MARC

 008250123s2024        us                              c    eng  d
■001000017163938
■00520250211152811
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384474982
■035    ▼a(MiAaPQ)AAI31558016
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aDemir,  Cenk.
■24510▼aNeuron  Growth  Estimation  and  Control
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a161  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Krstic,  Miroslav.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aThis  dissertation  introduces  a  control  mechanism  for  addressing  neuronal  growth  problems,  which  can  be  applied  to  neurological  disorders  such  as  spinal  cord  injuries,  Parkinson's  disease,  and  Alzheimer's  disease  that  limit  neuronal  functionality.  We  consider  a  recent  medical  therapy,  Chondroitinase  ABC  (ChABC),  as  a  control  mechanism  for  these  conditions.  ChABC  aims  to  treat  these  conditions  by  restoring  neuron  functionality  through  axon  growth  for  damaged  neurons.  It  manipulates  the  extracellular  matrix  (ECM),  a  network  of  macromolecules  and  minerals  that  surrounds  neurons  and  regulates  their  activity.  As  a  result,  neurons  produce  tubulin  proteins,  which  cause  the  axon  to  elongate.  This  process  is  modeled  as  a  Partial  Differential  Equation  (PDE),  representing  the  behavior  of  tubulin  concentration  along  the  axon,  with  a  moving  boundary  governed  by  Ordinary  Differential  Equations  (ODE)  consisting  of  the  dynamics  of  the  axon  length  and  tubulin  concentration  in  the  growth  cone.  In  this  dissertation,  we  propose  nonlinear  design  methods  for  a  novel  state  feedback  control  law,  an  observer,  and  an  output  feedback  control  law  for  a  one-dimensional  model  of  axonal  elongation.  We  demonstrate  the  robustness  of  the  model  to  parameter  changes  of  up  to  40%  relative  to  the  original  design  and  analysis  framework.  We  also  address  potential  challenges,  such  as  input  delay,  and  propose  a  compensation  mechanism  to  overcome  these  issues.  In  addition  to  theoretical  challenges,  we  enhance  the  practical  applicability  of  the  proposed  control  law  by  introducing  an  event-triggered  control  mechanism  that  allows  users  to  update  the  control  law  in  a  sample-based  manner.  We  ensured  local  exponential  stability  and  convergence  of  the  closed-loop  system,  integrating  the  plant  dynamics  with  the  proposed  control  law  across  all  these  techniques.  The  performance  of  the  designed  control  methods  was  validated  through  numerical  simulations,  demonstrating  neuron  elongation  by  up  to  three  orders  of  magnitude.  These  advancements  offer  promising  avenues  for  enhancing  neural  regeneration  therapies  and  contribute  significantly  to  the  understanding  of  neural  growth  dynamics,  while  also  advancing  theoretical  control  of  Stefan-type  moving  boundary  PDE-ODE  coupled  systems.
■590    ▼aSchool  code:  0033.
■650  4▼aAerospace  engineering
■650  4▼aNeurosciences
■650  4▼aEngineering
■653    ▼aAxon
■653    ▼aControl  mechanism
■653    ▼aNeuronal  growth
■653    ▼aPDE  backstepping
■653    ▼aTubulin
■653    ▼aExtracellular  matrix
■690    ▼a0538
■690    ▼a0317
■690    ▼a0537
■71020▼aUniversity  of  California,  San  Diego▼bMechanical  and  Aerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163938▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서