論文の概要: Neural Co-Processors for Restoring Brain Function: Results from a
Cortical Model of Grasping
- arxiv url: http://arxiv.org/abs/2210.11478v1
- Date: Wed, 19 Oct 2022 04:13:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 15:47:24.739261
- Title: Neural Co-Processors for Restoring Brain Function: Results from a
Cortical Model of Grasping
- Title(参考訳): 脳機能の回復のためのニューラル・コプロセッサ : 把持の皮質モデルによる結果
- Authors: Matthew J. Bryan (1), Linxing Preston Jiang (1), Rajesh P N Rao (1)
((1) Neural Systems Laboratory, Paul G. Allen School of Computer Science &
Engineering, University of Washington)
- Abstract要約: クローズドループ脳-コンピュータインタフェースにおける大きな課題は、異なる主題や目的に対する継続的な神経活動の関数として最適な刺激パターンを見つけることである。
目標指向のクローズドループ神経刺激を実現するために,人工知能(AI)を利用した脳コプロセッサを用いて神経活動を形成する手法を提案する。
本稿では、ニューラルネットワーク(ANN)を用いて最適なクローズドループ刺激ポリシーを学習する「ニューラルコプロセッサ」と呼ばれる特定のタイプのコプロセッサについて検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: A major challenge in closed-loop brain-computer interfaces (BCIs)
is finding optimal stimulation patterns as a function of ongoing neural
activity for different subjects and objectives. Traditional approaches, such as
those currently used for deep brain stimulation, have largely followed a trial-
and-error strategy to search for effective open-loop stimulation parameters, a
strategy that is inefficient and does not generalize to closed-loop
activity-dependent stimulation. Approach: To achieve goal-directed closed-loop
neurostimulation, we propose the use of brain co-processors, devices which
exploit artificial intelligence (AI) to shape neural activity and bridge
injured neural circuits for targeted repair and rehabilitation. Here we
investigate a specific type of co-processor called a "neural co-processor"
which uses artificial neural networks (ANNs) to learn optimal closed-loop
stimulation policies. The co-processor adapts the stimulation policy as the
biological circuit itself adapts to the stimulation, achieving a form of
brain-device co-adaptation. We tested the neural co-processor's ability to
restore function after stroke by simulating a variety of lesions in a
previously published cortical model of grasping. Main results: Our results show
that a neural co-processor can restore reaching and grasping function after a
simulated stroke in a cortical model, achieving recovery towards healthy
function in the range 75-90%. Significance: This is the first proof-of-concept
demonstration, using computer simulations, of a neural co-processor for
activity-dependent closed-loop neurosimulation for optimizing a rehabilitation
goal after injury. Our results provide insights on how such co-processors may
eventually be developed for in vivo use to learn complex adaptive stimulation
policies for a variety of neural rehabilitation and neuroprosthetic
applications.
- Abstract(参考訳): 目的: クローズドループ脳-コンピュータインタフェース(BCI)における大きな課題は、異なる主題や目的に対して進行中の神経活動の関数として最適な刺激パターンを見つけることである。
現在脳深部刺激に使われているような従来のアプローチは、効率的な開ループ刺激パラメータを探索するための試行錯誤戦略に大きく従っているが、これは非効率であり、閉ループ活動依存刺激には一般化しない。
アプローチ: 目標指向のクローズドループ神経刺激を実現するため, 脳コプロセッサ, 人工知能(AI)を利用して神経活動を形作り, 損傷した神経回路をブリッジして修復・修復する装置を提案する。
本稿では、ニューラルネットワーク(ANN)を用いて最適閉ループ刺激ポリシーを学習する「ニューラルコプロセッサ」と呼ばれる特定のタイプのコプロセッサについて検討する。
コプロセッサは、生体回路自体が刺激に適応するにつれて刺激ポリシーに適応し、脳-デバイス共適応の一形態を達成する。
我々は,脳卒中後に機能回復する神経コプロセッサの能力について,これまでに公表された大脳皮質モデルを用いて検討した。
主な結果: 神経コプロセッサは, 脳皮質モデルにおける模擬脳卒中後に回復し,75~90%の範囲で正常機能への回復を達成できることを示した。
意義:これは、運動依存閉ループ神経シミュレーションのためのニューラルコプロセッサのコンピュータシミュレーションを用いて、損傷後のリハビリテーション目標を最適化する最初の概念実証である。
この結果から, 様々な神経リハビリテーションや神経補綴の応用において, 複雑な適応刺激ポリシーを学習するために, このようなコプロセッサをin vivoでどのように開発するかが示唆された。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳(メタデータ) (2024-02-19T09:29:37Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳(メタデータ) (2023-12-01T05:20:57Z) - Neural Networks from Biological to Artificial and Vice Versa [6.85316573653194]
この論文の主な貢献は、死んだニューロンが人工ニューラルネットワーク(ANN)の性能に与える影響についての研究である。
本研究の目的は, 生物学的領域における発見の潜在的適用性を評価することであり, 期待される結果は, 神経疾患に対する効果的な治療戦略の開発に重要な影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2023-06-05T17:30:07Z) - Learning to Act through Evolution of Neural Diversity in Random Neural
Networks [9.387749254963595]
ほとんどの人工ニューラルネットワーク(ANN)では、神経計算は通常すべてのニューロン間で共有される活性化関数に抽象化される。
本稿では,複雑な計算を行うことができる多様なニューロンの集合を実現するために,神経中心パラメータの最適化を提案する。
論文 参考訳(メタデータ) (2023-05-25T11:33:04Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳(メタデータ) (2021-07-10T19:02:27Z) - Brain Co-Processors: Using AI to Restore and Augment Brain Function [2.3986080077861787]
人工知能(AI)を用いた統合フレームワークにおいて、デコードとエンコーディングを組み合わせた脳コプロセッサを導入する。
脳のコプロセッサは、脳損傷後のリハビリのためにヘビアン可塑性を誘導することや、麻痺した手足の再アニメーション、記憶の増強など、様々な用途に使用できる。
本稿では,ニューラルネットワーク,ディープラーニング,強化学習に基づく脳コプロセッサ開発のための新しいフレームワークについて述べる。
論文 参考訳(メタデータ) (2020-12-06T21:06:28Z) - Deep Reinforcement Learning for Neural Control [4.822598110892847]
本稿では,深部強化学習に基づくニューラルサーキットの制御手法を提案する。
ニューラルネットワークとそのコネクトームをグリッドワールドにマッピングし、目的とする動作を達成するために必要なアクションを推論する。
ケモタキシーの制御のために神経ペプチド電流とシナプス構造を推定した。
論文 参考訳(メタデータ) (2020-06-12T17:41:12Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳(メタデータ) (2020-05-04T13:24:00Z)
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。