一个带有持续本地学习的尖端神经网络,用于强大的在线脑机界面

科学领域:

• 计算神经科学是一种神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 尖端神经网络 (SNN) 为脑机界面 (BMI) 提供计算效率和生物可信性.
• 现有的SNN训练方法需要大量的内存,并且无法处理连续的输入流,而无需定期中断反向传播.
• 持续,不间断的训练对于理想的BMI来说至关重要,以尽量减少用户的干扰,并适应动态的神经环境.

研究的目的:

• 为回归学习开发一个连续的SNN重量更新算法.
• 消除存储过去的spiking事件的需要,从而减少内存需求.
• 在真实世界的神经数据和模拟的闭环BMI设置中评估算法的性能.

主要方法:

• 提出了一种新的连续SNN重量更新算法,使回归学习成为可能.
• 实现了算法,不需要对过去的spiking事件进行内存,实现了持续的内存使用.
• 在实现任务和在模拟闭环环境中对灵长类前运动皮层神经记录的SNN进行了评估.

主要成果:

• 实现了与线下训练方法相比的峰值相关性 (ρ=0.7),同时减少了92%的内存使用.
• 在闭环模拟中证明了最先进的准确性.
• 展示了对神经输入干扰的适应能力和成功的在线培训,没有先前的线下培训.

结论:

• 开发的持续学习SNN提供了适合闭环BMI应用的快速神经解码算法.
• 这种算法提高了用户的适应速度,并以最小的干扰适应神经行为变化.
• 这些发现为更具响应性和用户友好的脑机界面铺平了道路.