폐쇄 루프 피질 뇌-기계 인터페이스 디코더를 위한 반복 신경망

반복 신경망(RNN)은 복잡한 시간 의존성을 가진 시계열 데이터에서 비선형 관계를 학습하는 데 유용한 도구입니다. 본 논문에서는 내부 가중치에 대한 제한된 수정만을 가진 반복 신경망의 단순화된 유형인 에코 상태 네트워크(ESN)가 폐쇄 루프에서 피질 뇌-기계 인터페이스(BMI)를 사용하여 표준 중앙-외부 도달 작업 동안 원숭이의 도달 동작을 효과적으로 연속적으로 디코딩할 수 있는 능력을 탐구합니다. 우리는 FORCE 디코더(1차 감소 및 제어 오류 학습에서 유래)의 형태로 구현된 RNN이 이 작업을 빠르게 학습하고 목표 획득 시간을 측정하여 현재 최첨단 방법인 속도 칼만 필터(VKF)를 유의미하게 능가함을 보여줍니다. 또한 FORCE 디코더가 무작위 점 간 작업을 성공적으로 수행함으로써 더 어려운 작업에 일반화됨을 입증합니다. FORCE 디코더는 장기 세션 동안의 성공률로 측정했을 때도 강력합니다. 마지막으로, 디코딩된 커서의 동역학이 VKF의 것보다 자연스러운 손 움직임과 더 유사함을 보여줍니다. 이 결과들을 종합하면, 일반적으로 RNN과 특히 FORCE 디코더가 BMI 디코더 응용을 위한 강력한 도구임을 시사합니다.