基于高性能脑机接口的RNNs记忆与泛化平衡

文章预览

脑机接口（BMI）可以恢复瘫痪患者的运动功能，但目前受到实时解码算法准确性的限制。使用循环神经网络（RNNs）在从神经信号准确预测运动方面显示出了希望，但尚未在闭环设置中与其他解码算法进行严格评估。 研究人员在本研究中，通过对非人类灵长类动物的皮质内信号解码手指连续运动，将RNN与其他神经网络结构进行了实时比较。下面是 实验过程。 本研究在两只雄性恒河猴（Monkey N和W）的运动皮层植入了Utah微电极阵列，使用弓状沟作为手部区域的解剖标志。使用Cerebus神经信号处理器记录96通道Utah阵列数据。训练猴子N和W用电脑屏幕上显示的虚拟手指获取虚拟目标（图1a）。在手部控制（“离线”试验）中，猴子在一个操纵杆内移动手指，该操纵杆使用弯曲传感器测量食指和中指小（MRS）手指组的角度，并控制虚拟手指（图1b）。实验测试 ………………………………