論文の概要: Deep Real-Time Decoding of bimanual grip force from EEG & fNIRS

• arxiv url: http://arxiv.org/abs/2103.05334v1
• Date: Tue, 9 Mar 2021 10:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 14:52:56.481263
• Title: Deep Real-Time Decoding of bimanual grip force from EEG & fNIRS
• Title（参考訳）: 脳波及びfNIRSからの両手グリップ力の深部リアルタイム復号化
• Authors: Pablo Ortega, Tong Zhao and Aldo Faisal
• Abstract要約: 非侵襲的移動脳画像から得られた皮質信号を用いて連続的な手力復号を実現する方法を示す。 以上の結果から,非侵襲的移動脳イメージングにより得られた皮質信号を用いた連続的な手力復号は,リハビリテーション,修復,消費者応用に直ちに影響を与えることが示唆された。
• 参考スコア（独自算出の注目度）: 3.0176686218359694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-invasive cortical neural interfaces have only achieved modest performance in cortical decoding of limb movements and their forces, compared to invasive brain-computer interfaces (BCIs). While non-invasive methodologies are safer, cheaper and vastly more accessible technologies, signals suffer from either poor resolution in the space domain (EEG) or the temporal domain (BOLD signal of functional Near Infrared Spectroscopy, fNIRS). The non-invasive BCI decoding of bimanual force generation and the continuous force signal has not been realised before and so we introduce an isometric grip force tracking task to evaluate the decoding. We find that combining EEG and fNIRS using deep neural networks works better than linear models to decode continuous grip force modulations produced by the left and the right hand. Our multi-modal deep learning decoder achieves 55.2 FVAF[%] in force reconstruction and improves the decoding performance by at least 15% over each individual modality. Our results show a way to achieve continuous hand force decoding using cortical signals obtained with non-invasive mobile brain imaging has immediate impact for rehabilitation, restoration and consumer applications.
• Abstract（参考訳）: 非侵襲的脳-コンピューターインターフェイスは、侵襲的脳-コンピューターインターフェイス(bcis)と比較して、四肢運動とその力の皮質デコードにおいて、わずかに性能が向上しただけである。 非侵襲的手法はより安全で安価でアクセスしやすい技術であるが、信号は宇宙領域(EEG)または時間領域(機能的近赤外分光のBOLD信号、fNIRS)の低解像度に苦しむ。 両手力発生の非侵襲的BCIデコードと連続的な力信号は,これまで実現されていないので,このデコードを評価するため,等尺的グリップ力追跡タスクを導入する。 深層ニューラルネットワークを用いた脳波とfNIRSの組み合わせは, 左手と右手の連続グリップ力変調をデコードするために線形モデルよりも有効であることがわかった。 マルチモーダル深層学習デコーダは,55.2fvaf[%]の強制再構成を達成し,各モードに対するデコード性能を少なくとも15%向上させる。 以上の結果から,非侵襲的移動脳イメージングにより得られた皮質信号を用いた連続的な手力復号は,リハビリテーション,修復,消費者応用に直ちに影響を与えることが示唆された。

関連論文リスト

• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• NEUROSEC: FPGA-Based Neuromorphic Audio Security [0.0]
  本稿では,FPGAを用いた音声処理のためのニューロモルフィックシステムの堅牢性と精度について述べる。 我々のフレームワークの特長は、検出率94%であり、5.39dB以内の脅威を識別および緩和する能力を高めることにある。 ニューロモルフィックコンピューティングとハードウェアセキュリティは、ミッションクリティカルおよびプライバシ保護アプリケーションにおいて多くのセンサードメインを提供する。
  論文  参考訳（メタデータ） (2024-01-22T15:47:05Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• 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)
• HemCNN: Deep Learning enables decoding of fNIRS cortical signals in hand grip motor tasks [0.0]
  畳み込みニューラルネットワークアーキテクチャであるHemCNNを用いて、fNIRSの左右手力復号化問題を解く。 HemCNNは、どの手が自然主義的な手の動き速度でグリップを実行したかを検知し、標準的な手法より優れていた。
  論文  参考訳（メタデータ） (2021-03-09T10:32:53Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Continuous Gesture Recognition from sEMG Sensor Data with Recurrent Neural Networks and Adversarial Domain Adaptation [1.7205106391379026]
  移動手首と非移動手首のジェスチャー認識において経験的な結果を示す。 RNNによる連続ジェスチャー認識にドメイン適応技術を加えることで、被験者間の移動能力が向上することを示した。
  論文  参考訳（メタデータ） (2020-12-16T09:24:37Z)

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。