160 Samenvatting fosfeenresoluties toonde aan dat de prestaties toenemen met het aantal gesimuleerde elektroden, maar dat bij hogere aantallen electroden de prestaties verzadigen. In tegenstelling tot de experimenten met menselijke deelnemers inHoofdstuk 2, lietende resultaten van de virtuele patiënten geen interactie-effect zien tussen fosfeenresolutie en scènecomplexiteit. De resultaten uit een tweede set virtuele experimenten met verschillende randdetectie-thresholds suggereren dat de benchmark kan worden gebruikt om optimale beeldverwerkingsparameters te evalueren. Hoewel de verschillen en overeenkomsten tussen ziende menselijke deelnemers en computationele agenten nog verder moeten worden onderzocht, geeft dit onderzoek aan dat reinforcement learning kan worden gebruikt als een computationele benchmark voor de functionele evaluatie van bionisch zicht in een natuurlijke mobiliteitstaak. Hoofdstuk 4onderzocht een generieker raamwerk voor de automatische optimalisatie van visuele prothesen met deep learning. Het raamwerk gebruikt een virtuele patiënt voor de evaluatie van de beeldkwaliteit van het bionisch zicht. In tegenstelling tot Hoofdstuk 3 bestaat deze virtuele patiënt uit een relatief envoudig decodeernetwerk (decoder). Daarnaast was er een encodeernetwerk (encoder) voor de generatie van fosfeenpatronen. De encoder en de decoder werden gelijktijdig getraind in eenend-to-end optimaliseringsprocedure. De eerste experimenten, ter bewijs van het principe, lieten zien dat de end-to-end auto-encoder succesvol kan worden getraind op basis van eenvoudige zwart-wit stimuli, evenals complexe naturalistische visuele stimuli. Zonder het specificeren van verdere begrenzingen werd alleen de informatie-transfer gemaximaliseerd, maar convergeerde het model naar klinisch onhaalbare oplossingen met veel actieve elektroden. De toevoeging van een spaarzaamheidsbeperking resulteerde in geparametriseerde controle over het aantal actieve elektroden. De resultaten van verdere experimenten gaven aan dat het model kan convergeren naar verschillende fosfeencoderingen door het wijzigen van de doelfunctie (learning objective). Afhankelijk van de doelfunctie, behield de fosfeenrepresentatie ofwel basale pixelinformatie ofwel meer abstracte, figuratieve informatie. Met supervised training kon de encoder worden getraind om gelabelde doelrepresentaties te coderen. Een reeks trainingsruns op willekeurige fosfeenindelingen liet zien dat het model kon worden afgestemd op implantatiespecifieke kenmerken. De resultaten suggereren dat het gepresenteerdeend-to-end frameworkkan worden gebruikt voor automatische optimalisatie en dat het framework rekening kan houden met veiligheidseisen, aangepaste reconstructietaken en patiëntspecifieke hardwareconfiguraties. Hoewel de fosfeensimulatie en de taken relatief eenvoudig zijn, demonstreren de gepresenteerde proof-of-principle resultaten het potentieel vanend-to-endoptimalisatie. Hoofdstuk 5onderzoekt een verbeterde fosfeensimulatie vergeleken met de simulaties in de eerste hoofdstukken. Specifieker, er wordt gekeken naar meer biologisch plausibele simulatie van corticaal bionisch zicht. De simulator maakt gebruik van differentieerbare operaties en koppelt expliciet de locatie, grootte, helderheid, waarnemingsdrempel en temporele dynamiek van de weergegeven fosfenen aan de elektrodelocaties en specifieke elektrische stimulatieparameters. Voor de berekening van de fosfeengrootte houdt de simulator rekening met het corticale vergrotingsprincipe (cortical magnification) ende verspreiding van activatie in het corticale weefsel, gebaseerd op diverse modellen uit de literatuur. De fosfeenhelderheid en de waarnemingsdrempels zijn gebaseerd op een
RkJQdWJsaXNoZXIy MTk4NDMw