使用模拟人类中枢神经活动和卷积神经网络进行选择性外围神经记录
Taseen Jawad1,2, Ryan G L Koh1, José Zariffa3,4,5,6
1KITE Research Institute, Toronto Rehabilitation Institute-University Health Network, Toronto, Canada.
Biomedical engineering online
|December 8, 2023
概括
外神经时空化合物动作潜能提取网络 (ESCAPE-NET) 在为假肢控制分类神经信号方面表现强. 这种卷积神经网络 (CNN) 模型展示了人类神经接口的潜力,在模拟中表现优于其他网络.
科学领域:
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
- 机器学习用于神经接口
背景情况:
- 对假肢的直观控制仍然是一个挑战,导致设备被放弃.
- 周围神经接口将运动意图转化为假肢指令.
- 外神经时空化合物动作潜能提取网络 (ESCAPE-NET),一个卷积神经网络 (CNN),有效地区分大鼠坐骨神经中的神经源.
研究的目的:
- 评估ESCAPE-NET对更大,更复杂的神经的适用性,特别是人类中枢神经.
- 在人类中枢神经的计算模型中描述ESCAPE-NET的性能,以便在未来对人类进行翻译.
主要方法:
- 人类中枢神经的有限元模型是从免疫组织化学图像中生成的.
- 模拟超神经记录被用于训练和测试ESCAPE-NET,以根据源位置分类自然唤起的化合物作用潜力 (nCAPs).
- 在不同数量的源和不同噪音水平下,ESCAPE-NET的性能与ResNet-50和MobileNet-V2进行了比较.
主要成果:
- ESCAPE-NET表现出高的分类准确性,随着nCAP源数量和噪声水平的增加,性能下降.
- 在低噪音条件下,ESCAPE-NET实现了97.8% (3级) 和89.3% (10级) 的精度.
- 在高噪音条件下,ESCAPE-NET实现了70.3% (3级) 和52.5% (10级) 的精度,在测试条件下表现优于ResNet-50和MobileNet-V2.
结论:
- 所有测试的网络都学会了从不同来源区分nCAP,表现明显高于机会.
- ESCAPE-NET展示了最强大的性能,为人类神经接口设计提供了有价值的翻译指南.
- 该研究强调了ESCAPE-NET在开发先进假肢控制系统方面的潜力.
