一种卷积脉冲网络用于脑机接口手势识别

​

A Convolutional Spiking Network for Gesture Recognition in
Brain-Computer Interfaces

解决问题：本篇论文旨在解决脑机接口中手势识别的问题，并提出了一种基于混合机器学习方法的解决方案。这是一个新问题，因为由于测量中的噪声和变异性，分析脑信号是具有挑战性的，需要离线处理和大量的计算资源。

关键思路：本文的解决方案是使用一种混合机器学习方法，其中使用卷积脉冲神经网络，采用生物启发式事件驱动突触可塑性规则进行无监督特征学习。相比当前领域的研究，本文的思路在于采用了这种混合机器学习方法，并使用卷积脉冲神经网络进行特征学习，这是一个新颖的思路。

其他亮点：本文的实验结果表明，该方法适用于不同受试者的EEG和ECoG数据，并在识别不同手势类别和运动想象任务方面取得了92.74-97.07%的优秀准确率。本文还提出了一种基于生物启发式事件驱动突触可塑性规则的无监督特征学习方法，这也是一个值得关注的亮点。本文作者没有提供开源代码，但是使用的数据集可以在文章中找到。

关于作者：主要作者Yiming Ai和Bipin Rajendran来自美国佛罗里达大学。他们之前的代表作包括：Yiming Ai在人工智能领域的研究成果包括“基于深度学习的自然语言处理”（2018）和“基于深度强化学习的游戏智能体”（2017）等。Bipin Rajendran曾在“脉冲神经网络”和“神经形态计算”等领域做出了杰出的贡献。

相关研究：近期其他相关研究包括：“A Hybrid Deep Learning Approach for Motor Imagery Classification using EEG and EOG Signals”（作者：Amit Kumar Mishra等，机构：印度理工学院）和“EEG-based human emotion recognition using hybrid deep generic model”（作者：Y. Zhang等，机构：中国科学技术大学）等。

论文摘要：本文介绍了一种基于脑机接口的手势识别方法，该方法使用卷积脉冲神经网络，采用生物启发式事件驱动突触可塑性规则进行非监督特征学习，从而对编码在脉冲域中的模拟信号进行处理。由于测量中存在的固有噪声和变异性，这种方法在处理信号时具有挑战性，并需要大量计算资源进行离线处理。然而，我们证明了这种方法适用于不同受试者的EEG和ECoG数据，并在识别不同手势类别和运动想象任务方面取得了92.74-97.07%的优异准确率。这种基于机器学习的混合方法简单而高效。

​Read More