DOI: https://doi.org/10.1016/j.knosys.2026.115508
تاريخ النشر: 2026-02-12
المؤلف: Song Yang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الورقة البحثية بنية جديدة لشبكة عصبية متفجرة (SNN) تهدف إلى تعزيز الدقة والكفاءة لواجهات الدماغ-الكمبيوتر داخل القشرة (BCIs). غالبًا ما تؤدي طرق فك التشفير التقليدية التي تستخدم ميزات متجه النشاط العصبي إلى دقة منخفضة، بينما تتكبد أساليب التعلم العميق تكاليف حسابية عالية. تدمج شبكة SNN المقترحة طبقة تلافيف زمنية، وطبقة تلافيف مكانية، وتطبيع دفعي، وعصبونات متفجرة من نوع التكامل والإطلاق الخطي الجزئي (PLIF)، مما يسهل التصنيف الفعال للإشارات الدماغية المتعلقة بالحركة. بالإضافة إلى ذلك، يتم تقديم نهج دمج الميزات (FF)، الذي يجمع بين ميزات متجه النشاط العصبي المستخرجة يدويًا وتلك المشتقة من شبكة عصبية عميقة، مما يحسن دقة فك التشفير بشكل أكبر.
تشير النتائج التجريبية من فك تشفير الإشارات داخل القشرة المتعلقة بالحركة في قردين من نوع ريسوس إلى أن نموذج SNN يتفوق على الشبكات العصبية الاصطناعية التقليدية من حيث الدقة، بينما يظهر كفاءة طاقة أكبر بكثير – بمعدل يتراوح بين العشرات إلى المئات. تشير النتائج إلى أن هذه البنية لشبكة SNN مناسبة بشكل خاص للتطبيقات عالية الدقة ومنخفضة الطاقة في مجال واجهات الدماغ-الكمبيوتر داخل القشرة، مما يجعلها تقدمًا واعدًا في هذا المجال.
مقدمة
تناقش مقدمة الورقة تطوير وتصنيف واجهات الدماغ-الكمبيوتر (BCIs)، مميزة بين الأنواع الغازية وغير الغازية. تعاني واجهات الدماغ-الكمبيوتر غير الغازية، على الرغم من كونها مريحة للتطبيقات مثل إدخال النص وإعادة التأهيل العصبي، من دقة مكانية منخفضة ومعلومات محدودة، مما يقيّد فعاليتها في المهام المعقدة مثل فك تشفير الكلام واستعادة الحركة لدى المرضى المشلولين. بالمقابل، توفر واجهات الدماغ-الكمبيوتر داخل القشرة (iBCIs)، التي تتضمن زراعة أقطاب كهربائية في القشرة، تسجيلات ذات جودة أعلى للإشارات الدماغية، مما يسهل فك تشفير الإشارات العصبية بدقة أكبر وتطبيقات متقدمة.
تسلط الورقة الضوء على قيود طرق فك التشفير الحالية لـ iBCI، التي تعتمد غالبًا على ميزات متجه النشاط العصبي (NAV) المصنوعة يدويًا والمصنفات الخطية. تقدم الشبكات العصبية المتفجرة (SNNs) كبديل واعد لفك التشفير في iBCI نظرًا لكفاءتها في استهلاك الطاقة وقدرتها على معالجة الإشارات المتفجرة، مما يتماشى بشكل وثيق مع طبيعة التواصل العصبي. يقترح المؤلفون نموذج SNN جديد يجمع بين نهج دمج الميزات (FF) الذي يدمج ميزات NAV المستخرجة يدويًا مع تلك المشتقة من الشبكات العصبية العميقة. تظهر النتائج التجريبية أن نموذج SNN المقترح يتفوق على الشبكات العصبية الاصطناعية التقليدية (ANNs) من حيث الدقة بينما يكون أكثر كفاءة في استهلاك الطاقة بشكل ملحوظ. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستتناول الأعمال ذات الصلة، والأساليب المقترحة، والنتائج التجريبية، والاستنتاجات.
طرق
توضح قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. تفصل معايير اختيار المشاركين، وإجراءات جمع البيانات، والأساليب الإحصائية المستخدمة لتحليل النتائج. يتم إعطاء اهتمام خاص للأدوات والتقنيات المستخدمة، مما يضمن إمكانية تكرار النتائج وموثوقيتها.
بالإضافة إلى ذلك، يصف القسم أي نماذج رياضية أو معادلات تم تطبيقها في التحليل، مما يوفر وضوحًا حول كيفية تفسير البيانات. تتماشى المنهجيات مع أهداف البحث، مما يضمن أن النتائج قوية وتساهم بشكل ذي مغزى في مجال الدراسة. بشكل عام، فإن الطرق المستخدمة صارمة ومنظمة جيدًا، مما يسهل فهمًا شاملاً لنتائج البحث.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم في واجهات الدماغ-الكمبيوتر (BCIs) والشبكات العصبية المتفجرة (SNNs)، مع التركيز بشكل خاص على تطبيقها في فك تشفير الإشارات الدماغية داخل القشرة. تستعرض الورقة طرقًا مختلفة موجودة، بما في ذلك أساليب التعلم الآلي التقليدية ونماذج التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs) والمحولات، التي أظهرت نجاحًا في واجهات الدماغ-الكمبيوتر غير الغازية. ومع ذلك، تؤكد على أن العديد من خوارزميات فك التشفير في iBCI لا تزال تعتمد على النماذج التقليدية بدلاً من الاستفادة من إمكانيات التعلم العميق. يقترح المؤلفون بنية جديدة لشبكة SNN تجمع بين الطبقات التلافيفية الزمنية والمكانية، باستخدام عصبونات التكامل والإطلاق الخطي المتسرب (PLIF) لتعزيز دقة فك التشفير مع الحفاظ على استهلاك طاقة منخفض.
تم تصميم بنية SNN المقترحة لمعالجة البيانات المتفجرة بكفاءة، مع دمج آلية استخراج الميزات التي تدمج ميزات النشاط العصبي المستخرجة يدويًا مع تمثيلات التعلم العميق. تظهر النتائج التجريبية أن SNN المقترح يتفوق على الشبكات العصبية الاصطناعية التقليدية (ANNs) في مهام التصنيف التي تتضمن إشارات متعلقة بالحركة من قردة ريسوس، محققًا دقة متوسطة تبلغ 84.25% و91.85% لمهام الوصول والإمساك، على التوالي. علاوة على ذلك، تظهر SNN كفاءة طاقة كبيرة، حيث تكون أكثر كفاءة بمعدل 35 مرة على الأقل من ANNs في مهمة الوصول و59 مرة أكثر كفاءة في مهمة الإمساك. تشير النتائج إلى أن دمج ميزات NAV مع التمثيلات العميقة يمكن أن يعزز أداء التصنيف، مما يدل على الطبيعة التكميلية لهذه الأنواع من الميزات في تطبيقات فك التشفير.
DOI: https://doi.org/10.1016/j.knosys.2026.115508
Publication Date: 2026-02-12
Author(s): Song Yang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper presents a novel spiking neural network (SNN) architecture aimed at enhancing the accuracy and efficiency of intra-cortical brain-computer interfaces (BCIs). Traditional decoding methods utilizing neural activity vector features often yield low accuracy, while deep learning approaches incur high computational costs. The proposed SNN integrates a temporal convolution layer, a spatial convolution layer, batch normalization, and piecewise linear integrate-and-fire (PLIF) spiking neurons, facilitating effective classification of motor-related brain signals. Additionally, a feature fusion (FF) approach is introduced, which combines manually extracted neural activity vector features with those derived from a deep neural network, further improving decoding accuracy.
Experimental results from decoding motor-related intra-cortical signals in two rhesus macaques indicate that the SNN model surpasses traditional artificial neural networks in accuracy while demonstrating significantly greater energy efficiency—by factors of tens to hundreds. The findings suggest that this SNN architecture is particularly well-suited for high-precision, low-power applications in the realm of intra-cortical BCIs, making it a promising advancement in the field.
Introduction
The introduction of the paper discusses the development and categorization of brain-computer interfaces (BCIs), distinguishing between invasive and non-invasive types. Non-invasive BCIs, while convenient for applications such as text input and neurorehabilitation, suffer from low spatial resolution and limited information, which restricts their effectiveness in complex tasks like speech decoding and restoring mobility in paralyzed patients. In contrast, intra-cortical brain-computer interfaces (iBCIs), which involve the implantation of electrodes in the cortex, provide higher quality brain signal recordings, facilitating more precise neural signal decoding and advanced applications.
The paper highlights the limitations of existing iBCI decoding methods, which often rely on handcrafted neural activity vector (NAV) features and linear classifiers. It introduces spiking neural networks (SNNs) as a promising alternative for iBCI decoding due to their energy efficiency and ability to process spiking signals, aligning closely with the nature of neural communication. The authors propose a novel SNN model combined with a feature fusion (FF) approach that integrates manually extracted NAV features with those derived from deep neural networks. Experimental results demonstrate that the proposed SNN model outperforms traditional artificial neural networks (ANNs) in accuracy while being significantly more energy-efficient. The paper outlines its structure, indicating subsequent sections will cover related works, the proposed methodologies, experimental results, and conclusions.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. It details the selection criteria for participants, the procedures for data collection, and the statistical methods used to analyze the results. Specific attention is given to the tools and technologies utilized, ensuring reproducibility and reliability of the findings.
Additionally, the section describes any mathematical models or equations applied in the analysis, providing clarity on how the data were interpreted. The methodologies are aligned with the research objectives, ensuring that the results are robust and contribute meaningfully to the field of study. Overall, the methods employed are rigorous and well-structured, facilitating a comprehensive understanding of the research outcomes.
Discussion
The discussion section of the research paper highlights the advancements in brain-computer interfaces (BCIs) and spiking neural networks (SNNs), particularly focusing on their application in intra-cortical brain signal decoding. The paper reviews various existing methods, including traditional machine learning approaches and deep learning models like convolutional neural networks (CNNs) and transformers, which have shown success in non-invasive BCIs. However, it emphasizes that many intra-BCI decoding algorithms still rely on conventional models rather than leveraging the potential of deep learning. The authors propose a novel SNN architecture that combines temporal and spatial convolution layers, utilizing parametric leaky integrate-and-fire (PLIF) neurons to enhance decoding accuracy while maintaining low energy consumption.
The proposed SNN architecture is designed to efficiently process spiking data, incorporating a feature extraction mechanism that integrates manually extracted neural activity features with deep learning representations. Experimental results demonstrate that the proposed SNN outperforms traditional artificial neural networks (ANNs) in classification tasks involving motor-related signals from rhesus macaques, achieving average accuracies of 84.25% and 91.85% for reaching and grasping tasks, respectively. Furthermore, the SNN exhibits significant energy efficiency, being at least 35 times more efficient than ANNs in the reaching task and 59 times more efficient in the grasping task. The findings suggest that the integration of NAV features with deep representations can enhance classification performance, indicating the complementary nature of these feature types in decoding applications.