闭环脑刺激不再只追目标波形：CLEAR-FORCE把脑反馈并入误差，模拟中同步与抑制都奏效
核心概要
闭环脑刺激的控制器通常按预设目标训练，难以跟随脑活动的实时波动。CLEAR-FORCE把储层网络输出的目标误差与模拟脉冲网络群体膜电位的反馈误差合并，在刺激进行中实时更新读出权重。在两组脉冲神经元仿真中，它分别诱导出30 Hz振荡并压制阵发性爆发；闭环反馈强度高于零时误差低于开环，但反馈过弱反而差于开环。
深度剖析
一种基于储层计算的闭环控制器可以在刺激进行的同时学习，而不必把训练阶段与刺激阶段分开。 此前的闭环控制器多依赖离线训练或按预设参数调节，难以实时跟随脑活动的非平稳变化。 在由100个Izhikevich脉冲神经元构成的模拟脑网络上，控制器开启后出现持续的30 Hz振荡，关闭时放电稀疏且无主导频段。
控制器由一个100单元的循环储层网络构成，其读出权重通过递归最小二乘在线更新。 标准FORCE学习只用输出与目标信号的误差，CLEAR-FORCE额外引入一项来自受控脉冲网络的误差。 总误差是储层输出误差与群体平均膜电位误差按λ_force和λ_IZ加权之和；λ_IZ=0时退化为开环FORCE。
闭环反馈的收益取决于反馈强度，并非越弱越好。 在5–30 Hz的目标振荡范围内，λ_IZ大于零时误差普遍低于λ_IZ=0的开环情形。 最优λ_IZ在3.1到4.7之间；λ_IZ取值过低时误差高于开环，说明反馈信号太弱时开环反而更好。
同一控制器也能压制病理性爆发，且不依赖爆发起源于哪类神经元。 控制器关闭时，在5000–6000 ms窗口提高外部驱动会诱发爆发；控制器开启时同样的驱动未产生爆发。 无论爆发来自兴奋性还是抑制性神经元、控制器主要作用于哪类亚型，兴奋性与抑制性神经元的放电率都低于2 Hz，而控制器关闭时放电率持续更高。
启示与展望
演示范围限于由Izhikevich脉冲神经元构成的模拟脑网络，控制器目标在诱导振荡的仿真中保持固定；功耗估算只计入控制器计算，不含传感、刺激输出与通信。
诱导振荡时目标信号是预先给定的，作者把如何依据症状选择最优刺激参数列为当前工作范围之外；脉冲网络只用了单一Izhikevich参数区间；储层未被约束去给出最小有效刺激幅度。