一种基于稀疏集成滤波技术的残差脉冲神经网络，用于高精度脉冲分类，并在忆阻器平台上实现协同优化

《IEEE Transactions on Biomedical Circuits and Systems》：A Sparse-Integrated Filtering Residual Spiking Neural Network for High-Accuracy Spike Sorting and Co-optimization on Memristor Platforms

脑机接口中的spike sorting方法研究。提出SIFT-RSNN框架，通过阈值编码和稀疏整合滤波模块优化神经信号处理，结合具有膜快速通道结构的RSNN模块提升特征传递效率。在Leicester数据集上准确率达96.2%-99.6%，超过现有方法。针对8k忆阻器硬件平台，提出WOP预约束和NAT噪声适应训练优化策略，实现94.2%-99.7%的硬件加速准确率，能耗3.52 μJ/推理，延迟0.5 ms。

　　

摘要：

脑机接口依赖于对神经信号的精确解码，其中脉冲排序是从复杂的神经数据中提取单个神经元活动的关键步骤。本文提出了一种用于高效脉冲排序的脉冲神经网络（SNN）框架，称为SIFT-RSNN。在SIFT-RSNN中，原始神经信号通过基于阈值的时间编码策略被编码为脉冲列，然后使用稀疏积分滤波模块来精炼错误放电的脉冲，从而增强数据的稀疏性以利于模式学习。具有膜短路结构的RSNN模块确保了高效的特征传输，并提高了整个系统的泛化性能。在Leicester数据集的Difficult1和Difficult2子集上，SIFT-RSNN的准确率分别达到了96.2%和99.6%，超越了现有的最先进方法。此外，我们还在一个配备8k忆阻器单元的计算内存平台上进行了实验，采用了无量化映射方法，并提出了两种算法-硬件协同优化策略来减轻非理想的硬件效应：权重异常值预约束（WOP）和噪声适应训练（NAT）。优化后，我们的算法仍然优于现有的脉冲排序方法，准确率分别达到了94.2%和99.7%，同时显示出更好的鲁棒性。与软件结果相比，忆阻器平台在这两个困难子集上的准确率仅下降了2%和1.5%。此外，该平台的每次推理能耗为3.52微焦耳，延迟为0.5毫秒。这项工作为未来的脑机接口系统和神经假体应用提供了有前景的解决方案。