Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces

要約

皮質内ブレインマシンインターフェース (iBMI) は、対麻痺のある人々の日常活動を行う能力を回復することで、その生活を劇的に改善する可能性を秘めています。
ただし、現在の iBMI は、ハードウェアと配線がかさばるため、スケーラビリティとモビリティの制限があります。
ワイヤレス iBMI はソリューションを提供しますが、データ レートには制限があります。
この課題を克服するために、私たちはワイヤレス iBMI に埋め込まれたニューラル デコーディングのためのハイブリッド スパイキング ニューラル ネットワークを研究しています。
ネットワークは、時間畳み込みベースの圧縮と、それに続く反復処理、および元のシーケンス長に戻す最終補間で構成されます。
リカレント ユニットとして、ゲート付きリカレント ユニット (GRU)、リーキー統合発射 (LIF) ニューロン、およびその両方の組み合わせであるスパイキング GRU (sGRU) を調査し、精度、フットプリント、および活性化のスパース性の観点からそれらの違いを分析します。
そのために、私たちは「マルチチャネル感覚運動皮質電気生理学を使用した非ヒト霊長類到達」データセットでデコーダーをトレーニングし、ニューラル デコーディングに関する IEEE BioCAS グランド チャレンジの両方のトラックを対象として、NeuroBench フレームワークを使用してそれを評価します。
私たちのアプローチは、シナプス操作の数を低く維持しながら、マルチチャネル一次運動野記録から霊長類の到達運動の速度を予測する高精度を達成し、NeuroBenchフレームワークの現在のベースラインモデルを上回ります。
この研究は、ハイブリッド ニューラル ネットワークが高いデコード精度と監視されるニューロンの数の大幅な増加を備えたワイヤレス iBMI を容易にし、より高度な神経補綴技術への道を開く可能性を強調しています。

要約(オリジナル)

Intra-cortical brain-machine interfaces (iBMIs) have the potential to dramatically improve the lives of people with paraplegia by restoring their ability to perform daily activities. However, current iBMIs suffer from scalability and mobility limitations due to bulky hardware and wiring. Wireless iBMIs offer a solution but are constrained by a limited data rate. To overcome this challenge, we are investigating hybrid spiking neural networks for embedded neural decoding in wireless iBMIs. The networks consist of a temporal convolution-based compression followed by recurrent processing and a final interpolation back to the original sequence length. As recurrent units, we explore gated recurrent units (GRUs), leaky integrate-and-fire (LIF) neurons, and a combination of both – spiking GRUs (sGRUs) and analyze their differences in terms of accuracy, footprint, and activation sparsity. To that end, we train decoders on the ‘Nonhuman Primate Reaching with Multichannel Sensorimotor Cortex Electrophysiology’ dataset and evaluate it using the NeuroBench framework, targeting both tracks of the IEEE BioCAS Grand Challenge on Neural Decoding. Our approach achieves high accuracy in predicting velocities of primate reaching movements from multichannel primary motor cortex recordings while maintaining a low number of synaptic operations, surpassing the current baseline models in the NeuroBench framework. This work highlights the potential of hybrid neural networks to facilitate wireless iBMIs with high decoding precision and a substantial increase in the number of monitored neurons, paving the way toward more advanced neuroprosthetic technologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google