Video Experimental Relacionado
Updated: May 13, 2026
Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks
Published on: March 2, 2015
Alineación bidireccional a través del día de los picos neuronales y el comportamiento utilizando un algoritmo híbrido
Binjie Hong1,2, Zihang Xu1,2, Tengyu Zhang3
1Center for Excellence in Brain Science and Intelligence Technology, State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Institute of Neuroscience, Chinese Academy of Sciences, Shanghai, China.
AlignNet mejora la decodificación neuronal al alinear las señales cerebrales y el comportamiento a lo largo de los días. Este nuevo marco mejora las aplicaciones de interfaz neuronal de día cruzado mediante el aprendizaje de representaciones invariables de sesión.
Área de la Ciencia:
- La neurociencia es la neurociencia.
- Aprendizaje profundo Aprendizaje profundo.
- La neurociencia computacional es la neurociencia computacional.
Sus antecedentes:
- El aprendizaje profundo interpreta efectivamente las señales del electroencefalograma (EEG).
- Las señales cerebrales invasivas se enfrentan a desafíos en la decodificación y simulación neuronal entre días debido a la no estacionalidad y la deriva representacional.
Objetivo del estudio:
- Para presentar AlignNet, un marco novedoso para la alineación intermodal entre los patrones de picos neuronales y la semántica del comportamiento.
- Permitir una robusta decodificación y simulación neuronal entre días al abordar la deriva representacional.
Principales métodos:
- AlignNet utiliza autoencoders híbridos de red neuronal Spiking y red neuronal artificial (SNN-ANN) para el aprendizaje de representación.
- Una arquitectura basada en U codifica los picos neuronales y el comportamiento en un espacio latente compartido, optimizado a través de objetivos contrastativos para características invariables de sesión.
- Se emplea una estrategia de preentrenamiento que utiliza datos de varias sesiones, seguida de un ajuste fino específico de la tarea.
Principales resultados:
- AlignNet demuestra un rendimiento superior en tareas de simulación y decodificación neuronal de un solo día y de varios días.
- El modelo AlignNet preentrenado realiza efectivamente la decodificación y la simulación después del ajuste fino.
- Las representaciones híbridas SNN-ANN muestran consistencia temporal a través de grabaciones de varios días mientras se preserva la semántica del comportamiento.
Conclusiones:
- AlignNet ofrece una solución robusta para la decodificación y simulación neuronal entre días.
- El marco promueve el desarrollo de aplicaciones de interfaz neuronal de día cruzado confiables y adaptables.
- El aprendizaje de características invariables por sesión es crucial para generalizar la decodificación neuronal en diferentes sesiones de grabación.
