論文の概要: Realtime-Capable Hybrid Spiking Neural Networks for Neural Decoding of Cortical Activity

• arxiv url: http://arxiv.org/abs/2506.13400v1
• Date: Mon, 16 Jun 2025 12:08:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.30095
• Title: Realtime-Capable Hybrid Spiking Neural Networks for Neural Decoding of Cortical Activity
• Title（参考訳）: 皮質活動の神経復号のためのリアルタイムハイブリッドスパイクニューラルネットワーク
• Authors: Jann Krausse, Alexandru Vasilache, Klaus Knobloch, Juergen Becker,
• Abstract要約: 皮質内脳-機械界面(iBMIs)は、損傷によって失われた脳活動の回復と復号に有望な解決策を提供する。 このような神経補綴物の患者は、デバイスがかさばる配線から生じる永久的な頭蓋骨の開口に悩まされる。 最近では、スパイクニューラルネットワーク(SNN)が低消費電力神経復号の候補として研究されている。
• 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) present a promising solution to restoring and decoding brain activity lost due to injury. However, patients with such neuroprosthetics suffer from permanent skull openings resulting from the devices' bulky wiring. This drives the development of wireless iBMIs, which demand low power consumption and small device footprint. Most recently, spiking neural networks (SNNs) have been researched as potential candidates for low-power neural decoding. In this work, we present the next step of utilizing SNNs for such tasks, building on the recently published results of the 2024 Grand Challenge on Neural Decoding Challenge for Motor Control of non-Human Primates. We optimize our model architecture to exceed the existing state of the art on the Primate Reaching dataset while maintaining similar resource demand through various compression techniques. We further focus on implementing a realtime-capable version of the model and discuss the implications of this architecture. With this, we advance one step towards latency-free decoding of cortical spike trains using neuromorphic technology, ultimately improving the lives of millions of paralyzed patients.
• Abstract（参考訳）: 皮質内脳-機械界面(iBMIs)は、損傷によって失われた脳活動の回復と復号に有望な解決策を提供する。 しかし、そのような神経補綴物の患者は、デバイスがかさばる配線から生じる永久的な頭蓋の開口に悩まされる。 これにより、低消費電力と小型デバイスのフットプリントを必要とする無線iBMIの開発が促進される。 最近では、スパイクニューラルネットワーク(SNN)が低消費電力神経復号の候補として研究されている。 本研究では,SNNをこのようなタスクに活用する次のステップとして,非ヒューマン・プリメートにおけるニューラルデコード・チャレンジの2024年版の結果を概説する。 モデルアーキテクチャを最適化し、プリメートリーチデータセット上の既存の最先端技術を超えるようにし、様々な圧縮技術によって同様のリソース需要を維持します。 さらに、リアルタイムに利用可能なモデルの実装に焦点をあて、このアーキテクチャの影響について論じる。 これにより、ニューロモルフィック技術を用いた皮質スパイク列車の遅延のない復号化に向けて一歩前進し、最終的には何百万人もの麻痺患者の生活を改善した。

関連論文リスト

• Adaptively Pruned Spiking Neural Networks for Energy-Efficient Intracortical Neural Decoding [0.06181089784338582]
  ニューロモルフィックハードウェア上でのニューラルネットワーク(SNN)のスパイキングは、ニューラルデコーディングにおいて顕著な効率性を示している。 本稿では,脳皮質内神経復号をターゲットとした,高アクティベーション領域を有するSNNを対象とした適応型プルーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-15T19:16:34Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  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。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• 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)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• 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)
• 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)
• 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)

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。