MARC

 008260203s2023        us                              c    eng  d
■001000017365990
■00520260209102909
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265406453
■035    ▼a(MiAaPQ)AAI32315811
■035    ▼a(MiAaPQ)GeorgiaTech76788
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aWimalasena,  Lahiru  N.
■24510▼aMethods  and  Analyses  to  Uncover  the  Muscle  Pattern-Generating  Mechanisms  of  the  Spinal  Cord  and  Motor  Cortex  Using  Deep  Learning-Based  Dynamical  Systems  Models
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a167  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Pandarinath,  Chethan;Yong,  Nicholas  Au.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aThe  motor  nervous  system  can  flexibly  generate  a  wide  range  of  voluntary  movements  by  coordinating  the  time-varying  activity  of  muscles  with  precision  on  the  order  of  milliseconds.  Understanding  the  natural  muscle  pattern-generating  functions  of  the  motor  cortex  and  spinal  cord  is  critical  to  the  development  of  technologies  like  brain-machine  interfaces  that  aim  to  restore  motor  function  through  the  stimulation  of  muscles.The  objectives  of  this  thesis  were  to  perform  high-fidelity  analyses  of  the  neural  population  activity  in  the  spinal  cord  and  motor  cortex  to  understand  their  roles  in  generating  patterns  of  muscle  activations.  The  first  aim  of  this  research  was  to  develop  methods  to  generate  high-fidelity  muscle  activation  estimates  from  EMG  recordings.  In  chapter  2,  we  adapted  a  large-scale  deep  learning-based  dynamical  systems  model  optimization  framework  for  cortical  spiking  activity  (AutoLFADS)  and  demonstrated  its  broad  application  to  de-noise  multi-muscle  EMG  recordings.  The  second  aim  of  this  research  was  to  investigate  the  activity  of  spinal  interneuron  populations  to  understand  their  role  in  locomotor  pattern  generation.  In  chapter  3,  we  pioneered  application  of  AutoLFADS  to  spinal  interneuron  and  muscle  recordings  to  uncover  precise  relationships.  The  third  aim  of  this  research  was  to  study  the  relationship  between  motor  cortical  populations  and  muscle  activations.  In  chapter  4,  we  studied  the  extent  to  which  linear  readouts  could  predict  muscle  activations  from  M1  during  a  complex  reach-to-grasp  task.  Finally,  in  chapter  5,  we  developed  a  platform  to  perform  manifold  alignment  of  M1  population  activity  that  led  to  stable  prediction  of  muscle  activations  over  95  days.
■590    ▼aSchool  code:  0078.
■650  4▼aAnkle
■650  4▼aKinematics
■650  4▼aBehavior
■650  4▼aDeep  learning
■650  4▼aBrain  research
■650  4▼aNeural  networks
■650  4▼aNervous  system
■650  4▼aElectromyography
■650  4▼aMuscle  function
■650  4▼aDynamical  systems
■650  4▼aVisualization
■650  4▼aSpinal  cord  injuries
■650  4▼aMathematics
■650  4▼aMedicine
■650  4▼aNeurosciences
■690    ▼a0800
■690    ▼a0405
■690    ▼a0564
■690    ▼a0317
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365990▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books