論文の概要: Graph Convolutional Networks Reveal Neural Connections Encoding
Prosthetic Sensation
- arxiv url: http://arxiv.org/abs/2009.03272v1
- Date: Sun, 23 Aug 2020 01:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 02:53:13.985804
- Title: Graph Convolutional Networks Reveal Neural Connections Encoding
Prosthetic Sensation
- Title(参考訳): 義肢感覚を符号化するグラフ畳み込みネットワーク
- Authors: Vivek Subramanian, Joshua Khani
- Abstract要約: 被験者が人工的な入力を解釈することを学ぶときの刺激パラメータを最適化する機械学習戦略は、デバイスの有効性を向上させる可能性がある。
深層学習を非ユークリッドグラフデータに拡張する最近の進歩は、神経スパイク活動の解釈に新しいアプローチをもたらす。
人工感覚情報の処理に関与するニューロン間の機能的関係を推定するために,グラフ畳み込みネットワーク(GCN)を適用した。
- 参考スコア(独自算出の注目度): 1.4431534196506413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting stimulus features from neuronal ensembles is of great interest to
the development of neuroprosthetics that project sensory information directly
to the brain via electrical stimulation. Machine learning strategies that
optimize stimulation parameters as the subject learns to interpret the
artificial input could improve device efficacy, increase prosthetic
performance, ensure stability of evoked sensations, and improve power
consumption by eliminating extraneous input. Recent advances extending deep
learning techniques to non-Euclidean graph data provide a novel approach to
interpreting neuronal spiking activity. For this study, we apply graph
convolutional networks (GCNs) to infer the underlying functional relationship
between neurons that are involved in the processing of artificial sensory
information. Data was collected from a freely behaving rat using a four
infrared (IR) sensor, ICMS-based neuroprosthesis to localize IR light sources.
We use GCNs to predict the stimulation frequency across four stimulating
channels in the prosthesis, which encode relative distance and directional
information to an IR-emitting reward port. Our GCN model is able to achieve a
peak performance of 73.5% on a modified ordinal regression performance metric
in a multiclass classification problem consisting of 7 classes, where chance is
14.3%. Additionally, the inferred adjacency matrix provides a adequate
representation of the underlying neural circuitry encoding the artificial
sensation.
- Abstract(参考訳): 神経アンサンブルからの刺激特徴の抽出は、電気刺激によって脳に直接感覚情報を投影する神経補綴物の開発に大きな関心を寄せている。
被験者が人工的な入力を解釈するときに刺激パラメータを最適化する機械学習戦略は、デバイスの有効性を改善し、補綴性能を高め、誘発された感覚の安定性を確保し、外部入力を排除して消費電力を改善する。
深層学習を非ユークリッドグラフデータに拡張する最近の進歩は、神経スパイク活動の解釈に新しいアプローチをもたらす。
本研究では, 人工感覚情報の処理に関与するニューロン間の機能的関係を推定するために, グラフ畳み込みネットワーク(GCN)を適用した。
データは4つの赤外線センサー、ICMSベースのニューロプロセシスを用いて、自由に行動するラットから収集された。
我々はGCNを用いて4つの刺激チャネル間の刺激周波数を予測し、相対距離と方向情報をIR励起報酬ポートにエンコードする。
このGCNモデルでは、7つのクラスからなる多重クラス分類問題において、修正順序回帰性能指標の73.5%のピーク性能を達成でき、その確率は14.3%である。
さらに、推論隣接行列は、人工感覚をコードする基盤となる神経回路の適切な表現を提供する。
関連論文リスト
- Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳(メタデータ) (2024-02-26T15:01:54Z) - The Neuron as a Direct Data-Driven Controller [43.8450722109081]
本研究は、ニューロンを最適フィードバックコントローラとして概念化し、予測を最適化する現在の規範モデルを拡張する。
我々は、ニューロンを生物学的に実現可能なコントローラとしてモデル化し、ループダイナミクスを暗黙的に識別し、潜伏状態を推測し、制御を最適化する。
我々のモデルは、従来の、フィードフォワード、即時応答のマカロック-ピッツ-ローゼンブラットニューロンから大きく離れており、ニューラルネットワークを構築するための、新しく生物学的にインフォームドされた基本ユニットを提供する。
論文 参考訳(メタデータ) (2024-01-03T01:24:10Z) - Learn to integrate parts for whole through correlated neural variability [8.173681663544757]
感覚知覚は感覚ニューロンの反応に起因し、特定の知覚物体の物理的特性に関連付けられた知覚信号の集まりに反応する。
これらの神経反応から脳がどのように知覚情報を抽出するかを明らかにすることは、計算神経科学と機械学習の両方において重要な課題である。
本稿では,知覚情報を知覚ニューロンの相関変数に符号化し,下流ニューロンの発火速度に変換する統計力学理論を提案する。
論文 参考訳(メタデータ) (2024-01-01T13:05:29Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-06T13:04:45Z) - A Hybrid Neural Autoencoder for Sensory Neuroprostheses and Its
Applications in Bionic Vision [0.0]
感覚神経補綴は、失われた感覚機能を回復したり、人間の能力を増強するための有望な技術として登場しつつある。
本稿では、ディープニューラルネットワークエンコーダが、基礎となる生物学的システムを近似した、既知の固定されたフォワードモデルを逆転するように、いかに訓練されているかを示す。
概念実証として,視覚神経補綴症例に対するハイブリッド神経オートエンコーダ(HNA)の有効性を実証した。
論文 参考訳(メタデータ) (2022-05-26T20:52:00Z) - 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) - Training Deep Spiking Auto-encoders without Bursting or Dying Neurons
through Regularization [9.34612743192798]
スパイクニューラルネットワークは、計算神経科学における次世代の脳モデルに対する有望なアプローチである。
膜電位に基づくバックプロパゲーションを用いたエンドツーエンド学習を、スパイクする畳み込みオートエンコーダに適用する。
膜電位とスパイク出力に正規化を適用することで、死と破裂の両方のニューロンをうまく回避できることを示す。
論文 参考訳(メタデータ) (2021-09-22T21:27:40Z) - Neuroevolution of a Recurrent Neural Network for Spatial and Working
Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。
提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文 参考訳(メタデータ) (2021-02-25T02:13:52Z) - 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) - Controllable reset behavior in domain wall-magnetic tunnel junction
artificial neurons for task-adaptable computation [1.4505273244528207]
ドメイン壁-磁気トンネル接合(DW-MTJ)デバイスは、生物学的ニューロンの挙動を本質的に捉えることができることが示されている。
そこで本研究では,DW-MTJ人工ニューロンにおいて,3つの代替メカニズムを用いてエジラックス動作を実装可能であることを示す。
論文 参考訳(メタデータ) (2021-01-08T16:50:29Z)
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。