一种用于自适应脑机接口的能耗低的连续学习脉冲神经网络
机器学习
2025-12-01 v1
摘要
植入式脑机接口（iBMI）中同时记录的神经元数量呈指数级增长趋势。将神经解码器集成到植入设备中是一种有效的数据压缩方法，可用于未来的无线 iBMI。然而，系统的非平稳性使得解码器的性能不可靠。为避免解码器频繁重新训练并确保 iBMI 用户的安全与舒适，持续学习对于实际应用至关重要。鉴于深度脉冲神经网络（DSNN）正被认可为开发资源高效神经解码器的有前景的方法，我们提出了两种针对 DSNN 的持续学习方法：Banditron 和 AGREL。这两种强化学习（RL）算法可以在有限的计算资源下进行训练，有效地解决非平稳问题，同时符合植入设备的能源约束。在评估所提出方法有效性方面，我们进行了开放环和闭环实验。使用 DSNN Banditron 和 DSNN AGREL 进行的开放环实验在持续的长期内保持稳定的准确率。而在带有扰动的闭环实验中，DSNN Banditron 的目标到达时间与 DSNN AGREL 相当，同时在训练期间实现了 98% 的内存访问减少和 99% 的乘法-累加（MAC）运算需求降低。与以往的连续学习 SNN 解码器相比，DSNN Banditron 只需极少的计算资源即可成为未来无线 iBMI 系统的理想候选方案。
引用
@article{arxiv.2511.22108,
title = {An energy-efficient spiking neural network with continuous learning for self-adaptive brain-machine interface},
author = {Zhou Biyan and Arindam Basu},
journal= {arXiv preprint arXiv:2511.22108},
year = {2025}
}