图卷积网络揭示编码假体感觉的神经网络连接
神经元与认知
2020-09-08 v1 机器学习
定量方法
机器学习
摘要
从神经元集群中提取刺激特征对于开发通过电刺激将感觉信息直接投射到大脑的神经假体具有重要意义。随着受试者学习解释人工输入而优化刺激参数的机器学习策略，可改善设备效能、提高假体性能、确保诱发感觉的稳定性，并通过消除多余输入来降低功耗。近期将深度学习技术扩展到非欧几里得图数据的进展，为解释神经元放电活动提供了新方法。在本研究中，我们应用图卷积网络（GCNs）来推断参与人工感觉信息处理的神经元之间的潜在功能关系。数据来自使用四红外（IR）传感器、基于ICMS的神经假体定位IR光源的自由活动大鼠。我们利用GCNs预测假体中四个刺激通道的刺激频率，这些通道将相对距离和方向信息编码至IR发射奖励端口。我们的GCN模型在一个由7类组成、随机水平为14.3%的多类分类问题中，于改进的有序回归性能指标上达到73.5%的峰值性能。此外，推断的邻接矩阵充分表示了编码该人工感觉的潜在神经回路。
引用
@article{arxiv.2009.03272,
title = {Graph Convolutional Networks Reveal Neural Connections Encoding Prosthetic Sensation},
author = {Vivek Subramanian and Joshua Khani},
journal= {arXiv preprint arXiv:2009.03272},
year = {2020}
}