論文の概要: A Spiking Neural Network based on Neural Manifold for Augmenting
Intracortical Brain-Computer Interface Data
- arxiv url: http://arxiv.org/abs/2204.05132v1
- Date: Sat, 26 Mar 2022 15:32:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-17 09:46:27.234593
- Title: A Spiking Neural Network based on Neural Manifold for Augmenting
Intracortical Brain-Computer Interface Data
- Title(参考訳): 神経多様体に基づくスパイキングニューラルネットワークによる皮質内脳-コンピューター間インタフェースデータの増強
- Authors: Shengjie Zheng, Wenyi Li, Lang Qian, Chenggang He, Xiaojian Li
- Abstract要約: 脳-コンピュータインターフェース(BCI)は、脳内の神経信号をインストラクションに変換して外部デバイスを制御する。
高度な機械学習手法の出現により、脳-コンピュータインタフェースの能力はかつてないほど強化された。
ここでは、データジェネレータとしてスパイキングニューラルネットワーク(SNN)を用いる。
- 参考スコア(独自算出の注目度): 5.039813366558306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-computer interfaces (BCIs), transform neural signals in the brain into
in-structions to control external devices. However, obtaining sufficient
training data is difficult as well as limited. With the advent of advanced
machine learning methods, the capability of brain-computer interfaces has been
enhanced like never before, however, these methods require a large amount of
data for training and thus require data augmentation of the limited data
available. Here, we use spiking neural networks (SNN) as data generators. It is
touted as the next-generation neu-ral network and is considered as one of the
algorithms oriented to general artifi-cial intelligence because it borrows the
neural information processing from bio-logical neurons. We use the SNN to
generate neural spike information that is bio-interpretable and conforms to the
intrinsic patterns in the original neural data. Ex-periments show that the
model can directly synthesize new spike trains, which in turn improves the
generalization ability of the BCI decoder. Both the input and output of the
spiking neural model are spike information, which is a brain-inspired
intelligence approach that can be better integrated with BCI in the future.
- Abstract(参考訳): 脳-コンピュータインターフェース(BCI)は、脳内の神経信号をインストラクションに変換して外部デバイスを制御する。
しかし、十分なトレーニングデータを得ることは困難であり、制限もある。
先進的な機械学習手法の出現に伴い、脳-コンピュータインタフェースの能力はかつてないほど強化されてきたが、これらの手法はトレーニングに大量のデータを必要とするため、利用可能な限られたデータのデータ拡張が必要である。
ここでは、データジェネレータとしてスパイキングニューラルネットワーク(SNN)を用いる。
次世代ニューラルネットワークとして知られ、生体ニューロンからの神経情報処理を借用するため、一般的な人工脳知能に指向したアルゴリズムの1つと考えられている。
我々はSNNを用いて、生解釈可能なニューラルスパイク情報を生成し、元のニューラルデータの本質的なパターンに適合する。
このモデルは,BCIデコーダの一般化能力を向上させるために,新しいスパイク列車を直接合成できることを示す。
スパイク神経モデルの入力と出力はスパイク情報であり、脳にインスパイアされたインテリジェンスアプローチであり、将来的にはBCIとよりうまく統合できる。
関連論文リスト
- A frugal Spiking Neural Network for unsupervised classification of continuous multivariate temporal data [0.0]
スパイキングニューラルネットワーク(SNN)は神経型であり、進化する膜電位を持つより生物学的に可塑性なニューロンを使用する。
本稿では,連続データにおける多変量時間パターンの完全教師なし識別と分類のために設計されたFragal Single-layer SNNを紹介する。
論文 参考訳(メタデータ) (2024-08-08T08:15:51Z) - Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。
このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
論文 参考訳(メタデータ) (2024-06-07T08:32:30Z) - 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) - WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。
本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。
WaLiN-GUIはオープンソースとドキュメントが提供されている。
論文 参考訳(メタデータ) (2023-10-25T20:34:08Z) - PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。
PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
論文 参考訳(メタデータ) (2023-05-20T21:07:47Z) - 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) - 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) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳(メタデータ) (2022-03-18T07:05:27Z) - 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) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳(メタデータ) (2022-01-19T09:26:34Z) - Learning from Event Cameras with Sparse Spiking Convolutional Neural
Networks [0.0]
畳み込みニューラルネットワーク(CNN)は現在、コンピュータビジョン問題のデファクトソリューションとなっている。
イベントカメラとスピーキングニューラルネットワーク(SNN)を用いたエンドツーエンドの生物学的インスパイアされたアプローチを提案する。
この手法は、一般的なディープラーニングフレームワークPyTorchを使用して、イベントデータに直接スパーススパイクニューラルネットワークのトレーニングを可能にする。
論文 参考訳(メタデータ) (2021-04-26T13:52:01Z)
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。