Estimation of a linear-nonlinear-poisson neural encoding model for motor brain-iachine interfaces
Correu electrònic de l'autormireiacavallegmail.com
Realitzat a/ambHong Kong University of Science and Technology
Tipus de documentTreball Final de Grau
Data2022-02
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial 3.0 Espanya
Abstract
En els últims anys, la demanda de pròtesis que substitueixin extremitats no funcionals en els éssers humans ha augmentat considerablement.
Per controlar-les amb l'activitat neuronal del cervell, alguns estudis sobre interfícies cervell-computadora han desenvolupat un mode de descodificació capaç d'inferir el moviment d'aquestes extremitats donada l'activitat elèctrica de les neurones motores associades en el còrtex cerebral. Tot i això, per aprofitar tot el potencial d'aquest model, és necessari proporcionar un model de codificació neuronal instantani que expressi la relació directe entre la cinemàtica (posició, velocitat i biaix) i l'activitat neuronal.
El codificador proposat és un model Lineal-NoLineal-Poisson que prediu la probabilitat d'activació d'una neurona i se li proporciona a un generador de polsos de Poisson. Es prova el codificador amb dades reals obtingudes del còrtex motor de rates realitzant una tasca de pressió de palanca. L'objectiu d'aquesta investigació és proporcionar un procediment per estimar els paràmetres neuronals finals i comprovar l'adequació de la codificació per predir l'activitat neuronal. En los últimos años, la demanda de prótesis que sustituyan extremidades disfuncionales de los seres humanos ha aumentado considerablemente.
Para controlarlas con la actividad neuronal del cerebro, algunos estudios sobre interfaces cerebro-computadora han desarrollado un modelo de descodificación capaz de inferir el movimiento de estas extremidades dada la actividad eléctrica de las neuronas motoras asociadas en el córtex cerebral. Sin embargo, para aprovechar todo el potencial de este modelo, es necesario proporcionar un modelo de codificación neuronal instantánea que exprese la relación directa entre la cinemática (posición, velocidad y sesgo) y la actividad neuronal.
El codificador propuesto es un modelo Lineal-NoLineal-Poisson que predice la probabilidad de activación de una neurona y se proporciona a un generador de pulsos de Poisson. Se prueba el codificador con datos reales obtenidos del córtex motor de ratas realizando una tarea de presión de palanca. El objetivo de esta investigación es proporcionar un procedimiento para estimar los parámetros neuronales finales y comprobar la adecuación de la codificación para predecir la actividad neuronal. In recent years, the demand of prosthetic devices that substitute dysfunctional limbs in human beings has been substantially increasing.
In order to control them with brain's neural activity, brain-machine interfaces related studies have developed a decoding model capable of inferring movement given the associated motor cortical neurons spike activity. However, to meet this model's full potential, one needs to provide an instantaneous neural encoding model that displays the direct relationship between the instantaneous kinematics (position, velocity and bias) and the neural spike activity.
The proposed encoder is a Linear-Nonlinear-Poisson model that predicts the firing probability of one neuron and feeds it to a Poisson spike generator. We test the encoder on the real neural activity collected from motor cortex of rats performing a lever pressing task. The aim of this research is to provide a procedure to estimate neural ending parameters and check the encoding suitability to predict neural activity.
MatèriesNeural networks (Computer science), Computational neuroscience, Xarxes neuronals (Informàtica), Neurociència computacional
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES/GRAU EN ENGINYERIA FÍSICA
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Estimation of a ... ain-Machine Interfaces.pdf | 3,261Mb | Visualitza/Obre |