論文の概要: Event-based Neural Spike Detection Using Spiking Neural Networks for Neuromorphic iBMI Systems

• arxiv url: http://arxiv.org/abs/2505.06544v1
• Date: Sat, 10 May 2025 07:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.900127
• Title: Event-based Neural Spike Detection Using Spiking Neural Networks for Neuromorphic iBMI Systems
• Title（参考訳）: スパイクニューラルネットワークを用いたイベントベースニューラルスパイク検出によるニューロモルフィックiBMIシステム
• Authors: Chanwook Hwang, Biyan Zhou, Ye Ke, Vivek Mohan, Jong Hwan Ko, Arindam Basu,
• Abstract要約: 埋め込み可能な脳-機械インタフェース(iBMI)は、何千ものニューロンからワイヤレスで記録するように進化しているが、データ帯域幅、消費電力、インプラントサイズに課題に直面している。 本稿では、デルタ変調とパルスカウント変調によって生成されたイベントベースのニューラルデータを処理し、信号をスパースイベントに変換する新しいスパイキングニューラルネットワークスパイク検出器(SNN-SPD)を提案する。
• 参考スコア（独自算出の注目度）: 6.5271882730600455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implantable brain-machine interfaces (iBMIs) are evolving to record from thousands of neurons wirelessly but face challenges in data bandwidth, power consumption, and implant size. We propose a novel Spiking Neural Network Spike Detector (SNN-SPD) that processes event-based neural data generated via delta modulation and pulse count modulation, converting signals into sparse events. By leveraging the temporal dynamics and inherent sparsity of spiking neural networks, our method improves spike detection performance while maintaining low computational overhead suitable for implantable devices. Our experimental results demonstrate that the proposed SNN-SPD achieves an accuracy of 95.72% at high noise levels (standard deviation 0.2), which is about 2% higher than the existing Artificial Neural Network Spike Detector (ANN-SPD). Moreover, SNN-SPD requires only 0.41% of the computation and about 26.62% of the weight parameters compared to ANN-SPD, with zero multiplications. This approach balances efficiency and performance, enabling effective data compression and power savings for next-generation iBMIs.
• Abstract（参考訳）: 埋め込み可能な脳-機械インタフェース(iBMI)は、何千ものニューロンからワイヤレスで記録するように進化しているが、データ帯域幅、消費電力、インプラントサイズに課題に直面している。 本稿では、デルタ変調とパルスカウント変調によって生成されたイベントベースのニューラルデータを処理し、信号をスパースイベントに変換する新しいスパイキングニューラルネットワークスパイク検出器(SNN-SPD)を提案する。 スパイクニューラルネットワークの時間的ダイナミクスと固有空間性を活用することにより, スパイク検出性能を向上させるとともに, 組込みデバイスに適した計算オーバーヘッドを低く抑えながら, スパイク検出性能を向上させる。 実験の結果,提案したSNN-SPDは,既存のニューラルネットワークスパイク検出器(ANN-SPD)よりも約2%高い高雑音レベル(標準偏差0.2)で95.72%の精度を実現していることがわかった。 さらに、SNN-SPDは計算の0.41%しか必要とせず、ANN-SPDと比較して重量パラメータの26.62%は乗算がゼロである。 このアプローチは効率と性能のバランスを保ち、次世代iBMIの効率的なデータ圧縮と省電力を可能にする。

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は、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  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)
• Canonic Signed Spike Coding for Efficient Spiking Neural Networks [7.524721345903027]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンのスパイキング行動を模倣し、ニューラルコンピューティングと人工知能の進歩において重要な役割を果たすと期待されている。 ANN(Artificial Neural Networks)からSNN(SNN)への変換は最も広く使われているトレーニング手法であり、その結果のSNNが大規模データセット上でANNと同等に動作することを保証する。 現在のスキームは、通常、スパイクカウントまたはタイピングのタイミングを使用しており、これはANNのアクティベーションと線形に関連しており、必要な時間ステップの数を増やす。 我々は新しいCanononic Signed Spike (CSS) 符号化を提案する。
  論文  参考訳（メタデータ） (2024-08-30T12:39:25Z)
• Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
  スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。 自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:47:21Z)
• Adaptive-SpikeNet: Event-based Optical Flow Estimation using Spiking Neural Networks with Learnable Neuronal Dynamics [6.309365332210523]
  ニューラルインスパイアされたイベント駆動処理でニューラルネットワーク(SNN)をスパイクすることで、非同期データを効率的に処理できる。 スパイク消滅問題を緩和するために,学習可能な神経力学を用いた適応型完全スパイキングフレームワークを提案する。 実験の結果,平均終端誤差(AEE)は最先端のANNと比較して平均13%減少した。
  論文  参考訳（メタデータ） (2022-09-21T21:17:56Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  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上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• Voltage-Dependent Synaptic Plasticity (VDSP): Unsupervised probabilistic Hebbian plasticity rule based on neurons membrane potential [5.316910132506153]
  ニューロモルフィックハードウェア上でのHebbの可塑性機構のオンライン実装のために,脳にインスパイアされた非教師なしローカル学習ルールを提案する。 提案したVDSP学習規則はシナプス後ニューロンのスパイクにのみシナプス伝導を更新する。 MNISTデータセット上の100個の出力ニューロンのネットワークに対して85.01 $ pm $ 0.76% (Mean $ pm $ S.D.) の精度を報告した。
  論文  参考訳（メタデータ） (2022-03-21T14:39:02Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。