基于深度学习的实时神经解码抓取类型分类
机器学习
2023-11-03 v1 神经元与认知
摘要
神经解码涉及将大脑获取的信号与脑机接口中物理世界的变量（如肢体运动或机器人控制）相关联。在此背景下，本工作从一组特定的、已有的猴子运动皮层神经记录数据集出发，提出了一种基于深度学习的方法来解码神经信号以进行抓取类型分类。具体而言，我们在此提出一种利用 LSTM 网络将包含神经数据（即脉冲序列）的时间序列分类为表示被抓取物体的类别的方法。所提方法的主要目标是在不依赖任何先验神经科学知识、仅借助深度学习模型从数据中提取相关性的能力的情况下，超越当前最先进的（SOTA）解码准确率。本文给出了在该数据集上取得的结果，并与同一数据集上的先前工作进行了比较，显示出分类准确率的显著提升，即便在模拟实时解码的情况下亦是如此。
引用
@article{arxiv.2311.01061,
title = {Deep Learning for real-time neural decoding of grasp},
author = {Paolo Viviani and Ilaria Gesmundo and Elios Ghinato and Andres Agudelo-Toro and Chiara Vercellino and Giacomo Vitali and Letizia Bergamasco and Alberto Scionti and Marco Ghislieri and Valentina Agostini and Olivier Terzo and Hansjörg Scherberger},
journal= {arXiv preprint arXiv:2311.01061},
year = {2023}
}