基于深度学习的尖端分类:一项调查调查
Luca M Meyer1, Majid Zamani2, János Rokai3
1Currently not Affiliated with any Institution, Wiesbaden, Germany.
Journal of neural engineering
|October 25, 2024
概括
本调查回顾了神经科学中尖端分类的深度学习方法,突出了卷积神经网络和自动编码器,以改进神经活动分析. 它提供了对最先进的技术和神经信号处理的潜在未来方向的洞察.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 深度学习越来越多地应用于神经科学信号处理,特别是细胞外记录.
- 尖端分类对于从人口记录中分配动作潜力 (尖端) 到个别神经元至关重要.
研究的目的:
- 从最近的基于深度学习的尖端分类方法学中批判性地综合发现.
- 提供当前最先进的方法,方法和结果的深入评估.
主要方法:
- 审查了2023年12月之前发表的基于深度学习的尖端分类的24篇文章.
- 将方法分类为尖峰检测,特征提取和分类,包括集成系统.
主要成果:
- 多道数据模型显示出有前途,具有高效的硬件实现.
- 卷积神经网络在尖端检测和分类方面表现出色,这是由于时空处理.
- 自动编码器用于减小维度,集成系统提供端到端解决方案.
结论:
- 深度神经网络在解决尖端分类挑战方面显示出显著的潜力.
- 该调查强调了模型的能力和潜在的偏见,作为研究人员的资源.
- 这项工作旨在激发神经信号处理深度学习的未来发展.
