关于机器学习应用于外围神经接口的广泛审查
概括
机器学习 (ML) 在外围神经接口 (PNI) 中越来越多地用于神经活动分类. 这项审查发现监督学习,特别是神经网络,主导了PNI应用程序,表明未充分利用的ML方法可以提高性能.
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
- 机器学习 机器学习
背景情况:
- 周围神经接口 (PNI) 对于生物电子医学和神经假体至关重要,能够调节和监测神经活动.
- 机器学习 (ML) 的集成为在PNI中分析复杂的神经数据提供了先进的功能.
- 缺乏对ML在PNI中的当前作用和潜力的全面了解.
研究的目的:
- 进行范围审查,以映射PNI领域ML技术的应用和范围.
- 确定流行的ML方法,并记录它们在PNI研究中的使用情况.
- 突出未充分利用的ML方法论,以便在PNI技术中实现潜在的未来进展.
主要方法:
- 在五个主要数据库中进行了系统搜索,以确定相关研究.
- 经过严格的全文审查,总共包括了63项研究.
- 审查的重点是对在选定的PNI研究中使用的ML技术进行分类和分析.
主要成果:
- 监督学习方法是最常见的ML策略,主要用于PNI中的活动分类.
- 神经网络算法,包括人工神经网络 (ANN),卷积神经网络 (CNN) 和循环神经网络 (RNN),是最常用的.
- 目前,无监督,半监督和强化学习 (RL) 方法在PNI研究中代表性不足.
结论:
- 机器学习,特别是通过神经网络进行监督学习,是当前神经信号分类的PNI应用中的关键推动因素.
- 对于使用其他ML范式 (如无监督,半监督和RL) 来推进PNI能力,存在着巨大的未开发潜力.
- 利用未充分利用的ML技术可以提高性能,并在生物电子医学和神经假体中获得新的应用.
