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
- 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) - Surrogate Gradient Spiking Neural Networks as Encoders for Large
Vocabulary Continuous Speech Recognition [91.39701446828144]
スパイクニューラルネットワークは, 代理勾配法を用いて, 通常のリカレントニューラルネットワークのように訓練可能であることを示す。
彼らは音声コマンド認識タスクについて有望な結果を示した。
繰り返し発生する非スパイキングとは対照的に、ゲートを使わずに爆発する勾配問題に対して堅牢性を示す。
論文 参考訳(メタデータ) (2022-12-01T12:36:26Z) - 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) - Efficient spike encoding algorithms for neuromorphic speech recognition [5.182266520875928]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックプロセッサの実装に非常に効果的である。
実値信号は、SNNに適さない実値信号として符号化される。
本稿では,話者独立桁分類システムにおける4つのスパイク符号化手法について検討する。
論文 参考訳(メタデータ) (2022-07-14T17:22:07Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳(メタデータ) (2022-01-18T13:59:22Z) - 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。