論文の概要: HarmonICA: Neural non-stationarity correction and source separation for motor neuron interfaces

• arxiv url: http://arxiv.org/abs/2406.19581v1
• Date: Fri, 28 Jun 2024 00:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 18:10:10.144406
• Title: HarmonICA: Neural non-stationarity correction and source separation for motor neuron interfaces
• Title（参考訳）: HarmonICA: 運動ニューロンの神経非定常性補正と音源分離
• Authors: Alexander Kenneth Clarke, Agnese Grison, Irene Mendez Guerra, Pranav Mamidanna, Shihan Ma, Silvia Muceli, Dario Farina,
• Abstract要約: 本研究では、教師なし学習アルゴリズムを用いて、信号非定常性を駆動する潜在過程の効果を盲目的に補正する潜在的な解決策を提案する。 提案した設計であるHarmonICAは、非線形ICAの識別可能性問題を脇に置いている。 模擬・実の両方の侵襲的・非侵襲的記録に対してHarmonICAを試験した。
• 参考スコア（独自算出の注目度）: 37.0279893661798
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A major outstanding problem when interfacing with spinal motor neurons is how to accurately compensate for non-stationary effects in the signal during source separation routines, particularly when they cannot be estimated in advance. This forces current systems to instead use undifferentiated bulk signal, which limits the potential degrees of freedom for control. In this study we propose a potential solution, using an unsupervised learning algorithm to blindly correct for the effects of latent processes which drive the signal non-stationarities. We implement this methodology within the theoretical framework of a quasilinear version of independent component analysis (ICA). The proposed design, HarmonICA, sidesteps the identifiability problems of nonlinear ICA, allowing for equivalent predictability to linear ICA whilst retaining the ability to learn complex nonlinear relationships between non-stationary latents and their effects on the signal. We test HarmonICA on both invasive and non-invasive recordings both simulated and real, demonstrating an ability to blindly compensate for the non-stationary effects specific to each, and thus to significantly enhance the quality of a source separation routine.
• Abstract（参考訳）: 脊髄運動ニューロンと対面する際の大きな問題は、ソース分離ルーチン中の信号の非定常効果を正確に補償する方法である。 これにより、現在のシステムは、制御の自由度を制限する未分化のバルク信号を使用するように強制される。 本研究では、教師なし学習アルゴリズムを用いて、信号非定常性を駆動する潜在過程の効果を盲目的に補正する潜在的な解決策を提案する。 独立成分分析(ICA)の準線形版の理論的枠組みの中で,この方法論を実装した。 提案した設計であるHarmonICAは、非線形ICAの識別可能性の問題の側面を踏襲し、線形ICAに等価な予測可能性を実現すると同時に、非定常潜伏子間の複雑な非線形関係と信号に対するそれらの影響を学習する能力を保持する。 我々はハーモニカを、シミュレーションと実の両方の侵襲的および非侵襲的記録でテストし、それぞれに特異的な非定常効果を盲目的に補償できることを示し、ソース分離ルーチンの品質を著しく向上させる。

関連論文リスト

• Nonlinear Neural Dynamics and Classification Accuracy in Reservoir Computing [3.196204482566275]
  複雑度の異なる人工分類タスクにおける貯水池コンピュータの精度について検討する。 極端に非線形性が低下した活性化関数や弱いリカレント相互作用、小さな入力信号であっても、貯水池は有用な表現を計算することができる。
  論文  参考訳（メタデータ） (2024-11-15T08:52:12Z)
• A method for identifying causality in the response of nonlinear dynamical systems [0.0]
  データ駆動モデルを構築するには、システムの入力と出力を実験的に測定する必要がある。 モデル内の不正確さがエラーやノイズのモデル化に起因するかどうかを判断することは困難である。 本稿では,入力出力データの因果成分を,出力雑音の存在下でのシステム計測から同定する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-26T14:19:07Z)
• Robust Recurrent Neural Network to Identify Ship Motion in Open Water with Performance Guarantees -- Technical Report [8.441687388985162]
  リカレントニューラルネットワークは、入力出力測定から未知の非線形システムの力学を純粋に学習することができる。 本研究では,非線形乱れを伴う線形時間不変系として,リカレントニューラルネットワークを表現する。
  論文  参考訳（メタデータ） (2022-12-12T09:07:37Z)
• A Theoretical Overview of Neural Contraction Metrics for Learning-based Control with Guaranteed Stability [7.963506386866862]
  本稿では,最適縮尺と対応する微分リャプノフ関数のニューラルネットワークモデルを提案する。 そのイノベーションは、学習ベースの制御フレームワークに対して、正式な堅牢性を保証することである。
  論文  参考訳（メタデータ） (2021-10-02T00:28:49Z)
• Convolutional Filtering and Neural Networks with Non Commutative Algebras [153.20329791008095]
  本研究では,非可換畳み込みニューラルネットワークの一般化について検討する。 非可換畳み込み構造は作用素空間上の変形に対して安定であることを示す。
  論文  参考訳（メタデータ） (2021-08-23T04:22:58Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Causal Inference Using Linear Time-Varying Filters with Additive Noise [18.35147325731821]
  制約構造因果モデルフレームワークを用いた因果推論は、データ生成機構による原因と効果の非対称性に大きく依存する。 データの非定常性を利用して対称性を破ることを提案する。 主な理論的結果は,原因と効果が時間変化フィルタを介して接続された場合,因果方向が汎用ケースで同定可能であることを示している。
  論文  参考訳（メタデータ） (2020-12-23T23:35:58Z)
• Optimal Learning with Excitatory and Inhibitory synapses [91.3755431537592]
  相関関係の存在下でアナログ信号間の関連性を保持するという課題について検討する。 ランダムな入力および出力プロセスのパワースペクトルの観点から、典型的な学習性能を特徴付ける。
  論文  参考訳（メタデータ） (2020-05-25T18:25:54Z)
• Distributing entanglement with separable states: assessment of encoding and decoding imperfections [55.41644538483948]
  絡み合いは、常に関連する他のシステムと分離可能なキャリアを使って分散することができる。 不完全なユニタリ相互作用と協調して作用する不整合力学の影響を考察する。 絡み合いの利得は、相当な単元誤差があっても可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-11T15:25:19Z)

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。