[論文レビュー] Taming Epilepsy: Mean Field Control of Whole-Brain Dynamics

Ming Li, Ting Gao+1 more|arXiv (Cornell University)|Mar 11, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

本論文は Graph-Regularized Koopman Mean-Field Game (GK-MFG) を提案し、Koopmanリフティングのためのリザーバー計算と APAC-Net を組み合わせて EEG PLV から得られるグラフラプラシアン制約の下で全脳神経状態の分布を制御し、頑健な発作抑制を達成する。

ABSTRACT

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.

研究の動機と目的

• 癇癪発作抑制を高次元確率的平均場制御問題として動機づけ、モデリングする。
• 高次元の結合 HJB-FP 方程式を扱うメッシュフリーの APAC-Net ソルバーを開発する。
• PLV に基づく隣接行列から得られるグラフラプラシアン正則化を用いて脳トポロジーを埋め込む。
• RC-Koopman オペレータを用いて非線形脳ダイナミクスを線形化し高速フォワードシミュレーションを実現する。
• 学習した価値表面から最適制御律をリアルタイムで抽出可能にする。

提案手法

• 神経集団ダイナミクスを Koopman 抽出空間で制御付き確率微分方程式としてモデル化する: dz(t)=(Kz(t)+B_latent u(t))dt+Σ dW_t。
• 目的関数 J(u) を密度 ρ 上の走行コストと終端コストとして定式化し、状態ペナルティと制御エネルギーを含める: J(u)=E_z∼ρ[∫(C_state(z(t))+ (1/(2γ)) u(t)^T R u(t)) dt + G(z(T))]。
• APAC-Net による変分原理双対構造と Generator (ρ) と Value Network (φ) の GAN 的対立ゲームを活用して結合 HJB-FP 方程式を解く。
• 滑らかな活性化ネットワークを用いて価値関数 φ を近似し、ラプラシアンベースの HJB 残差訓練を安定させ、Generator によって密度多様体を探索させる。
• 状態コストにグラフラプラシアン正則化を組み込み: C_state(z)=||(I+L)x_phys||^2 で L は PLV ベースの隣接行列 A から得られる。
• セントラリティ指標に基づく中心性を用いた5つの主要ノード（チャネル 4,8,13,20,21）へアクチュエータを配置するスパースで物理情報を取り入れたアクチュエータ集合を選択する。
• RC-Koopman を用いて非線形ダイナミクスを Echo State Network で線形潜在空間へリフトし、リッジ回帰で Koopman 演算子 K を学習し、安定性のためスペクトル正規化を適用する。

実験結果

リサーチクエスチョン

• RQ1 平均場制御フレームワークは単一チャネルを追従するのではなく神経状態の全体分布を再構成することで発作を抑制できるか。
• RQ2 PLV に基づく脳トポロジーに基づくグラフラプラシアン正則化はトポロジー非依存の制御と比較して発作抑制を改善するか。
• RQ3 RC ベースの Koopman リフティングは平均場制御ループ内で高次元の非線形脳ダイナミクスに対する高速かつ正確な線形代替手段を提供できるか。
• RQ4 トップロジー上位の脳領域にある sparse なアクチュエータ集合で全局的性能を犠牲にせず制御を実現できるか。
• RQ5 学習した制御器は実際の患者の発作軌道へどの程度一般化し、EEG 分布の高次統計量を保持できるか。

主な発見

• APAC-Net は高次元 HJB-FP をメッシュフリー訓練で解き、グラフ制約下で頑健な発作抑制を達成。
• RC-Koopman の代理変数は発作ダイナミクスを追跡し、分布的性質を保持、ワージャン距離は 0.0243、RMSE は 0.3279。
• グラフ正則化コストは PLV ベースの脳トポロジーを埋め込み、制御信号の拡散を機能的接続に沿って誘導。
• 物理情報を取り入れた小規模アクチュエータ集合（5 ノード）で Pinning Control を用い全体抑制を達成。
• 最適制御 u* は解析的に u*(t)=−(1/(2γ)) R^−1 B_latent^T ∇_z φ(z,t) となり、リアルタイム実装を可能にする。
• 結果として 23 チャンネルの制御確率密度関数は発作様振幅から健全な分布へ移動し、摂動は局所化・低減された。