AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：聚類精度超96%，機(jī)器學(xué)習(xí)新算法可實(shí)現(xiàn)更高腦機(jī)接口性能
關(guān)鍵字：尖峰,神經(jīng)元,信號(hào),數(shù)據(jù),神經(jīng)
文章來源：人工智能學(xué)家
內(nèi)容字?jǐn)?shù)：6482字

內(nèi)容摘要：

將 ScienceAI設(shè)為星標(biāo)
第一時(shí)間掌握
新鮮的 AI for Science 資訊編輯 | 蘿卜皮
使用多個(gè)電極記錄神經(jīng)元活動(dòng)已被廣泛用于了解大腦的功能機(jī)制。增加電極數(shù)量使科學(xué)家能夠解碼更多種類的功能。然而，由于硬件資源有限和不可避免的熱組織損傷，處理大量多通道電生理數(shù)據(jù)仍然具有挑戰(zhàn)性。
在這里，韓國大邱慶北科學(xué)技術(shù)院（DGIST，Daegu Gyeongbuk Institute of Science & Technology）的研究團(tuán)隊(duì)提出了基于機(jī)器學(xué)習(xí)（ML）的高頻神經(jīng)元尖峰從二次采樣的低頻信號(hào)重建。
受到圖像處理中高頻恢復(fù)和超分辨率之間等效性的啟發(fā)，研究人員將 Transformer ML 模型應(yīng)用于從體外培養(yǎng)物和體內(nèi)雄性小鼠大腦中記錄的神經(jīng)元數(shù)據(jù)。即使使用 x8 下采樣數(shù)據(jù)集，該團(tuán)隊(duì)的模型也能合理估計(jì)尖峰活動(dòng)的高頻信息，包括尖峰時(shí)間、波形和網(wǎng)絡(luò)連接。
該研究以「Machine learning-based high-frequency neuronal spike reconstruction from low-frequency and low-sampling-ra

原文鏈接：聚類精度超96%，機(jī)器學(xué)習(xí)新算法可實(shí)現(xiàn)更高腦機(jī)接口性能

聯(lián)系作者

文章來源：人工智能學(xué)家
作者微信：AItists
作者簡介：致力成為權(quán)威的人工智能科技媒體和前沿科技研究機(jī)構(gòu)