用受限制的博尔茨曼机器对神经活动进行跨主体映射

科学领域:

• 计算神经科学是一种神经科学.
• 机器学习 机器学习
• 生物工程是生物工程.

背景情况:

• 主体变异性给神经数据模型的概括和神经接口调整带来了挑战.
• 现有的方法在高效的多主体数据映射方面扎,特别是在非线性神经特征方面.
• 需要计算高效的技术来跨主体传输数据以进行神经解码.

研究的目的:

• 开发一种方法,将神经数据从目标主体传输到源主体域,用于直接解码应用.
• 为了使预先训练有素的解码器在新主题上使用,而不需要针对特定目标的解码器培训.
• 为了解决当前多主体映射方法的计算效率低下.

主要方法:

• 使用具有高斯输入和伯努利隐藏单位的受限制博尔兹曼机器 (RBM) 来进行数据映射.
• 采用吉布斯采样来将目标特征映射到RBM中的源特征空间.
• 介绍了一种新的,计算效率高的RBM训练技术,用于封闭形式梯度的费舍尔分歧.

主要成果:

• 通过使用RBMs,成功地将目标受试者的神经数据映射到源域.
• 在对映射目标数据的源分类器使用视觉刺激的分类中达到高达95%的准确性.
• 证明了RBM在跨主体神经数据映射中的有效性和效率.

结论:

• 轮回神经系统,特别是当用费舍尔分歧进行训练时,对于跨主体的神经数据映射是有效和高效的.
• 拟议的方法允许直接应用源神经解码器到目标受试者,减少对特定目标培训的需求.
• 这种方法在对不同学科的神经数据模型的概括方面取得了重大进展.