論文の概要: Deep Cross-Subject Mapping of Neural Activity
- arxiv url: http://arxiv.org/abs/2007.06407v3
- Date: Tue, 22 Feb 2022 03:17:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 23:58:40.734972
- Title: Deep Cross-Subject Mapping of Neural Activity
- Title（参考訳）: 神経活動の深部クロスオブジェクトマッピング
- Authors: Marko Angjelichinoski, Bijan Pesaran and Vahid Tarokh
- Abstract要約: 本研究では、ある被験者の神経活動信号に基づいて訓練されたニューラルデコーダを用いて、異なる被験者の運動意図を強固に復号できることを示す。
本稿では,クロスオブジェクト脳-コンピュータ開発に向けた重要なステップとして,本研究で報告した知見について述べる。
- 参考スコア（独自算出の注目度）: 33.25686697879346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective. In this paper, we consider the problem of cross-subject decoding,
where neural activity data collected from the prefrontal cortex of a given
subject (destination) is used to decode motor intentions from the neural
activity of a different subject (source). Approach. We cast the problem of
neural activity mapping in a probabilistic framework where we adopt deep
generative modelling. Our proposed algorithm uses deep conditional variational
autoencoder to infer the representation of the neural activity of the source
subject into an adequate feature space of the destination subject where neural
decoding takes place. Results. We verify our approach on an experimental data
set in which two macaque monkeys perform memory-guided visual saccades to one
of eight target locations. The results show a peak cross-subject decoding
improvement of $8\%$ over subject-specific decoding. Conclusion. We demonstrate
that a neural decoder trained on neural activity signals of one subject can be
used to robustly decode the motor intentions of a different subject with high
reliability. This is achieved in spite of the non-stationary nature of neural
activity signals and the subject-specific variations of the recording
conditions. Significance. The findings reported in this paper are an important
step towards the development of cross-subject brain-computer that generalize
well across a population.
- Abstract（参考訳）: 目的。
本稿では,対象者の前頭前野(運命)から収集した神経活動データを用いて,異なる対象(ソース)の神経活動から運動意図をデコードするクロスサブジェクトデコードの問題を考える。
アプローチ。
我々は,神経活動マッピングの問題を,深層生成モデルを採用する確率的枠組みにキャストした。
提案するアルゴリズムは,ディープコンディショナル変分オートエンコーダを用いて,対象者の神経活動の表現を,ニューラルデコードが行われる対象者の適切な特徴空間に推定する。
結果だ
本研究では,2匹のマカクザルが8つの標的位置の1つにメモリを誘導した視覚的ササードを実行する実験データセットに対するアプローチを検証する。
その結果、ピーク時のクロスサブジェクト復号化は、主題特異的復号よりも$8\%向上した。
結論だ
本研究では,ある被験者の神経活動信号に基づいて訓練された神経デコーダを用いて,異なる被験者の運動意図を高い信頼性でロバストにデコードできることを実証する。
これは、神経活動信号の非定常的な性質と、記録条件の主題固有のバリエーションにもかかわらず達成される。
重要なこと。
本稿で報告した知見は,集団に広く浸透するクロスオブジェクト脳コンピュータの開発に向けた重要な一歩である。
関連論文リスト
- Exploring Behavior-Relevant and Disentangled Neural Dynamics with Generative Diffusion Models [2.600709013150986]
行動の神経基盤を理解することは神経科学の基本的な目標である。
私たちのアプローチは、BeNeDiff'と呼ばれるもので、まずきめ細やかな神経部分空間を識別します。
次に、最先端の生成拡散モデルを使用して、各潜伏因子の神経力学を解釈する行動ビデオを合成する。
論文 参考訳（メタデータ） (2024-10-12T18:28:56Z) - Towards a "universal translator" for neural dynamics at single-cell, single-spike resolution [10.49121904052395]
我々は、複数の脳領域にまたがる多様なタスクを解決できる、神経スパイクデータのための最初の基礎モデルを構築する。
予測タスクには、単一ニューロンとリージョンレベルのアクティビティ予測、前方予測、行動復号化などがある。
論文 参考訳（メタデータ） (2024-07-19T21:05:28Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。
提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文 参考訳（メタデータ） (2023-11-02T08:26:29Z) - Automated Natural Language Explanation of Deep Visual Neurons with Large
Models [43.178568768100305]
本稿では,大きな基礎モデルを持つニューロンの意味的説明を生成するための,新しいポストホックフレームワークを提案する。
我々のフレームワークは、様々なモデルアーキテクチャやデータセット、自動化されたスケーラブルなニューロン解釈と互換性があるように設計されています。
論文 参考訳（メタデータ） (2023-10-16T17:04:51Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。