神经解码的深度学习途径：从 CNN 与 LSTM 到尖峰与 fMRI

Jesse A. Livezey; Joshua I. Glaser

神经解码的深度学习途径：从 CNN 与 LSTM 到尖峰与 fMRI

神经元与认知 2020-05-21 v1 机器学习

作者: Jesse A. Livezey , Joshua I. Glaser

摘要

直接从神经信号解码行为、感知或认知状态在脑机接口研究中具有应用价值，并对系统神经科学有意义。在过去十年中，深度学习已成为许多机器学习任务（从语音识别到图像分割）的最先进方法。深度网络在其他领域的成功引发了神经科学中的应用新浪潮。在本文中，我们综述了用于神经解码的深度学习方法。我们描述了用于从尖峰到 EEG 等各种神经记录模态中提取有用特征的架构。此外，我们探讨了如何利用深度学习来预测包括运动、语音和视觉在内的常见输出，重点在于如何将预训练深度网络作为复杂解码目标（如声学语音或图像）的先验。深度学习已被证明是提高广泛任务中神经解码准确性与灵活性的有用工具，我们指出了未来科学发展的方向。

关键词

神经解码深度学习 CNN LSTM 尖峰记录 EEG fMRI

引用

@article{arxiv.2005.09687,
  title  = {Deep learning approaches for neural decoding: from CNNs to LSTMs and spikes to fMRI},
  author = {Jesse A. Livezey and Joshua I. Glaser},
  journal= {arXiv preprint arXiv:2005.09687},
  year   = {2020}
}

备注

22 pages, 3 figures

神经解码的深度学习途径：从 CNN 与 LSTM 到尖峰与 fMRI

摘要

关键词

引用

备注

相关论文