Multiplierless Spiking Neural Network for Motor Signal Decoding in the Peripheral Nervous System
Notice bibliographique
Résumé
The peripheral nervous system (PNS) facilitates communication between the brain and various organs. Advanced PNS neural interfaces can help in restoring motor functions for patients suffering from spinal cord injuries, amputations, and other conditions. The efficacy of these neural interfaces, and the precision of sensory activity decoding is heavily reliant on artificial intelligence techniques at the backend. Traditional machine learning techniques, such as feature-based classification, generally requires extensive feature engineering and domain expertise, and is often ineffective at handling very high-dimensional data. Additionally, convolutional neural networks (CNNs) tend to perform best when employing floating-point operations, which inturn can be computationally intensive and less energy-efficient. Addressing these challenges, this paper presents a multiplier-less spiking neural network (SNN) that utilizes fewer neurons to achieve higher accuracy. Leveraging the discrete firing characteristics of SNNs, we propose a hardware implementation model, trained on experimentally recorded action potentials from rat peripheral nerves. This demonstrates a significant improvement in Macro F1-score, reaching 0.89, over various CNNs while using $\mathbf{9 9. 8 \%}$ fewer parameters. It fully decodes three degrees of rat motion (dorsiflexion, plantarflexion, and pricking stimulation), showcasing the potential for efficient and accurate hardware integration. This work highlights a path towards the development of next-generation hardware-assisted neural interfaces.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».