A First-Order Non-Homogeneous Markov Model for the Response of Spiking Neurons Stimulated by Small Phase-Continuous Signals
我们提出了一个一阶非齐次马尔可夫模型的连续刺激的尖峰神经元的interspike-interval密度。该模型允许的条件interspike-interval密度和固定interspike-interval密度被表示为两个单独的功能，其中之一只描述了神经元的特性，而另一个只描述了信号特性的产品。这允许在底层神经元模型未知或未很好确定时使用该模型来预测响应。该近似特别清楚地表明，信号自相关和互相关作为尖峰间期密度的自然特征而出现，并且对于小信号和中等噪声特别清楚。我们表明，该模型简化了尖峰神经元互相关系统的设计，并描述了一个四神经元互抑制网络，产生两个输入信号的互相关输出。
2008-07-09 cs.NE q-bio.NC
Chaos and reliability in balanced spiking networks with temporal drive
生物信息处理通常是由相互连接的动态单元组成的复杂网络来完成的。关于这种网络的一个基本问题是可靠性：如果相同的信号在不同的初始状态下多次出现，系统会以可重复的方式携带信号吗？可靠性在神经科学中特别重要，因为神经科学中兴奋性和抑制性细胞的大型复杂网络无处不在。众所周知，这些网络会自动产生强烈的混沌动力学--这对可靠性构成了明显的威胁。在这里，我们表明，这种混乱持续存在的弱和强的刺激，但即使在混乱的存在下，间歇期的高度可靠的尖峰往往与不可靠的活动共存。我们阐明了这种间歇性的可靠性所涉及的本地动力机制，并探讨这种现象和某些时间依赖的吸引子所产生的动态之间的关系。一个结论是，混沌动力学不一定是一个障碍，精确的尖峰响应，一个事实与大型网络中的信号编码的影响。
2013-04-10 math.DS nlin.CD q-bio.NC
Encoding and Decoding Temporal Signals with Spiking Bandpass Wavelets
Technical University of Denmark（丹麦技术大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出了一种基于小波框架的脉冲编码方法，通过量化带宽和重构误差界，实现时序信号的高效编码与解码，适用于ECG和音频数据集。
2026-10-05 cs.NE eess.SP q-bio.NC
Surrogate Gradient Learning in Spiking Neural Networks
脉冲神经网络是自然界容错和节能信号处理的通用解决方案。为了将这些好处转化为硬件，越来越多的神经形态脉冲神经网络处理器试图模拟生物神经网络。这些发展已经产生了迫切需要的方法和工具，使这样的系统，以解决现实世界的信号处理问题。与传统神经网络一样，脉冲神经网络可以在真实的、特定于域的数据上进行训练。然而，他们的培训需要克服与其二元和动态性质有关的一些挑战。本文逐步阐述了训练脉冲神经网络时通常遇到的问题，并引导读者了解突触可塑性和脉冲设置中的数据驱动学习的关键概念。为此，它概述了现有的方法，并介绍了替代梯度方法，特别是作为一种特别灵活和有效的方法来克服上述挑战。
2019-05-03 cs.NE q-bio.NC
Fractionally Predictive Spiking Neurons
最近的实验工作表明，神经放电率可以解释为分数导数，至少当信号变化引起神经适应。在这里，我们表明，实际的神经尖峰训练本身可以被认为是分数阶导数，只要神经信号近似的幂律内核的总和。一个简单的标准阈值尖峰神经元足以进行这样的近似，给定一个合适的不应反应。从经验上讲，我们发现，在线近似的信号与幂律内核的总和是有益的编码信号与缓慢变化的组件，如长记忆自相似信号。对于这样的信号，与类似但指数衰减的内核的总和相比，对于类似的SNR，在线幂律内核近似通常需要不到一半的尖峰数量。由于幂律内核可以准确地近似使用加权指数的总和或级联，我们证明了由接收神经元的尖峰序列的相应解码允许通过调整解码内核的权重来进行自然和透明的时间信号滤波。
2010-10-29 cs.NE q-bio.NC
Revisiting chaos in stimulus-driven spiking networks: signal encoding and discrimination
高度连接的递归神经网络通常会产生混沌动力学，这意味着它们的精确活动对小扰动很敏感。这种网络如何编码时间刺激流的后果是什么？一方面，混沌是随机性的一个强大来源，这表明刺激的微小变化将被内在产生的可变性所掩盖。另一方面，最近的工作表明，尖峰网络中发生的混沌类型可能具有令人惊讶的低维结构，这表明可能存在精确解决精细刺激特征的“空间”。在这里，我们表明，强烈的混沌网络产生模式尖峰，可靠地编码时间依赖的刺激：使用解码器敏感的尖峰时间上的时间尺度为10毫秒，可以很容易地区分非常相似的输入的反应。此外，递归还可以在整个混沌网络中分配信号，这样一小群细胞就可以对到达其他地方的信号的大量信息进行编码。结论是，在递归网络中存在强混沌并不妨碍精确的刺激编码。
2016-04-26 nlin.CD q-bio.NC
Mean-Field Analysis of Orientation Selectivity in Inhibition-Dominated Networks of Spiking Neurons
初级视觉皮层中出现方向选择性的潜在机制备受争议。在这里，我们研究了抑制主导的随机循环网络对方向选择性的贡献，以及更广泛地对感觉处理的贡献。通过模拟和分析大规模发放神经元网络，我们研究了这些网络中方向选择性的调谐放大和对比度不变性。特别是，我们将展示如何选择性衰减的共模和放大的调制分量发生在这些网络中。基线的选择性衰减，这是由连接矩阵的特殊特征值，去除非特异性，冗余的信号分量，并确保在不同的对比度的选择性的不变性。调制的选择性放大（其由网络的操作状态控制并且取决于耦合的强度）放大信息信号分量并且因此增加信噪比。在这里，我们执行一个平均场分析，占这个过程。
2014-06-01 q-bio.NC
Multiscale fusion enhanced spiking neural network for invasive BCI neural signal decoding
University of Chinese Academy of Sciences（中国科学院大学）；Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences（中国科学院脑科学与智能技术卓越创新中心）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出多尺度融合增强脉冲神经网络MFSNN，结合时间卷积、通道注意力、跳跃连接和小批量监督泛化学习，在侵入式脑机接口解码中兼顾高精度与高能效，并适合神经形态芯片部署。
2024-09-14 cs.AI cs.NE q-bio.NC
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals
Imperial College London（帝国理工学院）
神经生理学时间序列，如肌电信号和皮层内记录，通常由许多单独的尖峰源组成，其恢复可以提供对感兴趣的生物系统的基本见解或为人机接口提供神经信息。由于这个原因，声源分离算法已经成为神经科学和神经工程中越来越重要的工具。然而，在有噪声或高度多变量的记录中，这些分解技术通常产生大量的错误，这降低了人机接口应用，并且通常需要对尖峰时间戳的输出标签集进行昂贵的事后手动清理。为了解决自动化事后清理和鲁棒分离过滤器的需求，我们提出了一种基于深度度量学习的方法，使用一种新颖的损失函数来保持类内方差，从而创建适合标签清理和发现新激活的丰富嵌入空间。然后，我们验证了这种方法与人为损坏的标签集的基础上源分离的高密度表面肌电图记录，恢复原始的时间戳，即使在极端程度的功能和类相关的标签噪声。这种方法使神经网络能够学习使用任何不完美的标记信号的方法来准确地解码神经生理时间序列。
2021-10-13 cs.LG q-bio.NC
Learning spatiotemporal signals using a recurrent spiking network that discretizes time
学习产生时空序列是大脑必须解决的常见任务。大脑可以使用相同的神经基质来产生不同的顺序行为。大脑学习和编码这些任务的方式仍然未知，因为当前的计算模型通常不使用现实的生物学上合理的学习。在这里，我们提出了一个模型，其中兴奋性和抑制性生物物理神经元的尖峰递归网络驱动读出层：驱动递归网络的动态被训练来编码时间，然后通过读出神经元映射来编码另一个维度，例如空间或相位。不同的时空模式可以通过突触权重被学习和编码到遵循共同的赫布学习规则的读出神经元。我们证明，该模型能够学习时空动态的时间尺度上的行为相关的，我们表明，学习的序列是鲁棒性重放期间的自发活动的制度。
2019-12-19 cs.NE nlin.AO physics.bio-ph
Signal selective amplification for below-the-threshold stimulus in Fitzhugh-Nagumo neuronal model
本文首次在FitzHugh-Nagumo模型中证明噪声整形可对阈下刺激实现高效信号放大与脉冲激发，并揭示快慢变量相互作用导致噪声在特征频率处积累，从而实现信号选择性放大。
2024-07-22 q-bio.NC
Reconciliation of weak pairwise spike-train correlations and highly coherent local field potentials across space
本研究将局部皮层网络与LFP模型扩展至4x4平方毫米区域，保持神经元密度并引入距离依赖连接，发现放大过程保留峰电位统计并重现弱成对相关性，同时LFP强相关随距离衰减，低频伽马相干性解释带通滤波效应。
2024-09-23 q-bio.NC
The principle of weight divergence facilitation for unsupervised pattern recognition in spiking neural networks
Computing Center（计算中心）；Far Eastern Branch（远东分部）；Russian Academy of Sciences（俄罗斯科学院）
信号处理任务和生物神经元之间的相似之处导致对输入信号识别的自组织优化原理的理解。在本文中，我们将讨论生物系统和技术系统之间的相似性。我们建议添加众所周知的STDP突触可塑性规则，以指导对与背景噪声和相关信号之间的最大差异相关联的状态的权重修改。我们使用的原则，物理约束的重量增长的基础上，这样的重量的修改控制。提出可塑性发育所需的生化“物质”的存在和产生限制了生物突触的直接修饰。在本文中，关于信噪比的信息控制这样的物质的产生和储存，并驱动神经元的突触压力朝向具有最佳信噪比的状态。我们考虑了几个不同的输入信号制度的实验，以了解所提出的方法的功能。
2021-07-31 cs.AI cs.LG cs.NE
Efficient transmission of subthreshold signals in complex networks of spiking neurons
我们调查的有效传输和处理弱，阈下信号在一个现实的神经介质中存在不同程度的潜在噪声。假设Hebbian权重为最大突触电导-自然平衡网络与兴奋性和抑制性突触-并考虑影响这种电导的短期突触可塑性，我们发现系统中有不同的动态阶段。这包括其中神经元群体保持同步的记忆阶段、其中出现不同同步神经元群体之间的转变的振荡阶段以及异步或噪声阶段。当弱刺激输入施加到每个神经元，增加介质中的噪声水平时，我们发现这种刺激在过渡和临界点周围的有效传输，这些过渡和临界点将系统中定义明确的不同随机性水平的不同阶段分开。我们证明了这一有趣的现象是非常强大的，因为它发生在不同的情况下，包括几种类型的突触可塑性，不同类型和数量的存储模式和不同的网络拓扑结构，即稀释网络和复杂的拓扑结构，如无标度和小世界网络。我们的结论是，在不同的现实情况下，包括尖峰神经元，短期突触可塑性和复杂的网络拓扑结构的现象的鲁棒性，使很可能，它也可能发生在实际的神经系统，最近的心理物理实验表明。
2015-01-29 cond-mat.dis-nn physics.bio-ph q-bio.NC
Feedforward and feedback influences through distinct frequency bands between two spiking-neuron networks
一些关于大脑信号的研究表明，自下而上和自上而下的影响是通过视觉皮层区域之间不同的频带来施加的。最近的研究表明，θ和γ节律有助于前馈，而反馈的影响主要是由灵长类动物的α-β节律。到目前为止，已经提出了一些再现这些效应的理论模型。在这里，我们表明，一个简单的，但生物学上合理的两个网络模体组成的尖峰神经元模型和化学突触可以通过不同的频带表现出前馈和反馈的影响。与以前的研究不同，这种模型不仅可以在群体水平上通过使用局部场电位的代理来研究定向影响，而且可以在细胞水平上通过使用神经元尖峰序列来研究定向影响。
2021-06-10 q-bio.NC
Spiking neurons as predictive controllers of linear systems
Radboud University（拉德堡德大学）；Spanish National Research Council（西班牙国家研究委员会）
本文提出一种基于脉冲神经元的预测控制方法，通过动态系统接近目标来发射脉冲，实现对线性系统的高效控制，并适用于高维网络和受限系统。
2026-03-15 cs.NE cs.SY eess.SY
Role of Awareness and Universal Context in a Spiking Conscious Neural Network (SCNN): A New Perspective and Future Directions
University of Stirling（斯特林大学）
意识在人类认知和适应行为中起着重要作用，尽管所涉及的机制仍然未知。意识并不是一个客观存在的事实，因此，尽管进行了广泛的研究，科学家们仍然无法完全解释它在多感觉整合和精确的神经放电中的作用，因此，问题仍然存在：（1）生物神经元如何整合不同情况下传入的多感觉信号？(2)如何定义输入的多感觉信号的作用（选择性放大/衰减），以帮助神经元产生符合环境预期行为约束的精确神经放电？(3)外部环境和预期行为如何结合？最近，科学家们利用深度学习来整合多模态线索并捕获依赖于上下文的含义。然而，这些方法遭受不精确的行为表示。在这项研究中，我们引入了一个关于意识和普遍背景作用的新理论，可以帮助回答上述关键的神经科学问题。具体来说，我们提出了一类尖峰意识神经元，其中的输出取决于三个功能独特的集成输入变量：感受野（RF），局部上下文场（LCF），和通用上下文场（UCF）。RF定义了传入的模糊感觉信号，LCF定义了来自大脑其他部分的调制信号，UCF定义了意识。人们相信，意识神经元固有地包含足够的知识，关于基于过去的学习和推理解决问题的情况，它定义了传入的多感觉信号的精确作用，以引发精确的神经放电（表现出类似开关的行为）。研究表明，有意识的神经元有助于更精确地模拟人类行为。
2018-11-05 cs.AI q-bio.NC
Turn Down that Noise: Synaptic Encoding of Afferent SNR in a Single Spiking Neuron
我们已经添加了一个简化的神经形态模型的尖峰时间依赖可塑性（STDP）的突触树突核适应神经元（SKAN）。由此产生的神经元模型是第一个显示除了时空尖峰模式的无监督学习之外的传入信噪比的突触编码。神经元模型特别适合于在数字神经形态硬件中实现，因为它不使用任何复杂的数学运算，并且使用新颖的方法来实现突触稳态。神经元噪声补偿特性的特点和测试噪声损坏的零数字的MNIST手写数据集。结果表明，同时学习的共同模式，在其输入数据，同时动态加权的基础上，他们的信噪比个别传入通道。尽管它很简单，但神经元模型的有趣行为和由此产生的计算能力可能会提供对生物系统的见解。
2014-11-11 cs.NE q-bio.NC
Effect of Dopamine in Enhancement of SNR of Cortico-Striatal-Thalamo-Cortical Loop Spiking
Sharif University of Technology（谢里夫理工大学）
本研究发现多巴胺在CSTC环路中通过调节不同区域的神经元兴奋性，导致信号噪声比呈现区域特异性变化，揭示其作为复杂调节剂的作用机制。
2025-11-25 q-bio.NC
Heterogeneous quantization regularizes spiking neural network activity
针对人工智能系统从不受控输入中学习特征的挑战，提出一种数据无关的类脑信号调节策略，通过异构突触权重将归一化量化的模拟数据传递至脉冲主神经元以正则化网络活动，并引入数据感知校准步骤优化资源利用与信息保留。
2024-09-27 cs.NE q-bio.NC
Indisputable facts when implementing spiking neuron networks
在本文中，我们希望通过简单回顾关于尖峰编码的众所周知的技术事实，来揭开尖峰定时编码的某些方面。我们的目标是帮助更好地理解在何种程度上使用尖峰神经元网络进行计算和建模在生物学上是合理的，并且在计算上是有效的。我们有意限制自己的确定性动力学，在这篇评论中，我们认为网络的动力学是由一个非随机映射。这使我们能够停留在一个相当简单的框架，并提出一个具体的数值，结果和公式（一）一般的时间限制，（二）连续信号和脉冲序列之间的联系，（三）尖峰网络参数调整的审查。在实现尖峰神经元网络时，为了计算或生物模拟的目的，重要的是要考虑到这里回顾的无可争议的事实。这一预防措施可以防止实施在明显的时间限制方面毫无意义的机制，或者在连续计算就足够和更简单的情况下人为地引入尖峰。还指出，实现尖峰神经元网络最终是一个简单的任务，除非考虑复杂的神经代码。
2009-03-20 physics.bio-ph q-bio.NC
Real-time Sub-milliwatt Epilepsy Detection Implemented on a Spiking Neural Network Edge Inference Processor
State Key Laboratory of Digital Medical Engineering（数字医学工程国家重点实验室）；Key Laboratory of Biomedical Engineering of Hainan Province（海南省生物医学工程重点实验室）；School of Biomedical Engineering Hainan University（海南大学生物医学工程学院）；SynSense Co.Ltd.（SynSense有限公司）；SynSense AG（SynSense股份公司）
本文提出在神经形态处理器Xylo上部署SNN进行实时EEG癫痫发作检测，实现高准确率与亚毫瓦级低功耗，适用于便携可穿戴设备。
2024-10-22 cs.AI cs.LG cs.NE
