論文の概要: Convolutional Spiking Neural Networks for Detecting Anticipatory Brain
Potentials Using Electroencephalogram
- arxiv url: http://arxiv.org/abs/2208.06900v1
- Date: Sun, 14 Aug 2022 19:04:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 13:19:22.902195
- Title: Convolutional Spiking Neural Networks for Detecting Anticipatory Brain
Potentials Using Electroencephalogram
- Title(参考訳): 脳波を用いた脳電位予測のための畳み込みスパイクニューラルネットワーク
- Authors: Nathan Lutes, Venkata Sriram Siddhardh Nadendla and K. Krishnamurthy
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、生物学的に妥当な機械学習モデルを開発する手段として注目を集めている。
これらのネットワークは人間の脳内のシナプス接続を模倣し、二進数で近似できるスパイクトレインを生成する。
近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。
- 参考スコア(独自算出の注目度): 0.9453554184019105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking neural networks (SNNs) are receiving increased attention as a means
to develop "biologically plausible" machine learning models. These networks
mimic synaptic connections in the human brain and produce spike trains, which
can be approximated by binary values, precluding high computational cost with
floating-point arithmetic circuits. Recently, the addition of convolutional
layers to combine the feature extraction power of convolutional networks with
the computational efficiency of SNNs has been introduced. In this paper, the
feasibility of using a convolutional spiking neural network (CSNN) as a
classifier to detect anticipatory slow cortical potentials related to braking
intention in human participants using an electroencephalogram (EEG) was
studied. The EEG data was collected during an experiment wherein participants
operated a remote controlled vehicle on a testbed designed to simulate an urban
environment. Participants were alerted to an incoming braking event via an
audio countdown to elicit anticipatory potentials that were then measured using
an EEG. The CSNN's performance was compared to a standard convolutional neural
network (CNN) and three graph neural networks (GNNs) via 10-fold
cross-validation. The results showed that the CSNN outperformed the other
neural networks.
- Abstract(参考訳): スパイキングニューラルネットワーク(SNN)は、生物学的に妥当な機械学習モデルを開発する手段として注目を集めている。
これらのネットワークは人間の脳のシナプス接続を模倣し、二進数で近似できるスパイクトレインを生成し、浮動小数点演算回路による高い計算コストを予測している。
近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。
本研究では,畳み込みスパイキングニューラルネットワーク(csnn)を分類器として使用することで,脳波(eeg)を用いた被験者の制動意図に関連する予測的緩い皮質電位を検出できる可能性について検討した。
脳波データは、被験者が都市環境をシミュレートしたテストベッド上で遠隔操作車を操作する実験中に収集された。
参加者は、音声カウントダウンを通じて入ってくるブレーキイベントに警告され、脳波を用いて測定された予測電位を導き出す。
CSNNのパフォーマンスは、10倍のクロスバリデーションによる標準畳み込みニューラルネットワーク(CNN)と3つのグラフニューラルネットワーク(GNN)と比較された。
その結果、CSNNは他のニューラルネットワークよりも優れていた。
関連論文リスト
- How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural
Networks [56.35403810762512]
イベントベースの計算を伴う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におけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。
本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
論文 参考訳(メタデータ) (2023-02-01T04:22:59Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-12-06T23:45:58Z) - EEG-GNN: Graph Neural Networks for Classification of
Electroencephalogram (EEG) Signals [20.991468018187362]
畳み込みニューラルネットワーク(CNN)は脳波(EEG)から主観的不変の特徴を抽出するために頻繁に用いられる。
電極部位の機能的ネットワークに対する2次元グリッド型入力に適用される畳み込みとプーリングの概念を調整することにより、この制限を克服する。
我々は,グラフのノードに電極を投影する様々なグラフニューラルネットワーク(GNN)モデルを開発し,ノードの特徴を試行錯誤時に収集したEEGチャネルのサンプルとして表現し,ノードを重み付き/非重み付きエッジで接続する。
論文 参考訳(メタデータ) (2021-06-16T21:19:12Z) - Deep Kronecker neural networks: A general framework for neural networks
with adaptive activation functions [4.932130498861987]
我々は,適応的アクティベーション機能を持つニューラルネットワークの汎用フレームワークとして,新しいタイプのニューラルネットワークKronecker Neural Network(KNN)を提案する。
適切な条件下では、KNNはフィードフォワードネットワークによる損失よりも早く損失を減少させる。
論文 参考訳(メタデータ) (2021-05-20T04:54:57Z) - 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) - Combining Spiking Neural Network and Artificial Neural Network for
Enhanced Image Classification [1.8411688477000185]
生物学的脳シナプスによく似たSNN(spiking neural Network)は、低消費電力のために注目を集めている。
我々は、関係する性能を改善する汎用ハイブリッドニューラルネットワーク(hnn)を構築した。
論文 参考訳(メタデータ) (2021-02-21T12:03:16Z) - A biologically plausible neural network for multi-channel Canonical
Correlation Analysis [12.940770779756482]
皮質錐体ニューロンは、複数の神経集団から入力を受け取り、これらの入力を別々の樹状体区画に統合する。
我々は,生物学的に妥当なニューラルネットワークで実装可能なマルチチャネルCAAアルゴリズムを提案する。
生物学的信頼性のためには、ネットワークはオンライン環境で動作し、シナプス更新ルールはローカルである必要がある。
論文 参考訳(メタデータ) (2020-10-01T16:17:53Z) - Exploiting Heterogeneity in Operational Neural Networks by Synaptic
Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。
本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。
高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文 参考訳(メタデータ) (2020-08-21T19:03:23Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-02T15:38:44Z) - Effective and Efficient Computation with Multiple-timescale Spiking
Recurrent Neural Networks [0.9790524827475205]
本稿では,新しいタイプの適応スパイクリカレントニューラルネットワーク(SRNN)が,最先端の性能を実現する方法を示す。
我々は、従来のRNNよりも難しいタスクにおいて、SRNNの100倍のエネルギー改善を計算します。
論文 参考訳(メタデータ) (2020-05-24T01:04:53Z)
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。