基于多尺度融合的增强脉冲神经网络用于侵入式大脑电接口神经信号解码
神经与进化计算
2024-10-07 v1 人工智能
神经元与认知
摘要
脑机接口（BCI）是神经科学与人工智能的融合，需要稳定长期解码神经信号。脉冲神经网络（SNN）凭借其神经动力学和基于脉冲的信号处理，天然适用于此任务。本文提出了一种 novel 方法，利用多尺度融合增强脉冲神经网络（MFSNN）。MFSNN 模拟人类视觉感知中的并行处理和多尺度特征融合，以实现实时、高效且节能的神经信号解码。首先，MFSNN 采用时间卷积网络和通道注意力机制从原始数据中提取时空特征。随后，通过 skip 连接整合这些特征以提升解码性能。此外，MFSNN 通过 mini-batch 监督式泛化学习提高了跨日信号解码的泛化性和鲁棒性。在包括单手抓握触碰和中心向外到达任务在内的两个侵入式 BCI 基准范式中，MFSNN 在准确率和计算效率上均优于传统人工神经网络方法，如 MLP 和 GRU。此外，MFSNN 的多尺度特征融合框架适用于神经器芯片的实现，为 invasive BCI 信号的在线解码提供了节能解决方案。
引用
@article{arxiv.2410.03533,
title = {Multiscale fusion enhanced spiking neural network for invasive BCI neural signal decoding},
author = {Yu Song and Liyuan Han and Bo Xu and Tielin Zhang},
journal= {arXiv preprint arXiv:2410.03533},
year = {2024}
}