論文の概要: Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces
- arxiv url: http://arxiv.org/abs/2409.04428v2
- Date: Thu, 26 Sep 2024 07:53:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 23:00:54.657756
- Title: Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces
- Title（参考訳）: 低出力皮質内脳マシンインタフェースのためのハイブリッドスパイクニューラルネットワーク
- Authors: Alexandru Vasilache, Jann Krausse, Klaus Knobloch, Juergen Becker,
- Abstract要約: 皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。
現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。
無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
- 参考スコア（独自算出の注目度）: 42.72938925647165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intra-cortical brain-machine interfaces (iBMIs) have the potential to dramatically improve the lives of people with paraplegia by restoring their ability to perform daily activities. However, current iBMIs suffer from scalability and mobility limitations due to bulky hardware and wiring. Wireless iBMIs offer a solution but are constrained by a limited data rate. To overcome this challenge, we are investigating hybrid spiking neural networks for embedded neural decoding in wireless iBMIs. The networks consist of a temporal convolution-based compression followed by recurrent processing and a final interpolation back to the original sequence length. As recurrent units, we explore gated recurrent units (GRUs), leaky integrate-and-fire (LIF) neurons, and a combination of both - spiking GRUs (sGRUs) and analyze their differences in terms of accuracy, footprint, and activation sparsity. To that end, we train decoders on the "Nonhuman Primate Reaching with Multichannel Sensorimotor Cortex Electrophysiology" dataset and evaluate it using the NeuroBench framework, targeting both tracks of the IEEE BioCAS Grand Challenge on Neural Decoding. Our approach achieves high accuracy in predicting velocities of primate reaching movements from multichannel primary motor cortex recordings while maintaining a low number of synaptic operations, surpassing the current baseline models in the NeuroBench framework. This work highlights the potential of hybrid neural networks to facilitate wireless iBMIs with high decoding precision and a substantial increase in the number of monitored neurons, paving the way toward more advanced neuroprosthetic technologies.
- Abstract（参考訳）: 皮質内脳-機械インタフェース(iBMI)は、日常活動を行う能力を回復させることで、麻痺患者の生活を劇的に改善する可能性がある。
しかし、現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。
ワイヤレスiBMIはソリューションを提供するが、限られたデータレートで制限される。
この課題を克服するために、ワイヤレスiBMIにおける組み込みニューラルネットワークのためのハイブリッドスパイキングニューラルネットワークについて検討している。
ネットワークは、時間的畳み込みに基づく圧縮と、繰り返し処理と、元のシーケンス長への最後の補間からなる。
リカレントユニットとして、ゲートリカレントユニット(GRU)、リークインテグレート・アンド・ファイア(LIF)ニューロン、および両方を組み合わせて、GRU(sGRU)をスパイクし、精度、フットプリント、アクティベーション空間の差異を分析する。
そこで我々は,"Non Human Primate Reaching with Multi Channel Sensorimotor Cortex Electrophysiology"データセットでデコーダをトレーニングし,NeuroBenchフレームワークを用いて評価し,IEEE BioCAS Grand Challenge on Neural Decodingの両トラックを対象としている。
提案手法は,NuroBenchフレームワークの現在のベースラインモデルを超えつつ,低シナプス動作を維持しつつ,多チャンネル一次運動野記録から霊長類の到達速度を推定する上で高い精度を実現する。
この研究は、高い復号精度で無線iBMIを促進するためのハイブリッドニューラルネットワークの可能性を強調し、監視されたニューロンの数を大幅に増加させ、より高度な神経補綴技術への道を開いた。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Decoding finger velocity from cortical spike trains with recurrent spiking neural networks [6.404492073110551]
侵襲的脳-機械インタフェース(BMI)は運動障害患者の生活の質を著しく向上させる。
BMIは信頼性の高い復号化性能を提供しながら、厳格なレイテンシとエネルギー制約を満たす必要がある。
2匹のマカクザルの皮質スパイク列から指の速度を復号するためにRSNNを訓練した。
論文 参考訳（メタデータ） (2024-09-03T10:15:33Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - An Energy-Efficient Spiking Neural Network for Finger Velocity Decoding
for Implantable Brain-Machine Interface [11.786044345820459]
組込み型回帰タスクのためのニューラルパワーネットワーク(SNN)デコーダを提案する。
提案したSNNデコーダは, オフライン指速度デコーダにおける最先端のANNデコーダと同等の係数相関を達成している。
論文 参考訳（メタデータ） (2022-10-07T12:58:28Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Training Deep Spiking Auto-encoders without Bursting or Dying Neurons
through Regularization [9.34612743192798]
スパイクニューラルネットワークは、計算神経科学における次世代の脳モデルに対する有望なアプローチである。
膜電位に基づくバックプロパゲーションを用いたエンドツーエンド学習を、スパイクする畳み込みオートエンコーダに適用する。
膜電位とスパイク出力に正規化を適用することで、死と破裂の両方のニューロンをうまく回避できることを示す。
論文 参考訳（メタデータ） (2021-09-22T21:27:40Z) - Surrogate gradients for analog neuromorphic computing [2.6475944316982942]
デバイスミスマッチに対する自己修正学習は,視覚と音声のベンチマークにおいて,競争力のあるネットワーク性能をもたらすことを示す。
我々の研究は、アナログニューロモルフィックハードウェア上での低エネルギースパイクネットワーク処理のための新しいベンチマークをいくつか設定する。
論文 参考訳（メタデータ） (2020-06-12T14:45:12Z) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳（メタデータ） (2019-12-27T10:15:58Z)
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。