論文の概要: Event-based Neural Decoding for Neuroprosthetic Motor Control

• arxiv url: http://arxiv.org/abs/2607.11445v1
• Date: Mon, 13 Jul 2026 11:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.458412
• Title: Event-based Neural Decoding for Neuroprosthetic Motor Control
• Title（参考訳）: イベントベースニューラルデコードによるニューロプロセティックモータ制御
• Authors: Khaleelulla Khan Nazeer, Sirine Arfa, Matthias Jobst, Richard George, Christian Mayr,
• Abstract要約: 深層ニューラルネットワークを利用した現代の人工装具は、これらの個体の生活の質を大幅に向上させるという約束を持っている。 外部の高性能プロセッサへのWired接続は患者の移動を制限し、無線接続はこれらのプロセッサに送信できる情報の量を制限する。 本稿では,タスク性能と効率を効果的にバランスさせる高性能なニューラルデコード手法を提案する。
• 参考スコア（独自算出の注目度）: 1.032868563884661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A substantial number of patients experience diminished mobility due to disabilities, diseases, or accidents. Although modern prostheses, powered by deep neural networks, hold the promise of significantly enhancing the quality of life for these individuals, their widespread adoption is hindered by significant latency, energy consumption, and spatial requirements. Wired connections to external high-performance processors restrict patient mobility, while wireless connections limit the volume of information that can be transmitted to these processors. Spiking neural networks offer the potential for compressed communication and low-power inference, yet they often lag behind state-of-the-art deep learning models in various applications. In this study, we propose a high-performance neural decoding method that effectively balances task performance and efficiency. An eventbased gated recurrent unit generates a sparse communication pattern with graded spikes, surpassing classical spiking neural networks in terms of task performance. Utilising an efficient training method and sparse inference, our model presents new opportunities for on-device neural decoding.
• Abstract（参考訳）: かなりの数の患者が、障害、疾患、事故により移動度が低下した。 深層ニューラルネットワークによって駆動される現代の人工装具は、これらの個体の生活の質を著しく向上させるという約束を持っているが、それらの普及は大きな遅延、エネルギー消費、空間的要求によって妨げられている。 外部の高性能プロセッサへのWired接続は患者の移動を制限し、無線接続はこれらのプロセッサに送信できる情報の量を制限する。 スパイクニューラルネットワークは、圧縮された通信と低消費電力推論の可能性を秘めているが、それらは様々なアプリケーションにおける最先端のディープラーニングモデルよりも遅れていることが多い。 本研究では,タスク性能と効率を効果的にバランスさせる高性能なニューラルデコード手法を提案する。 イベントベースのゲートリカレントユニットは、タスク性能の点で古典的なスパイクニューラルネットワークを上回り、グレードされたスパイクを有するスパース通信パターンを生成する。 本モデルは,効率的なトレーニング手法とスパース推論を利用して,デバイス上でのニューラルデコーディングの新たな機会を提示する。

関連論文リスト

• Neural Dynamics Self-Attention for Spiking Transformers [59.57278823240336]
  TransformerアーキテクチャによるSNN(Spike Neural Networks)は、エネルギー効率とパフォーマンスのバランスをとるための、有望な経路を提供する。 既存のスパイキングトランスフォーマーは、(i)ニューラルネットワーク(ANN)と(ii)推論時の高メモリオーバーヘッドと比較して、大幅なパフォーマンスギャップがあるという2つの重要な課題に直面している。 本稿では、局所受容野を持つスパイキングニューロンを用いて、メモリ要求を減らしながら注意を計算するLRF-Dynを提案する。
  論文  参考訳（メタデータ） (2026-03-09T12:23:37Z)
• A Scalable, Causal, and Energy Efficient Framework for Neural Decoding with Spiking Neural Networks [30.855279392147082]
  Spikachuはスケーラブルで因果的でエネルギー効率のよいSNNベースのニューラルデコーディングフレームワークである。 我々は,ヒト以外の霊長類6種の記録セッション113回に対するアプローチを評価した。 本手法は,2.26から418.81倍のエネルギーで単一セッションでトレーニングした場合,因果ベースラインよりも優れる。
  論文  参考訳（メタデータ） (2025-10-23T15:55:45Z)
• 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)
• 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)
• A spiking photonic neural network of 40.000 neurons, trained with rank-order coding for leveraging sparsity [0.2386578882591578]
  スパイキングニューラルネットワークは、生物学的ニューロンの特定の側面をエミュレートするニューロモルフィックシステムである。 このデモンストレーションはフォトニック非線形性、励起性、スパース計算を統合し、より効率的な大規模フォトニックニューロモルフィックシステムを実現する。
  論文  参考訳（メタデータ） (2024-11-28T15:28:30Z)
• 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)
• 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)
• Evaluating Spiking Neural Network On Neuromorphic Platform For Human Activity Recognition [2.710807780228189]
  エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。 スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
  論文  参考訳（メタデータ） (2023-08-01T18:59:06Z)
• 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)
• Reservoir Memory Machines as Neural Computers [70.5993855765376]
  微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。 我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
  論文  参考訳（メタデータ） (2020-09-14T12:01:30Z)

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。