論文の概要: NeuroPB: Scaling Neural Decoding with Pretrained Behavioral Representations

• arxiv url: http://arxiv.org/abs/2608.04389v1
• Date: Wed, 05 Aug 2026 02:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.696205
• Title: NeuroPB: Scaling Neural Decoding with Pretrained Behavioral Representations
• Title（参考訳）: NeuroPB: 事前制約された振る舞い表現による神経デコーディングのスケーリング
• Authors: Luyao Jin, Yonghao Song, Huan Zhao, Vincent C. K. Cheung, Wei-Hsin Liao,
• Abstract要約: 我々は、事前訓練された行動表現から知識を伝達することで、神経復号をスケールするフレームワークであるNeuroPBを紹介する。 複数のマカク運動データセットを通して、行動事前訓練は軌道デコーディングを改善する。 その結果、神経復号のためのスケーラブルな情報源として行動事前学習が確立された。
• 参考スコア（独自算出の注目度）: 6.7277174737444065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding continuous motor trajectories from neural activity is essential for developing practical brain-computer interfaces (BCIs). However, current neural decoders are constrained by the limited scale and heterogeneity of neural recordings. In contrast, behavioral data can be collected more readily and at substantially larger scale from humans, animals, simulations, and robotic systems. Here, we introduce NeuroPB, a framework that scales neural decoding by transferring knowledge from pretrained behavioral representations. NeuroPB first pretrains a motor encoder on large-scale motor behavior data and then aligns neural activity with the resulting behavioral representation space using a limited set of paired neural-behavioral recordings. A neural encoder and lightweight motor decoder are subsequently optimized to reconstruct continuous movement from the aligned neural representations. Across multiple macaque motor datasets, behavioral pretraining improves trajectory decoding, including an 11% $R^2$ increase on center-out and 8% on random-target compared with training the motor encoder from scratch. Notably, pretraining on robotic trajectories achieves performance comparable to pretraining on macaque trajectories, demonstrating that transferable kinematic structure is shared across biological and artificial models. Moreover, decoding performance improves as the scale and diversity of robotic pretraining data increase, when the amount of neural data is fixed. Pretraining also enhances generalization across recording sessions, subjects, and motor tasks, with only 10% calibration needed to match training from scratch. Overall, these results establish behavioral pretraining as a scalable source for neural decoding and provide a promising route toward high-performance and calibration-efficient BCIs under limited neural data.
• Abstract（参考訳）: 神経活動からの連続運動軌道の復号は、実用的な脳-コンピュータインターフェース(BCI)の開発に不可欠である。 しかし、現在のニューラルデコーダは、ニューラル記録の限られたスケールと不均一性によって制約されている。 対照的に、行動データは人間、動物、シミュレーション、ロボットシステムからより容易に、より大規模に収集することができる。 本稿では、事前訓練された行動表現から知識を伝達することで、神経復号をスケールするフレームワークであるNeuroPBを紹介する。 NeuroPBは、まず大規模な運動行動データに基づいてモーターエンコーダを事前訓練し、その後、ペア化された神経行動記録の限られたセットを使用して、結果として生じる行動表現空間に神経活動を調整する。 その後、ニューラルエンコーダと軽量モータデコーダを最適化し、アライメントされたニューラル表現からの連続的な動きを再構成する。 複数のマカクモーターデータセット全体で、行動事前訓練は軌道デコーディングを改善し、センターアウトでは11%ドルR^2$増加、ランダムターゲットでは8%増加し、モーターエンコーダをスクラッチからトレーニングする。 特に、ロボット軌道の事前訓練は、マカク軌道の事前訓練に匹敵する性能を達成し、伝達可能な運動構造が生体モデルと人工モデルの間で共有されていることを示す。 さらに、ニューラルネットワークの量が固定された場合、ロボット事前学習データのスケールと多様性が増大するにつれて、復号性能が向上する。 プレトレーニングはまた、録音セッション、主題、運動タスク間の一般化を促進し、スクラッチからトレーニングに合わせるのに必要な10%のキャリブレーションしか必要としない。 全体として、これらの結果は、ニューラルデコードのためのスケーラブルなソースとして行動事前学習を確立し、限られたニューラルデータの下で高性能で校正効率の良いBCIへの有望な経路を提供する。

関連論文リスト

• 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)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Constraints on the design of neuromorphic circuits set by the properties of neural population codes [61.15277741147157]
  脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。 ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
  論文  参考訳（メタデータ） (2022-12-08T15:16:04Z)
• A Spiking Neural Network based on Neural Manifold for Augmenting Intracortical Brain-Computer Interface Data [5.039813366558306]
  脳-コンピュータインターフェース(BCI)は、脳内の神経信号をインストラクションに変換して外部デバイスを制御する。 高度な機械学習手法の出現により、脳-コンピュータインタフェースの能力はかつてないほど強化された。 ここでは、データジェネレータとしてスパイキングニューラルネットワーク(SNN)を用いる。
  論文  参考訳（メタデータ） (2022-03-26T15:32:31Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• 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)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• Neuroevolution of a Recurrent Neural Network for Spatial and Working Memory in a Simulated Robotic Environment [57.91534223695695]
  我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。 提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
  論文  参考訳（メタデータ） (2021-02-25T02:13:52Z)

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。