机构名称：
¥ 1.0
Presenter: Benyamin Haghi, MICS lab Title: FENet: Feature Extraction Neural Network for Brain Machine Interfaces Author(s): Benyamin Haghi, Tyson Aflalo, Spencer Kellis, Charles Guan, Kelly Kadlec, Nader Pouratian, Richard Andersen, Azita Emami Abstract: Clinical neural prosthetic systems decode brain signals recorded from implanted电极阵列使瘫痪的人参与者控制外部设备。此过程以两个基本步骤发生。首先，传达有关电极尖端周围神经元活动的信息的电信号被转化为“神经特征”。其次，学习神经特征与参与者的意图之间的关系，随后被解码以控制外部设备。在这里，我们提出了Fenet，这是一种紧凑的（f）食品（E）Xtraction（Net）工作，该作品学习了电信号和神经特征之间优化的映射，与经典特征构造方法相比，它显着改善了解码性能。fenet使用一种新型体系结构进行参数化，该新体系结构共同优化了神经解码过程的特征提取和特征解码阶段，同时限制了特征提取算法将相同的参数化用于我们训练集中使用的所有电极。这种方法是基于这样的理解：尽管不同神经元的活性将以不同的方式对参与者的意图进行解码，但将神经活动转化为被电极检测到的电气波动的基础过程是在不同的电极，记录时间和大脑区域的跨电极保守的。在这项工作中，我们通过使用植入人类皮质中的电极阵列记录的神经数据来预测计算机光标运动的运动学来验证FENET架构。我们比较了从FENET计算出的神经特征的性能与两个当前的金标准：1）通过计算宽带神经信号的阈值交叉所计算出的神经尖峰事件的速率； 2）宽带神经数据的小波分解。我们发现，基于FENET的特征的表现使这两种方法的表现分别降低了50％和47％，而R2的特征分别超过了51％和47％。我们进一步介绍了超参数选择对FENET性能的影响的评估，包括训练数据的数量和质量以及参数初始化的选择。我们的结果表明，受过训练的FENET可用于新的数据集，而无需修改，并且可以提高训练的性能，概括和效率。此外，我们的方法演示了如何受域特定知识约束的机器学习技术可以显着改善泛化性能。
Benyamin Haghi，Fenette：提取...
主要关键词
相关文件推荐
