.5 છે, પરંતુ તે દર્દીની અંદર છે. તેથી દર્દીનો બીટા પાવર ઓસીલેટ થાય છે, પરંતુ તે હજુ પણ એક સ્તરની આસપાસ છે, વિષયનું ચોક્કસ સ્તર.

પરંતુ જો આપણે આ વિષય પ્રમાણે કરીએ, તો દરેક વિષયનું બેઝલાઇન સ્તર વત્તા ઓછા પ્રમાણમાં અલગ હોય છે. અને DDPM અને ન્યુરલ નેટવર્ક મોડેલો વિષયની અંદરના તફાવતો કરતાં તે ક્રોસ-વિષય તફાવતોને વધુ સચોટ રીતે કેપ્ચર કરી શકે છે. તે જ મુદ્દો છે.

ડૉ. મિશેલ માટારાઝો: ઠીક છે. [00:11:00] હવે જ્યારે અમે આ ઇન્ટરવ્યૂ શરૂ કર્યો હતો ત્યારથી પાછા જઈએ છીએ, ત્યારે આપણે કઈ ક્લિનિકલ સમસ્યાનો ઉકેલ લાવવા માંગીએ છીએ તે વિશે વાત કરીએ છીએ. હવે જ્યારે આપણે તમારા ડેટા વિશે થોડું વધુ જાણીએ છીએ, તો ચાલો એક વાસ્તવિક ક્લિનિકલ એપ્લિકેશનની કલ્પના કરવાનો પ્રયાસ કરીએ. સારાંશમાં, તમે સૂચવો છો કે આ આખરે ખોપરી ઉપરની ચામડી EEG નો ઉપયોગ કરીને બિન-આક્રમક બંધ લૂપ ન્યુરોમોડ્યુલેશનમાં ફાળો આપી શકે છે.

અને અહીં ખરેખર બે અલગ અલગ ટ્રાન્સલેશનલ પગલાં છે. પ્રથમ, ઇમ્પ્લાન્ટેડ કોર્ટિકલ રેકોર્ડિંગનો ઉપયોગ કરીને સબકોર્ટિકલ સેન્સિંગને વધારવા અથવા સમાન કરવા માટે, અથવા કદાચ બચાવવા માટે, અને બીજું, સંભવિત રીતે ઇમ્પ્લાન્ટેડ કોર્ટિકલ સેન્સિંગને ઓછી આક્રમક વસ્તુથી બદલવા, કંઈક, ચાલો કહીએ કે, તમે ખોપરીની બહાર મેળવી શકો છો.

તમારા મતે, આ બેમાંથી કયો ઉપયોગ ક્લિનિકલ અમલીકરણની વાસ્તવિક રીતે સૌથી નજીક છે અથવા આ બે અલગ અલગ અભિગમોમાંથી કયો અભિગમ ક્લિનિકલ પ્રેક્ટિસમાં વધુ મૂલ્યવાન હશે?

ડૉ. ઝિક્સિયાઓ યિન: હા, આ ખૂબ જ સારો પ્રશ્ન છે. સાચું કહું તો, મને લાગે છે કે બંને ખૂબ જ મૂલ્યવાન છે. અને [00:12:00] ક્લિનિકલ એપ્લિકેશનની નજીક કયું છે તે દ્રષ્ટિએ, મને લાગે છે કે તે ડીપ બ્રેઈન સેન્સિંગને બચાવવા માટે પ્રથમ છે. કારણ કે ઉદાહરણ તરીકે, જો આપણે પહેલા અલ્ગોરિધમ ધરાવી શકીએ, તો તે ડીપ બ્રેઈનમાં આર્ટિફેક્ટ્સ શોધી કાઢે છે, અને જ્યારે તેને લાગે છે કે કોઈ મજબૂત આર્ટિફેક્ટ છે જે ક્લોઝ્ડ લૂપ સિસ્ટમ માટે ફીડબેક સિગ્નલ તરીકે ડીપ બ્રેઈન સેન્સિંગને અવરોધી શકે છે, તો તે ડીપ બ્રેઈન સેન્સિંગથી કોર્ટિકલ સેન્સિંગમાં સ્વિચ કરી શકે છે, અને પછી કોર્ટિકલ સેન્સિંગ પોતે પહેલેથી જ મૂલ્યવાન છે, અને પછી તે ડીપ બ્રેઈન સિગ્નલોને પણ ગણી શકે છે અને તેને ફીડબેક સિગ્નલ તરીકે ઉમેરી શકે છે.

અને એકંદરે, આ બંધ લૂપ સિસ્ટમને વધુ મજબૂત બનાવશે. અને તમારો બીજો મુદ્દો એ છે કે કદાચ આપણે ઉદાહરણ તરીકે, સ્કેલ્પ EEG નો ઉપયોગ તે બિન-આક્રમક ઉત્તેજના ઉપચારને માર્ગદર્શન આપવા માટે કરી શકીએ છીએ. મને લાગે છે કે તે પણ એક સારો મુદ્દો છે. ઉદાહરણ તરીકે, હવે આપણી પાસે તે ટેમ્પોરલ ઇન્ટરફર્સ અથવા ફોકસ્ડ અલ્ટ્રાસાઉન્ડ છે જે ઊંડા મગજના વિસ્તારોમાં ઉત્તેજના લાગુ કરી શકે છે.

જો [00:13:00] આપણે ખરેખર તે ઉપચારોને બંધ લૂપ બનાવવા માંગીએ છીએ, તો આપણને પ્રતિસાદ સંકેતની પણ જરૂર છે. અને ઘણા કિસ્સાઓમાં, ઉદાહરણ તરીકે, પાર્કિન્સન રોગ માટે, પેથોલોજીકલ ઓસિલેશન, મજબૂત, a-જેમ આપણે હવે સ્થાપિત કર્યું છે તે STN માં બીટા પાવર છે. તેથી જો આપણે એક મૂકી શકીએ, જરૂરી નથી કે ખોપરી ઉપરની ચામડી EEG હોય, પણ ECoG પણ હોઈ શકે, અને પછી કોર્ટિકલ સંકેતોને સંવેદના આપી શકીએ અને તેનો ઉપયોગ ઊંડા મગજની સ્થિતિ વિશે માહિતી મેળવવા માટે સંકેતોને પણ ગણતરી કરવા માટે કરી શકીએ, અને પછી આપણે તેનો ઉપયોગ બિન-આક્રમક ઉત્તેજનાના વિતરણને માર્ગદર્શન આપવા માટે કરી શકીએ.

તો પછી આપણે ફક્ત સંવેદનાના કારણોસર ઊંડા મગજમાં ઇલેક્ટ્રોડ ઇમ્પ્લાન્ટ કરવાની જરૂર નથી.

ડૉ. મિશેલ માટારાઝો: સરસ. ઝિક્સિયાઓ, મને છેલ્લા પ્રશ્ન સાથે સમાપ્ત કરવા દો, જે છે: તમે હવે શું કરવાનું વિચારી રહ્યા છો? મને લાગે છે કે તમે હજી પણ આ ક્ષેત્રમાં કામ કરી રહ્યા છો. તમે ક્લિનિકલ પ્રેક્ટિસમાં આનો ઉપયોગ કેવી રીતે કરવો તે વિશે વધુ અભ્યાસ કરવાની યોજના બનાવી રહ્યા છો. ભવિષ્ય શું છે - એક યુવાન તપાસકર્તા તરીકે તમારું ભવિષ્ય, અને આ ટેકનોલોજીનું ભવિષ્ય શું છે?

ડૉ. ઝિક્સિયાઓ યિન: હા, પ્રશ્ન માટે આભાર. મને લાગે છે કે [00:14:00] આ તકનીકની હજુ પણ ઘણી મર્યાદાઓ છે. જેમ મેં કહ્યું, મને લાગે છે કે હાલમાં, તેનો વર્તમાન તબક્કો ખ્યાલના પુરાવા જેવો છે, પરંતુ જો આપણે ખરેખર તેને ખૂબ જ ઓછા વિલંબ સાથે રીઅલ-ટાઇમ સિસ્ટમમાં બનાવવા માંગીએ છીએ, અને જ્યારે ઇમ્પ્લાન્ટેબલ ઉપકરણ હોય, તો તેમની પાસે ખૂબ જ ઓછી સુપર ટિની મેમરી પણ હોય છે. આપણે તેમાં મોટું મોડેલ મૂકી શકતા નથી, તેથી આપણે મોડેલને ઓછું કરવાની અને ગણતરીના વિલંબને ઘટાડવાની જરૂર છે.

મને લાગે છે કે આ ટેકનિકને ક્લિનિકલ સેટિંગમાં મૂકવાનો આપણે આગળનો પ્રયાસ કરીશું. વધુમાં, મારું વર્તમાન કાર્ય પણ ચાલુ છે-- તો આ સેન્સિંગ બાજુ છે. જેમ મેં કહ્યું, આ ટેકનિકનો ઉપયોગ સ્થિતિ શોધને વધારવા માટે થઈ શકે છે. ઉદાહરણ તરીકે, અમે જોયું કે કોર્ટેક્સમાંથી આ ઇમ્પ્યુટેશન સાથે, કેટલાક દર્દીઓમાં, ગતિશીલતા સ્થિતિ અથવા ઊંઘની સ્થિતિ, ડીકોડિંગ ચોકસાઈ લગભગ 60% થી લગભગ 80% સુધી સુધારી શકાય છે, ઉદાહરણ તરીકે, ઊંઘના તબક્કાના વર્ગીકરણ સમસ્યા માટે.

તો મને લાગે છે કે આ બંધ લૂપ સિસ્ટમની એક બાજુ છે [00:15:00], શ્રવણ બાજુ, અને આપણે હાલમાં ઉત્તેજના બાજુ પર પણ કામ કરી રહ્યા છીએ કે જ્યારે આપણે કોઈ ચોક્કસ સ્થિતિ શોધી કાઢીએ ત્યારે મગજને શ્રેષ્ઠ રીતે કેવી રીતે ઉત્તેજીત કરવું. હા, જેમ કે દર્દી ઊંઘ દરમિયાન હોય ત્યારે, નોન-REM ઊંઘ, આપણે ઉત્તેજના કેવી રીતે શ્રેષ્ઠ રીતે લાગુ કરવી જોઈએ.

પણ એ બીજી વાત છે. 

ડૉ. મિશેલ માટારાઝો: અમે ભવિષ્યમાં વાર્તાના તે ભાગને સાંભળવા માટે આતુર રહીશું. ઝિક્સિયાઓ, જુનિયર એવોર્ડ પ્રાપ્ત કરવા બદલ ફરીથી અભિનંદન, અને આ ખૂબ જ રસપ્રદ કાર્યમાં અમને લઈ જવા બદલ આભાર.

ડૉ. ઝિક્સિઆઓ યિન: આભાર. આભાર.

ડૉ. મિશેલ માટારાઝો: તો તમારામાંથી જેઓ સિઓલમાં MDS કોંગ્રેસમાં હાજરી આપી રહ્યા છો, હું તમને પોસ્ટર પર ધ્યાન આપવા માટે પ્રોત્સાહિત કરું છું અને આ એક પૂર્ણ સત્રમાં પણ રજૂ કરવામાં આવશે. યાદ રાખો કે પોસ્ટરનું શીર્ષક "મૂવમેન્ટ ડિસઓર્ડર્સ પર ડીપ લર્નિંગનો ઉપયોગ કરીને કોર્ટિકલ સિગ્નલ્સમાંથી મગજની પ્રવૃત્તિને ડીકોડિંગ" છે.

જોડાવા બદલ આપ સૌનો આભાર.

 [00:16:00]