ترجمه فارسی مقاله رمزگشایی سرعت انگشت از قطارهای سنبله قشری با شبکه‌های عصبی پرشدن مکرر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Decoding finger velocity from cortical spike trains with recurrent spiking neural networks
عنوان مقاله به فارسی رمزگشایی سرعت انگشت از قطارهای سنبله قشری با شبکه‌های عصبی پرشدن مکرر
نویسندگان Tengjun Liu, Julia Gygax, Julian Rossbroich, Yansong Chua, Shaomin Zhang, Friedemann Zenke
فرمت مقاله انگلیسی PDF
تعداد صفحات 5
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Neurons and Cognition,Human-Computer Interaction,Machine Learning,Neural and Evolutionary Computing,نورون و شناخت , تعامل انسان و رایانه , یادگیری ماشین , محاسبات عصبی و تکاملی ,
توضیحات Submitted 3 September, 2024; originally announced September 2024. , Comments: 5 pages, 2 figures. This work has been submitted to the IEEE BioCAS 2024 conference
توضیحات به فارسی ارسال شده در 3 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 5 صفحه ، 2 شکل.این کار به کنفرانس IEEE Biocas 2024 ارسال شده است
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Invasive cortical brain-machine interfaces (BMIs) can significantly improve the life quality of motor-impaired patients. Nonetheless, externally mounted pedestals pose an infection risk, which calls for fully implanted systems. Such systems, however, must meet strict latency and energy constraints while providing reliable decoding performance. While recurrent spiking neural networks (RSNNs) are ideally suited for ultra-low-power, low-latency processing on neuromorphic hardware, it is unclear whether they meet the above requirements. To address this question, we trained RSNNs to decode finger velocity from cortical spike trains (CSTs) of two macaque monkeys. First, we found that a large RSNN model outperformed existing feedforward spiking neural networks (SNNs) and artificial neural networks (ANNs) in terms of their decoding accuracy. We next developed a tiny RSNN with a smaller memory footprint, low firing rates, and sparse connectivity. Despite its reduced computational requirements, the resulting model performed substantially better than existing SNN and ANN decoders. Our results thus demonstrate that RSNNs offer competitive CST decoding performance under tight resource constraints and are promising candidates for fully implanted ultra-low-power BMIs with the potential to revolutionize patient care.

چکیده به فارسی (ترجمه ماشینی)

رابط های تهاجمی مغزی مغز (BMI) می توانند به طور قابل توجهی کیفیت زندگی بیماران مبتلا به حرکتی را بهبود بخشند.با این وجود ، پایه های نصب شده خارجی خطر عفونت را ایجاد می کنند ، که خواستار سیستم های کاملاً کاشته شده است.با این حال ، چنین سیستمهایی باید ضمن ارائه عملکرد رمزگشایی قابل اعتماد ، از محدودیت های دقیق و محدودیت انرژی برخوردار باشند.در حالی که شبکه های عصبی مکرر سنبله (RSNN) برای پردازش بسیار کم قدرت و کم تحرک بر روی سخت افزار عصبی مناسب هستند ، مشخص نیست که آیا آنها نیازهای فوق را برآورده می کنند.برای پرداختن به این سؤال ، ما RSNN ها را آموزش دادیم تا سرعت انگشت را از قطارهای سنبله قشر (CST) دو میمون ماکاک رمزگشایی کنیم.اول ، ما دریافتیم که یک مدل بزرگ RSNN از شبکه های عصبی سنبله موجود (SNN) و شبکه های عصبی مصنوعی (ANNS) از نظر دقت رمزگشایی آنها بهتر عمل می کند.ما در مرحله بعد RSNN ریز و درشت با ردپای حافظه کوچکتر ، نرخ شلیک پایین و اتصال پراکنده ایجاد کردیم.با وجود کاهش نیازهای محاسباتی ، مدل حاصل از آن بسیار بهتر از رمزگشاهای SNN و ANN موجود است.نتایج ما بدین ترتیب نشان می دهد که RSNN ها عملکرد رمزگشایی CST را تحت محدودیت منابع محکم ارائه می دهند و نویدبخش کاندیداهای مربوط به BMI های فوق العاده کم قدرت با قدرت کاملاً کاشته شده با پتانسیل انقلابی در مراقبت از بیمار هستند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.