論文の概要: Optimizing Stimulus Energy for Cochlear Implants with a Machine Learning
Model of the Auditory Nerve
- arxiv url: http://arxiv.org/abs/2211.07285v1
- Date: Mon, 14 Nov 2022 11:28:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 17:47:16.622373
- Title: Optimizing Stimulus Energy for Cochlear Implants with a Machine Learning
Model of the Auditory Nerve
- Title（参考訳）: 聴覚神経の機械学習モデルを用いた人工内耳の刺激エネルギーの最適化
- Authors: Jacob de Nobel, Anna V. Kononova, Jeroen Briaire, Johan Frijns, Thomas
B\"ack
- Abstract要約: 我々は,より効率的にシミュレーションを行うために,聴覚神経線維モデルの近似モデルを開発した。
畳み込みニューラルネットワークは、聴覚神経線維モデルの挙動を極めて高い類似性でエミュレートすることができた。
また,超平面投影を用いた電荷平衡波形をランダムに生成する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Performing simulations with a realistic biophysical auditory nerve fiber
model can be very time consuming, due to the complex nature of the calculations
involved. Here, a surrogate (approximate) model of such an auditory nerve fiber
model was developed using machine learning methods, to perform simulations more
efficiently. Several machine learning models were compared, of which a
Convolutional Neural Network showed the best performance. In fact, the
Convolutional Neural Network was able to emulate the behavior of the auditory
nerve fiber model with extremely high similarity ($R^2 > 0.99$), tested under a
wide range of experimental conditions, whilst reducing the simulation time by
five orders of magnitude. In addition, we introduce a method for randomly
generating charge-balanced waveforms using hyperplane projection. In the second
part of this paper, the Convolutional Neural Network surrogate model was used
by an Evolutionary Algorithm to optimize the shape of the stimulus waveform in
terms energy efficiency. The resulting waveforms resemble a positive
Gaussian-like peak, preceded by an elongated negative phase. When comparing the
energy of the waveforms generated by the Evolutionary Algorithm with the
commonly used square wave, energy decreases of 8% - 45% were observed for
different pulse durations. These results were validated with the original
auditory nerve fiber model, which demonstrates that our proposed surrogate
model can be used as its accurate and efficient replacement.
- Abstract（参考訳）: 現実的な生体物理学的神経線維モデルによるシミュレーションは、計算の複雑な性質のために非常に時間がかかる。
そこで,このような聴覚神経線維モデルのサロゲートモデル(近似)を機械学習を用いて開発し,シミュレーションをより効率的に行う。
いくつかの機械学習モデルを比較し、畳み込みニューラルネットワークが最高のパフォーマンスを示した。
実際、畳み込みニューラルネットワークは、幅広い実験条件下でテストされた非常に高い類似度(r^2 > 0.99$)で聴覚神経線維モデルの挙動をエミュレートすることができ、シミュレーション時間を5桁削減することができた。
さらに,超平面投影を用いた電荷平衡波形をランダムに生成する手法を提案する。
本稿では、進化的アルゴリズムを用いて、エネルギー効率の観点から刺激波形の形状を最適化するために、畳み込みニューラルネットワークサロゲートモデルを用いた。
得られた波形は、長い負の位相が先行する正のガウス状ピークに似ている。
進化アルゴリズムによって生成された波形のエネルギーと一般的に使用される正方形波を比較すると、異なるパルス持続時間でエネルギーの8%から45%の低下が観測された。
これらの結果は, 従来の聴覚神経線維モデルを用いて検証され, 提案するサーロゲートモデルが精度と効率の良さを実証した。
関連論文リスト
- Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling [3.9134883314626876]
我々は、乱流の代理モデリングにおいて、ニューラル演算子のスペクトル制限に対処するために、拡散モデルとニューラル演算子を統合する。
我々のアプローチは、多様なデータセット上で異なるニューラル演算子に対して検証されている。
この研究は、生成モデルとニューラル演算子を組み合わせるための新しいパラダイムを確立し、乱流系の代理モデリングを前進させる。
論文 参考訳（メタデータ） (2024-09-13T02:07:20Z) - On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。
我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
論文 参考訳（メタデータ） (2023-07-28T13:22:32Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。
訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。
本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文 参考訳（メタデータ） (2021-08-11T19:17:39Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Lightning-Fast Gravitational Wave Parameter Inference through Neural
Amortization [6.810835072367285]
ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。
シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
論文 参考訳（メタデータ） (2020-10-24T16:48:24Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z)
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。