面向皮层活动神经解码的实时型混合脉冲神经网络
机器学习
2025-06-17 v1
摘要
脑内皮层脑机接口（iBMI）是恢复和解码因损伤而丧失的脑活动具有前景的解决方案。然而，搭载此类神经假体的患者需承受因设备笨重布线导致的永久性头骨开口问题。这推动了无线 iBMI 的发展，对其要求具备低功耗和小型化设备体积。最近，脉冲神经网络（SNN）被视为低功耗神经解码的潜在候选方案。本文在此基础上进行后续工作，基于2024年非人灵长类动物运动控制神经解码大挑战的最新成果进行构建。我们优化模型架构，在保持类似资源需求的前提下，通过多种压缩技术实现对 Primate Reaching 数据集的现有领先技术的超越。我们进一步聚焦于实现该模型的实时版本，并探讨此类架构的意义。通过此举，我们为利用神经形态技术对皮层尖峰流进行低延迟解码迈出了一步，从而最终改善数百万名瘫痪患者的生活质量。
引用
@article{arxiv.2506.13400,
title = {Realtime-Capable Hybrid Spiking Neural Networks for Neural Decoding of Cortical Activity},
author = {Jann Krausse and Alexandru Vasilache and Klaus Knobloch and Juergen Becker},
journal= {arXiv preprint arXiv:2506.13400},
year = {2025}
}
备注
This paper was accepted and presented at the 2025 Neuro Inspired Computational Elements (NICE) conference