y p
play

Y P Transcranial Neuromodula.on O C T Dana H. Brooks O - PowerPoint PPT Presentation

Oct 24, 2023 •228 likes •1.06k views

Modeling and Op.miza.on of Y P Transcranial Neuromodula.on O C T Dana H. Brooks O Northeastern University N with Moritz Dannhauer and Sumientra Rampersad O D SPIRAL Group E S

  1. Modeling ¡and ¡Op.miza.on ¡of ¡ Y P Transcranial ¡Neuromodula.on O C T Dana ¡H. ¡Brooks O Northeastern ¡University N with ¡Moritz ¡Dannhauer ¡and ¡Sumientra ¡Rampersad O D SPIRAL ¡Group E S ECE ¡Department A Northeastern ¡University ¡ E and L P Center ¡for ¡Integra.ve ¡Compu.ng ¡(CIBC) University ¡of ¡Utah 1 Wednesday, November 15, 17

  2. Collaborators ¡(People ¡Who ¡Teach ¡Me ¡Stuff ¡ Y P and ¡Do ¡All ¡the ¡Work) O C • Northeastern ¡University • University ¡of ¡Utah T – Sumientra ¡Rampersad – Moritz ¡Dannhauer O – Seyhmus ¡Guler* – Rob ¡MacLeod N – Jaume ¡Coll-­‑Font – Jess ¡Tate O – Burak ¡Erem* – Ayla ¡Khan D – Deniz ¡Erdogmus – Daniel ¡White E – Kimia ¡Shayestehfard S * ¡No ¡longer ¡at ¡Northeastern A • Acknowledgements E • EGI ¡and ¡University ¡of ¡Oregon – Sumientra ¡Rampersad, ¡Moritz ¡ L – Don ¡Tucker Dannhauer, ¡Seyhmus ¡Guler ¡for ¡ P – Phan ¡Luu many ¡of ¡these ¡slides – NIH ¡NIGMS ¡grant ¡to ¡CIBC ¡ – Sergei ¡Turovetz 2 Wednesday, November 15, 17

  3. Limita.ons ¡of ¡Current ¡S.mula.on ¡Planning Y P O C • Experience ¡reports ¡that ¡a ¡substan.al ¡percentage ¡ T of ¡subjects ¡have ¡li[le ¡or ¡even ¡opposite ¡(excita.on ¡ O vs ¡inhibi.on) ¡response N O • Experience ¡reports ¡that ¡subjects ¡do ¡not ¡always ¡ D respond ¡consistently ¡on ¡repeat ¡applica.ons ¡of ¡ E the ¡same ¡protocol ¡(few ¡studies) S A • Interac.on ¡of ¡injected ¡current ¡with ¡complex ¡ E L neuroanatomy, ¡including ¡networks, ¡and ¡on-­‑going ¡ P ac.vity, ¡is ¡s.ll ¡not ¡well ¡enough ¡understood 3 Wednesday, November 15, 17

  4. So ¡What ¡Can ¡We ¡Do: ¡ Y Start ¡by ¡Understanding ¡the ¡Physics P O We ¡can ¡inject ¡current ¡..... ¡But ¡.....Where ¡does ¡it ¡go? C T O N O D E S A E L P Wednesday, November 15, 17

  5. And ¡... ¡how ¡can ¡we ¡target ¡regions ¡of ¡ Y P interest ¡ ¡? ¡ O C T O N O D E S A E L P 5 Wednesday, November 15, 17

  6. Finally, ¡how ¡can ¡we ¡adapt ¡to ¡ Y P individual ¡anatomy ¡? O C T O N O D E S A E L P 6 Wednesday, November 15, 17

  7. We ¡can ¡try ¡to ¡do ¡this ¡based ¡on ¡intracranial ¡ Y measurements P O C T O Huang ¡ et ¡al , ¡Elife, ¡2017 N Opitz ¡ et ¡al , ¡Sci ¡Rep ¡2016 O D E S But ¡that ¡does ¡not ¡scale ¡up ¡very ¡well ¡...... A E L Need ¡Computa.onal ¡Simula.ons ¡!! P 7 Wednesday, November 15, 17

  8. Modeling ¡To ¡Understand ¡/ ¡Improve ¡Targe.ng Y P O Modeling ¡might ¡improve ¡tCS C • more ¡focal ¡fields T O • less ¡total ¡current N • fewer ¡side ¡effects O D E Modeling ¡might ¡help ¡increase S • effects A E • safety L P • understanding Wednesday, November 15, 17

  9. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O D E S A E L P 9 Wednesday, November 15, 17

  10. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D E S A E L P 9 Wednesday, November 15, 17

  11. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D E S A E L P 9 Wednesday, November 15, 17

  12. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D E S A Currents ¡out ¡of ¡any ¡point ¡ E sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  13. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D E S A Currents ¡out ¡of ¡any ¡point ¡ E sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  14. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D No ¡current ¡flows ¡out ¡of ¡head ¡ E outside ¡electrodes S A Currents ¡out ¡of ¡any ¡point ¡ E sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  15. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D No ¡current ¡flows ¡out ¡of ¡head ¡ E outside ¡electrodes S A Currents ¡out ¡of ¡any ¡point ¡ E sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  16. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D No ¡current ¡flows ¡out ¡of ¡head ¡ E outside ¡electrodes S A Currents ¡out ¡of ¡any ¡point ¡ E sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  17. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D No ¡current ¡flows ¡out ¡of ¡head ¡ E outside ¡electrodes S A Current ¡in ¡through ¡ Currents ¡out ¡of ¡any ¡point ¡ E electrodes ¡is ¡known sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  18. So ¡we ¡need ¡to ¡model ¡electrical ¡ Y P behavior O C Relevant ¡equa.on: ¡Laplace ¡/ ¡Poisson ¡ T O PDE ¡with ¡boundary ¡condi.ons N O What ¡does ¡this ¡mean ¡? D No ¡current ¡flows ¡out ¡of ¡head ¡ E outside ¡electrodes S A Current ¡in ¡through ¡ Currents ¡out ¡of ¡any ¡point ¡ E electrodes ¡is ¡known sum ¡to ¡0 L P 9 Wednesday, November 15, 17

  19. A ¡Step ¡Back: ¡What ¡Happened ¡to ¡Time? Y P O • tDCS ¡vs ¡tRNS ¡vs ¡tACS? C T O N O • Differing ¡effects ¡depend ¡on D • Capaci.ve ¡effects ¡at ¡electrode ¡interfaces ¡and ¡in ¡.ssue E S • Interac.on ¡with ¡neural ¡biophysics ¡in ¡bulk ¡and ¡on-­‑going ¡ A neural ¡ac.vity E • NOT ¡MODELED ¡HERE ¡!! L P • All ¡we ¡can ¡look ¡at ¡(yet) ¡is ¡where ¡the ¡current ¡ goes 10 Wednesday, November 15, 17

  20. How ¡to ¡“solve” ¡== ¡find ¡where ¡ Y P current ¡goes ¡? O C Analy.cally ¡only ¡possible ¡in ¡a ¡few ¡geometries T O -­‑ ¡E.g. ¡concentric ¡spheres N O Otherwise ¡need ¡a ¡numerical ¡solver D -­‑ ¡Many ¡exist: ¡ E Boundary ¡Element ¡ S Finite ¡Element A Finite ¡Volume E L Finite ¡Difference P Finite ¡Element ¡Method ¡(FEM) ¡most ¡common 11 Wednesday, November 15, 17

  21. Finite ¡Element ¡Method Y P Divide ¡domain ¡into ¡small ¡subdomains O C T O N O D E S A E L P 12 Wednesday, November 15, 17

  22. Finite ¡Element ¡Method Y P Divide ¡domain ¡into ¡small ¡subdomains O C T O N O D Approximate ¡field ¡by ¡analy.cally ¡tractable ¡varia.on ¡(linear, ¡....) E S A E L P 12 Wednesday, November 15, 17

  23. Finite ¡Element ¡Method Y P O Write ¡equa.ons ¡at ¡nodes ¡(1,2,...) ¡over ¡elements ¡(A,B,...) C T 6 5 O 4 N ¡ ¡ ¡ ¡ ¡ ¡ ¡B C ¡ ¡ ¡ ¡ ¡ ¡ ¡D O D 2 3 E S ¡ ¡ ¡ ¡ ¡ ¡ ¡A A 1 E L Equa.ons ¡(integra.ons) ¡become ¡simplified P ==> ¡Lots ¡of ¡matrix ¡manipula.ons Then ¡apply ¡boundary ¡condi.ons: ¡more ¡manipula.ons 13 Wednesday, November 15, 17

  24. Finite ¡Element ¡Method Y P O C Result ¡is ¡a ¡large, ¡sparse ¡system ¡of ¡linear ¡equa.ons T O N O D E S A Solve ¡by ¡standard ¡methods ¡with ¡some ¡extra ¡tricks E L P 14 Wednesday, November 15, 17

  25. So ¡modeling ¡requires Y P O C T O N O D E S A E L P 15 Wednesday, November 15, 17

Recommend

More recommend