记忆神经网络用于预测活动

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 材料科学 材料科学 材料科学

背景情况:

• 在小鼠中,使用皮洛卡诱导了慢性型活动.
• 从对照小鼠和小鼠的海马体和中枢肠内皮层记录了局部场潜力 (LFP).
• 这项研究研究预测病态神经元活动.

研究的目的:

• 评估神经元活动数据对型活动的预测能力.
• 开发和实施一个深层人工神经网络 (ANN),用于预测类活动.
• 通过使用memristive设备来演示ANN的实现.

主要方法:

• 开发了一个深度长期短期记忆 (LSTM) 人工神经网络 (ANN).
• 该ANN通过使用LFP记录从诱导慢性型活动的小鼠的监督学习进行训练.
• 该ANN实现使用基于金属-氧化物-金属薄膜中的氧化还原过程的记忆装置.

主要成果:

• 深度ANN成功预测了型活动在发生40毫秒前.
• 获得了高的评估指标 (低根-平方平均误差为0.019),证明了该方法的有效性.
• 开发的神经网络架构显示出对准确预测的巨大潜力.

结论:

• 深度ANN可以预测病态神经元活动,包括小鼠的焦点发作,在它们发生之前.
• 该方法提供了基于LFP数据建立疾病进展的长期预测的潜力.
• 这种基于记忆的设备ANN提供了一种用于分析和预测病态神经元活动的新方法,有可能改善的诊断和预后.