論文の概要: Finger Force Decoding from Motor Units Activity on Neuromorphic Hardware
- arxiv url: http://arxiv.org/abs/2507.23474v1
- Date: Thu, 31 Jul 2025 11:55:02 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-08-01 13:48:28.614898
- Title: Finger Force Decoding from Motor Units Activity on Neuromorphic Hardware
- Title(参考訳): ニューロモルフィックハードウェアにおけるモータユニットからの指力復号
- Authors: Farah Baracat, Giacomo Indiveri, Elisa Donati,
- Abstract要約: 本研究では,各運動ニューロンからのスパイクトレインを用いた指力回帰法を提案する。
これらの生物学的に接地された信号は、混合信号ニューロモルフィックプロセッサに実装されたスパイクニューラルネットワークを駆動する。
これは、ニューロモルフィックハードウェア上で直接計算された運動ニューロンに基づく連続回帰の最初の実証である。
- 参考スコア(独自算出の注目度): 1.8754256211583082
- License:
- Abstract: Accurate finger force estimation is critical for next-generation human-machine interfaces. Traditional electromyography (EMG)-based decoding methods using deep learning require large datasets and high computational resources, limiting their use in real-time, embedded systems. Here, we propose a novel approach that performs finger force regression using spike trains from individual motor neurons, extracted from high-density EMG. These biologically grounded signals drive a spiking neural network implemented on a mixed-signal neuromorphic processor. Unlike prior work that encodes EMG into events, our method exploits spike timing on motor units to perform low-power, real-time inference. This is the first demonstration of motor neuron-based continuous regression computed directly on neuromorphic hardware. Our results confirm accurate finger-specific force prediction with minimal energy use, opening new possibilities for embedded decoding in prosthetics and wearable neurotechnology.
- Abstract(参考訳): 指力の正確な推定は、次世代のヒューマン・マシン・インタフェースにおいて重要である。
ディープラーニングを用いた従来のEMGベースの復号法は、大規模なデータセットと高い計算資源を必要とし、リアルタイムの組み込みシステムでの使用を制限する。
本稿では,高密度筋電図から抽出した個々の運動ニューロンからのスパイクトレインを用いて指力の回帰を行う手法を提案する。
これらの生物学的に接地された信号は、混合信号ニューロモルフィックプロセッサに実装されたスパイクニューラルネットワークを駆動する。
EMGをイベントにエンコードする以前の作業とは異なり、我々の手法はモーターユニットのスパイクタイミングを利用して低消費電力でリアルタイムな推論を行う。
これは、ニューロモルフィックハードウェア上で直接計算された運動ニューロンに基づく連続回帰の最初の実証である。
本研究は, 義歯とウェアラブル神経テクノロジーの組込み復号化の可能性を探るため, 指特異的力予測の精度を検証した。
関連論文リスト
- Generalizable, real-time neural decoding with hybrid state-space models [12.37704585793711]
本稿では、クロスアテンションモジュールによる個別スパイクトークン化と、再帰状態空間モデル(SSM)のバックボーンを組み合わせた、新しいハイブリッドアーキテクチャPOSSMを提案する。
サル運動タスクの皮質内復号におけるPOSSMの復号性能と推論速度を評価し,臨床応用に拡張することを示す。
これらすべてのタスクにおいて、POSSMは、最先端のトランスフォーマーに匹敵する復号精度を推論コストのごく一部で達成している。
論文 参考訳(メタデータ) (2025-06-05T17:57:08Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳(メタデータ) (2024-09-17T04:48:45Z) - 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) - 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) - 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) - Low Power Neuromorphic EMG Gesture Classification [3.8761525368152725]
スパイキングニューラルネットワーク(SNN)は、低消費電力でリアルタイムなEMGジェスチャー認識を約束している。
ニューロモルフィック・リカレントスパイキングニューラルネットワーク(RSNN)を用いたEMG信号に基づくジェスチャー認識の低消費電力高精度実証を行った。
我々のネットワークは,Roshambo EMGデータセット上で報告された最高の技術よりも53%の精度で,最先端の精度分類(90%)を実現している。
論文 参考訳(メタデータ) (2022-06-04T22:09:34Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳(メタデータ) (2022-05-25T20:16:05Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - Closed-Loop Neural Interfaces with Embedded Machine Learning [12.977151652608047]
ニューラルネットワークに機械学習を組み込むことの最近の進歩を概観する。
脳インプラントにおける神経信号の低消費電力・メモリ効率分類のための木モデルを提案する。
エネルギー認識学習とモデル圧縮を用いて、提案した斜め木は、発作や震動検出、モータ復号といった応用において、従来の機械学習モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-15T14:34:08Z)
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。