論文の概要: Assessing Neuromorphic Computing for Fingertip Force Decoding from Electromyography

• arxiv url: http://arxiv.org/abs/2512.10179v1
• Date: Thu, 11 Dec 2025 00:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.133174
• Title: Assessing Neuromorphic Computing for Fingertip Force Decoding from Electromyography
• Title（参考訳）: 筋電図を用いたFingertip力復号のためのニューロモルフィック・コンピューティングの評価
• Authors: Abolfazl Shahrooei, Luke Arthur, Om Patel, Derek Kamper,
• Abstract要約: 高密度表面筋電図(HD-sEMG)は、補助的およびリハビリテーション制御のための非侵襲的神経インタフェースを提供する。 我々は,スパイキングニューラルネットワーク(SNN)を時相畳み込みネットワーク(TCN)に対するニューロモルフィックアーキテクチャとして評価し,モータユニット発射による指先力の復号を行う。
• 参考スコア（独自算出の注目度）: 0.09999629695552194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-density surface electromyography (HD-sEMG) provides a noninvasive neural interface for assistive and rehabilitation control, but mapping neural activity to user motor intent remains challenging. We assess a spiking neural network (SNN) as a neuromorphic architecture against a temporal convolutional network (TCN) for decoding fingertip force from motor-unit (MU) firing derived from HD-sEMG. Data were collected from a single participant (10 trials) with two forearm electrode arrays; MU activity was obtained via FastICA-based decomposition, and models were trained on overlapping windows with end-to-end causal convolutions. On held-out trials, the TCN achieved 4.44% MVC RMSE (Pearson r = 0.974) while the SNN achieved 8.25% MVC (r = 0.922). While the TCN was more accurate, we view the SNN as a realistic neuromorphic baseline that could close much of this gap with modest architectural and hyperparameter refinements.
• Abstract（参考訳）: 高密度表面筋電図(HD-sEMG)は、補助的およびリハビリテーション制御のための非侵襲的な神経インターフェースを提供するが、神経活動のユーザ運動意図へのマッピングは依然として困難である。 時相畳み込みネットワーク(TCN)に対する神経形アーキテクチャとしてスパイキングニューラルネットワーク(SNN)を評価し,HD-sEMG由来の運動ユニット(MU)発火による指先力の復号を行う。 前腕電極アレイを2つ有する単一参加者(10治験)からデータを収集し, MU活性はFastICAによる分解により得られた。 TCNは4.44%のMVC RMSE(ピアソン r = 0.974)、SNNは8.25%のMVC(r = 0.922)を達成した。 TCNはより正確ではあったが、我々はSNNを現実的なニューロモルフィックのベースラインとみなし、このギャップの大部分を、控えめなアーキテクチャとハイパーパラメータの洗練で埋めることができると考えている。

関連論文リスト

• MD-SNN: Membrane Potential-aware Distillation on Quantized Spiking Neural Network [18.23285395499578]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わる有望でエネルギー効率の良い代替手段を提供する。 SNNは、複雑な時間的ダイナミクスによるメモリと計算に関する課題に直面している。 量子化スパイキングニューラルネットワーク(MD-SNN)における膜対応蒸留の導入
  論文  参考訳（メタデータ） (2025-12-04T04:27:19Z)
• Realtime-Capable Hybrid Spiking Neural Networks for Neural Decoding of Cortical Activity [42.72938925647165]
  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。
  論文  参考訳（メタデータ） (2025-06-16T12:08:08Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• 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)
• PC-SNN: Predictive Coding-based Local Hebbian Plasticity Learning in Spiking Neural Networks [9.026880521552153]
  Spiking Neural Networks (SNN) は、脳の情報処理を非並列な生物学的確率でエミュレートする。 そこで我々は,PC-SNNを提案する。PC-SNNは,予測符号化をSNNと統合し,生物学的に可塑性,局所的なヘビアン可塑性を実現する学習フレームワークである。
  論文  参考訳（メタデータ） (2022-11-24T09:56:02Z)
• Convolutional Spiking Neural Networks for Detecting Anticipatory Brain Potentials Using Electroencephalogram [0.21847754147782888]
  スパイキングニューラルネットワーク(SNN)は、生体系におけるシナプス接続を模倣しスパイクトレインを発生させるため、注目を集めている。 近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。 本稿では、畳み込みスパイクニューラルネットワーク(CSNN)を用いて、予測速度の遅い大脳皮質電位を検出することの実現可能性について検討する。
  論文  参考訳（メタデータ） (2022-08-14T19:04:15Z)
• 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)
• SIT: A Bionic and Non-Linear Neuron for Spiking Neural Network [12.237928453571636]
  スパイキングニューラルネットワーク(SNN)は、時間的情報処理能力と消費電力の低さから、研究者の関心を喚起している。 現在の最先端の手法は、ニューロンが単純な Leaky-Integrate-and-Fire (LIF) モデルに基づいて構築されているため、生物学的な可視性と性能を制限している。 高レベルの動的複雑さのため、現代のニューロンモデルがSNNの実践で実装されることはめったにない。
  論文  参考訳（メタデータ） (2022-03-30T07:50:44Z)
• Event-based Video Reconstruction via Potential-assisted Spiking Neural Network [48.88510552931186]
  バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。 完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。 スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T02:05:20Z)

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。