在神经形态框架中解码大脑信号,用于个性化自适应控制人类假肢
Georgi Rusev1, Svetlozar Yordanov1, Simona Nedelcheva1
1Institute of Information and Communication Technologies, Bulgarian Academy of Sciences, 1113 Sofia, Bulgaria.
Biomimetics (Basel, Switzerland)
|March 26, 2025
概括
这项研究探讨了脑机接口 (BMI) 的神经形态技术,提出了一种使用3D-SNN和ESN解码电皮层图形 (ECoG) 信号以控制假肢的新框架. 初步结果对适应性,低功耗的BMI系统有希望.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 当前的大脑机器接口 (BMI) 面临着尺寸,功耗和适应性方面的挑战.
- 神经形态技术为这些局限性提供了潜在的解决方案.
研究的目的:
- 研究使用神经形态技术来改进BMI系统的可行性.
- 提出和评估一种新的神经形态框架,通过电皮层图形 (ECoG) 信号解码来控制假肢.
主要方法:
- 开发一种新的神经形态框架,集成一个用于特征提取的3D尖峰定时神经网络 (3D-SNN).
- 实施可在线训练的回声状态网络 (ESN) 进行运动控制解码 (MCD).
- 在Python中使用NEST模拟器开发的软件系统,能够在实时 (监督/无监督) 持续适应.
主要成果:
- 拟议的框架在四肢患者ECoG数据上进行了测试.
- 最初的模拟结果令人鼓舞,证明了该方法的潜力.
- 通过超参数调整需要进一步改进.
结论:
- 神经形态技术显示出开发更小,更少耗电,更适应性BMI系统的前景.
- 拟议的3D-SNN和ESN框架是基于ECoG的假肢控制的可行方法.
- 未来在神经形态硬件上的实现被讨论为下一步.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.2K
10:42Rodent Behavioral Testing to Assess Functional Deficits Caused by Microelectrode Implantation in the Rat Motor Cortex
Published on: August 18, 2018
8.8K
