Leveraging Recurrent Neural Networks for Predicting Motor Movements from Primate Motor Cortex Neural Recordings

要約

本稿では、非ヒト霊長類の神経記録から運動動作をデコードするための効率的なディープラーニングソリューションを紹介する。このタスクのモデル・アーキテクチャとして、オートエンコーダー・ゲート・リカレント・ユニット（AEGRU）モデルを採用した。オートエンコーダは、より良い汎化を達成するために、学習段階でのみ使用される。前処理技術と共に、我々のモデルは0.71$R^2$スコアを達成し、Neurobenchのベースラインモデルを凌駕し、IEEE BioCAS 2024 Grand Challenge on Neural Decodingの$R^2$で1位となった。また、モデルの刈り込みを行うことで、刈り込みを行っていないモデルと比較して、$R^2$スコアにほとんど変化を与えずに、乗算(MAC)演算を41.4%削減した。

要約(オリジナル)

This paper presents an efficient deep learning solution for decoding motor movements from neural recordings in non-human primates. An Autoencoder Gated Recurrent Unit (AEGRU) model was adopted as the model architecture for this task. The autoencoder is only used during the training stage to achieve better generalization. Together with the preprocessing techniques, our model achieved 0.71 $R^2$ score, surpassing the baseline models in Neurobench and is ranked first for $R^2$ in the IEEE BioCAS 2024 Grand Challenge on Neural Decoding. Model pruning is also applied leading to a reduction of 41.4% of the multiply-accumulate (MAC) operations with little change in the $R^2$ score compared to the unpruned model.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL