NeuSort：一种利用神经形态模型的自适应自动化尖峰分类方法
摘要：神经元活动数据处理和分析中的关键步骤之一是将单电极记录的不同神经元的尖峰事件进行分类，这被称为尖峰分类。最近脑机接口的发展使得能够利用单单元活动实现对外部设备和闭环神经假体的在线控制，从而使在线尖峰分类成为必需。大多数现有的尖峰分类器是脱机工作的，即在数据采集之后进行分类。然而，脱机尖峰分类器通常在在线任务中受到神经信号不稳定性的影响而性能下降。在线过程中，神经元的特性可能随时间变化（例如波形畸变），并且可能出现新的神经元。因此，静态的尖峰分类器需要定期重新校准以保持其性能。本研究提出了一种基于神经形态模型（NeuSort）的新型在线尖峰分类器，它可以自适应地调整自身以应对神经信号的变化。NeuSort可以稳健地跟踪波形畸变下的个体神经元活动，并可以实时自动识别新出现的神经元。NeuSort的适应能力是通过根据生物神经系统中启发的可塑性学习规则对神经形态模型进行在线参数更新实现的。在合成和神经信号数据集上的实验结果表明，NeuSort可以自动分类尖峰事件并应对神经信号中的非稳态情况。NeuSort还通过神经形态芯片提供了极低的能量消耗计算。
作者：Hang Yu, Yu Qi, Gang Pan
论文ID：2304.10273
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-04-21