論文の概要: Dynamic Ensemble Bayesian Filter for Robust Control of a Human
Brain-machine Interface
- arxiv url: http://arxiv.org/abs/2204.11840v1
- Date: Fri, 22 Apr 2022 04:30:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 08:04:01.012859
- Title: Dynamic Ensemble Bayesian Filter for Robust Control of a Human
Brain-machine Interface
- Title(参考訳): ヒト脳-機械インタフェースのロバスト制御のための動的アンサンブルベイズフィルタ
- Authors: Yu Qi, Xinyun Zhu, Kedi Xu, Feixiao Ren, Hongjie Jiang, Junming Zhu,
Jianmin Zhang, Gang Pan, Yueming Wang
- Abstract要約: 脳機械インタフェース(BMI)は、人工装具やコンピュータカーソルなどのデバイスを直接脳に制御することを目的としている。
現在のBMIの1つの大きな制限は、ニューラルネットワークの可変性によるオンライン制御の不安定なパフォーマンスである。
オンラインBMI制御におけるニューラル変動に対処する動的アンサンブルベイズフィルタ(DyEnsemble)を提案する。
- 参考スコア(独自算出の注目度): 9.127608168119975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Brain-machine interfaces (BMIs) aim to provide direct brain
control of devices such as prostheses and computer cursors, which have
demonstrated great potential for mobility restoration. One major limitation of
current BMIs lies in the unstable performance in online control due to the
variability of neural signals, which seriously hinders the clinical
availability of BMIs. Method: To deal with the neural variability in online BMI
control, we propose a dynamic ensemble Bayesian filter (DyEnsemble). DyEnsemble
extends Bayesian filters with a dynamic measurement model, which adjusts its
parameters in time adaptively with neural changes. This is achieved by learning
a pool of candidate functions and dynamically weighting and assembling them
according to neural signals. In this way, DyEnsemble copes with variability in
signals and improves the robustness of online control. Results: Online BMI
experiments with a human participant demonstrate that, compared with the
velocity Kalman filter, DyEnsemble significantly improves the control accuracy
(increases the success rate by 13.9% and reduces the reach time by 13.5% in the
random target pursuit task) and robustness (performs more stably over different
experiment days). Conclusion: Our results demonstrate the superiority of
DyEnsemble in online BMI control. Significance: DyEnsemble frames a novel and
flexible framework for robust neural decoding, which is beneficial to different
neural decoding applications.
- Abstract(参考訳): 目的:脳機械インタフェース(BMI)は、人工装具やコンピュータカーソルなどのデバイスを直接脳に制御することを目的としており、移動性回復の大きな可能性を示している。
現在のBMIの1つの大きな制限は、神経信号の変動によるオンライン制御の不安定な性能であり、BMIの臨床的利用を著しく妨げている。
方法:オンラインBMI制御におけるニューラル変動に対処するため,動的アンサンブルベイズフィルタ(DyEnsemble)を提案する。
DyEnsembleは動的測定モデルを用いてベイズフィルタを拡張し、ニューラルネットワークに適応してパラメータを調整する。
これは候補関数のプールを学習し、神経信号に従って動的に重み付け、組み立てることによって達成される。
このように、DyEnsembleは信号の変動に対処し、オンライン制御の堅牢性を向上させる。
結果: オンラインbmi実験では,velocity kalmanフィルタと比較して, dyensembleは制御精度(成功率を13.9%向上させ, 到達時間を13.5%減少させる)とロバスト性(異なる実験日で安定的に変化する)を大幅に改善することが示された。
結論: オンラインBMI制御におけるDyEnsembleの優位性を示した。
意義: DyEnsembleは、堅牢なニューラルデコーディングのための新しく柔軟なフレームワークであり、異なるニューラルデコーディングアプリケーションに有用である。
関連論文リスト
- Robust Stable Spiking Neural Networks [45.84535743722043]
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ハードウェアの低エネルギー予算のため、ディープラーニングで人気を集めている。
SNNを敵の攻撃の脅威から守るために多くの研究がなされている。
本稿では非線形システムの安定性のレンズによるSNNの堅牢性を明らかにすることを目的とする。
論文 参考訳(メタデータ) (2024-05-31T08:40:02Z) - 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) - Evolving Connectivity for Recurrent Spiking Neural Networks [8.80300633999542]
リカレントニューラルネットワーク(RSNN)は、人工知能の進歩に大きな可能性を秘めている。
本稿では、RSNNをトレーニングするための推論のみの手法である、進化的接続性(EC)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-28T07:08:25Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - Adaptation through prediction: multisensory active inference torque
control [0.0]
本稿では,産業用アームのための多感能動型トルクコントローラを提案する。
私たちのコントローラは、予測的脳仮説にインスパイアされ、現在のアクティブな推論アプローチの能力を向上します。
論文 参考訳(メタデータ) (2021-12-13T16:03:18Z) - Neural optimal feedback control with local learning rules [67.5926699124528]
運動制御の大きな問題は、脳がどのように遅延と雑音の刺激に直面して適切な動きを計画し実行するかを理解することである。
本稿では,適応カルマンフィルタとモデル自由制御手法を組み合わせた新しいオンラインアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-11-12T20:02:00Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Towards Natural Brain-Machine Interaction using Endogenous Potentials
based on Deep Neural Networks [20.598972933619198]
脳機械インタフェース(BMI)はロボットと協調する上で望ましい技術である。
EEGの精度は低く、信号対雑音比が低いため、自由度は制限されている。
本研究では,複数の内因性BMIパラダイムのパラダイム間分類の可能性を検討した。
論文 参考訳(メタデータ) (2021-06-25T05:34:15Z) - Constrained plasticity reserve as a natural way to control frequency and
weights in spiking neural networks [0.0]
細胞動力学は神経細胞が激しいシグナルをフィルターして、ニューロンの発火速度を安定させるのにどのように役立つかを示す。
このようなアプローチは、AIシステムの堅牢性を改善するために、機械学習領域で使用される可能性がある。
論文 参考訳(メタデータ) (2021-03-15T05:22:14Z) - SpikeDyn: A Framework for Energy-Efficient Spiking Neural Networks with
Continual and Unsupervised Learning Capabilities in Dynamic Environments [14.727296040550392]
スパイキングニューラルネットワーク(SNN)は、生物学的妥当性のため、効率的な教師なしおよび継続的な学習能力の可能性を秘めている。
動的環境下での継続学習と教師なし学習機能を備えたエネルギー効率の高いSNNのためのフレームワークであるSpikeDynを提案する。
論文 参考訳(メタデータ) (2021-02-28T08:26:23Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳(メタデータ) (2021-01-26T16:01:02Z)
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。