研究人工神经网络对BMI解码的线性方法的好处
Hisham Temmar1, Matthew S Willsey1,2, Joseph T Costello3
1Department of Biomedical Engineering, University of Michigan, Ann Arbor, MI, United States of America.
Journal of neural engineering
|June 17, 2025
概括
非线性脑机界面 (BMI) 解码神经信号,以改善手指运动控制,优于线性方法. 规范化增强神经网络的一致性和未来BMI应用的概括性.
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:
- 脑机界面 (BMI) 旨在通过将神经信号转化为预期的行为来恢复脊髓损伤患者的功能.
- 与传统的线性解码器相比,非线性解码器最近在BMI应用中显示出更高的性能.
- 了解非线性方法在解码用于运动控制的神经信号方面的特定优势至关重要.
研究的目的:
- 为了比较非线性和线性解码器在预测个体化的手指运动中的性能.
- 分析非线性解码器在开环和闭环设置中的有效性.
- 调查调整对神经网络一致性和BMI性能的影响.
主要方法:
- 两个成年雄性 rhesus macaques 被植入了运动皮层犹他州阵列.
- 一个2D灵巧的手指运动任务被用来收集神经数据.
- 多个线性和非线性解码器,包括暂时卷积神经网络 (TCN) 和长期短期记忆 (LSTM),被用来将神经活动映射到运动动态学.
主要成果:
- 非线性解码器产生的运动速度分布比线性解码器更接近实际手动的80.7%.
- 规范化技术提高了临时卷曲的前神经网络融合的一致性,达到188.9%,提高了性能和训练速度.
- 通过利用多样化的培训数据,TCN和LSTM展示了对不同任务变异进行概括的能力.
结论:
- 非线性解码器为大脑机器接口的运动控制忠实性提供了显著的改进.
- 正规化是提高基于神经网络的BMI解码器的稳定性和效率的一个有价值的技术.
- 人工神经网络对未来的BMI解码充满希望,有可能在复杂的现实任务中进行更好的概括.
