混合神经自编码器用于视觉和其他感官神经假体中的刺激编码
Jacob Granley1, Lucas Relic1, Michael Beyeler2
1Department of Computer Science, University of California, Santa Barbara.
Advances in neural information processing systems
|September 18, 2023
概括
研究人员开发了一种混合神经自编码器 (HNA),以从神经修饰品中创造更自然的感官体验. 这种深度学习方法优化了电刺激,以改善感官恢复,特别是视觉假肢.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 感官神经假体旨在恢复或增强人类感官,但通常会产生人工感觉.
- 现有的模型预测神经对刺激的反应,但缺乏产生所需感官输出的策略.
- 确定理想神经反应的最佳刺激的反向问题仍然是一个挑战.
研究的目的:
- 通过解决反向问题来开发神经假体的优化刺激策略.
- 为增强感官恢复创造高保真度,患者特异性的刺激.
- 在视觉神经假体中证明一种新型深度学习方法的有效性.
主要方法:
- 把这个问题作为一个端到端的优化任务.
- 训练了一个深度神经网络刺激编码器来逆转生物系统的固定前向模型.
- 使用混合神经自编码器 (HNA) 来产生刺激.
主要成果:
- 该HNA成功地产生了代表复杂视觉信息 (手写数字,细分物体) 的高保真性患者特异性刺激.
- 在所有模拟患者中,HNA显著优于传统编码策略.
- 在视觉神经假体中证明了HNA的概念验证.
结论:
- 开发的HNA提供了一个有前途的解决方案,通过神经假体产生自然主义的感官感知.
- 这种方法代表了恢复失明患者高质量视力的重大进步.
- HNA方法可能适用于更广泛的神经假肢技术.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
08:43Combined Shuttle-Box Training with Electrophysiological Cortex Recording and Stimulation as a Tool to Study Perception and Learning
Published on: October 22, 2015
10.4K
