面向低功耗脑内基座脑机接口的混合脉冲神经网络
机器学习
2025-06-25 v2 人工智能
神经元与认知
摘要
脑内基座脑机接口(iBMIs)有望通过恢复患有瘫痪者日常活动能力，显著改善其生活质量。然而，当前iBMIs因笨重的硬件和布线而面临可扩展性和移动性限制。无线iBMIs虽提供解决方案，但受限于数据速率。为克服此挑战，我们正在研究用于无线iBMIs中嵌入式神经解码的混合脉冲神经网络。该网络由基于时间卷积的压缩 followed by recurrent processing and a final interpolation back to the original sequence length。作为循环单元，我们探索了门控循环单元(GRUs)、漏积积分-发放神经元(LIF神经元)以及两者的组合——脉冲GRUs(sGRUs)，并分析它们在准确率、占用空间和激活稀疏性方面的差异。为此，我们在“Nonhuman Primate Reaching with Multichannel Sensorimotor Cortex Electrophysiology”数据集上训练解码器，并使用NeuroBench框架进行评估，目标是针对IEEE BioCAS仿真挑战赛的两个轨道进行测试。我们的做法在保持较少突触运算数量的同时，实现了对灵长类动物到达运动速度的高精度预测，超越了NeuroBench框架中的当前基准模型。这一工作凸显了混合神经网络在实现高精度解码和大幅提升监测神经元数量方面的潜力，为更先进的神经假体技术铺平了道路。
引用
@article{arxiv.2409.04428,
title = {Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces},
author = {Alexandru Vasilache and Jann Krausse and Klaus Knobloch and Juergen Becker},
journal= {arXiv preprint arXiv:2409.04428},
year = {2025}
}
备注
This work has been accepted at the 2024 IEEE Biomedical Circuits and Systems Conference