生理信号，如脑电图（EEG）、心电图（ECG）和肌电图（EMG），在现代临床诊断、监测和康复中起着关键作用。虽然深度人工神经网络（ANNs）在分析这些信号方面取得了强劲性能，但其高计算成本和能量需求限制了在实时、可穿戴和边缘医疗系统中的部署。受生物神经计算启发的脉冲神经网络（SNNs）提供了一种事件驱动替代方案，能够自然捕捉时间动态并实现能效推理。本文对基于SNN的生理信号分析方法在EEG、ECG和EMG模态上的应用进行了全面综述。研究人员调查了神经元模型、网络架构、编码方案和训练方法，并系统回顾了近期在医学诊断和康复中最先进的应用。通过分析，研究人员识别出反复出现的架构和方法趋势，表明基于卷积的脉冲架构占主导地位、编码策略在决定能效中的关键作用，以及SNN训练方法的任务依赖性。尽管展现出与传统深度学习模型相当的性能（通常计算成本显著降低），SNN研究仍面临评估协议不一致、基准标准化有限和临床验证受限的挑战。研究人员最后概述了关键开放挑战和未来研究方向，强调了标准化基准、编码感知训练和混合ANN–SNN系统的需求。随着神经形态硬件和事件驱动学习方法的持续成熟，SNNs有望为下一代智能医疗系统引入可扩展、低功耗的生理信号处理。
2. 生理信号及其意义
生理信号如脑电图（EEG）、心电图（ECG）和肌电图（EMG）提供对潜在生物过程的非侵入性测量，在诊断、监测和预测多种神经、心血管和神经肌肉疾病中起核心作用。这些信号本质上是时变的，表现出复杂、非平稳的动态，反映正常生理功能和病理状态。准确分析生理时间序列数据对于早期疾病检测、长期患者监测以及个性化可穿戴医疗技术的发展至关重要。以下部分描述了本综述考虑的生理信号及其关键诊断挑战。
2.1. 脑电图（EEG）
脑电图（EEG）通过测量沿大脑皮层的电压波动记录大脑电活动。这些记录为诊断神经系统疾病（如癫痫、阿尔茨海默病）提供临床相关信息，常表现为以突发尖峰活动或幅度变化为特征的短暂异常。EEG信号通常幅度低，主要由节律性振荡模式组成，通常分为五个主要频带：Delta 0.5–4 Hz（与深睡眠相关）、Theta 4–8 Hz（与浅睡眠或冥想状态相关）、Alpha 8–12 Hz（与放松清醒相关）、Beta 12–30 Hz（与主动认知和警觉相关）、Gamma >30 Hz（与记忆处理和感知相关）。尽管SNNs已被探索用于多种EEG信号分析任务（如情绪识别和运动控制），但诊断应用（如癫痫发作检测和预测）是本综述中基于EEG分析的中心焦点。然而，许多讨论的模型和方法广泛适用于其他神经系统疾病和基于EEG的分析任务。
2.2. 心电图（ECG）
心电图（ECG）捕捉心脏产生的电活动。与EEG相比，ECG信号通常表现出更高幅度，并使用放置在标准位置的多个电极导联采集。ECG波形由三个主要成分组成：P波（代表心房去极化）、QRS波群（代表心室去极化）和T波（代表心室复极化）。ECG主要用于捕获节律活动并检测心血管异常，如心律失常、缺血和心肌梗死。
2.3. 肌电图（EMG）
肌电图（EMG）通过记录肌肉收缩期间产生的电电位来量化肌肉活动。与EEG和ECG相比，EMG信号呈现出独特的分析挑战，因为极易受运动伪影和相邻肌肉串扰影响。此外，电极位置的微小变化（即电极移位）会显著影响信号质量和记录可靠性。尽管存在这些挑战，EMG信号在诊断神经肌肉疾病以及控制假肢和辅助设备中起关键作用。EMG信号的幅度和频率特征取决于特定肌肉群和激活水平：幅度从微伏到毫伏不等（取决于肌肉和激活水平），频率范围为10–500 Hz。目前，研究SNN方法用于EMG信号诊断应用的文献仍然有限，使得全面的比较评估困难。相比之下，SNNs在肌电控制系统中的EMG分类任务中得到了广泛应用。此类系统已显示出显著的临床价值，例如在神经肌肉疾病和肢体截肢患者的康复中。
3. 脉冲神经网络
脉冲神经网络（SNNs）是一类受生物神经系统事件驱动通信机制启发的神经网络，其中信息通过离散尖峰而非连续信号传输。这种基于尖峰的公式使SNNs能够自然处理时序信息并以事件驱动方式运行，可显著降低计算开销同时保持表达性的时间建模能力。这些特性使SNNs特别适用于生理时间序列数据，其中相关信息通常稀疏且分布在时间上。神经元模型、网络架构、编码方案和训练方法的持续进步不断提升SNNs的准确性、效率和可扩展性，进一步扩展其适用性。因此，SNNs已成为需要低计算成本和高准确性的医疗应用的有力候选，包括在神经形态硬件上的边缘计算部署（如可穿戴EEG和ECG传感器）。重要说明：评估SNNs的常见假设是其能效优势在部署于神经形态硬件时实现。尽管SNNs可在传统冯·诺依曼架构上模拟，但此类平台本身不利用实现其效率优势的事件驱动和稀疏计算范式。本节回顾了生理诊断文献中采用的关键SNN方法。
3.1. 神经元模型
SNNs受人体神经系统和大脑生物过程的启发，信息通过互连神经元网络处理和传输。在生物神经系统中，神经元作为信息处理单元，通过突触发射离散电事件（通常称为尖峰）相互通信。这种基于尖峰的通信模式实现了信息随时间的高效传输，并构成了脉冲神经计算的概念基础。同样，SNNs通过人工神经元网络使用离散尖峰传播信息，整体网络行为源于单个神经元模型的集体动态。神经元模型的选择在决定SNN计算特性中起关键作用。虽然电导型神经元模型（如Hodgkin–Huxley和FitzHugh–Nagumo公式）提供神经元膜动力学生物学精确表示，但其高维度和计算复杂性限制了在大型或资源受限SNN应用中的实用。因此，现代基于SNN的生理信号分析中更常采用简化神经元模型。阈值型脉冲神经元模型通过将神经元动态抽象为膜电位整合和由固定或自适应阈值控制的尖峰生成，在生物合理性和计算效率之间提供了有利平衡。诸如漏积分点火（LIF）、指数积分点火（EIF）和自适应指数积分点火（AdEx）等模型降低了电导型公式的维度和计算开销，同时保留了神经元放电的关键时间特征。由于事件驱动操作和高效时间整合，这些模型被广泛采用于处理时间序列生物医学数据的实际SNN实现中。如文献所强调，阈值型神经元模型构成了许多应用于生理信号分析的SNN架构的骨干，从而有助于在资源受限和实时设置下有效建模EEG、ECG和EMG等信号的时间动态。本节总结了SNN文献中最常采用的神经元模型。此讨论并非旨在全面调查所有现有脉冲神经元公式，而是聚焦于那些最常见于生理信号分析和诊断应用背景的模型。
3.1.1. Izhikevich
Izhikevich神经元模型概念上源于Hodgkin–Huxley（HH）框架，源自电导型公式但降低了维度复杂性。它专门设计为保留HH模型的大部分生物学真实性，同时接近漏积分点火（LIF）模型的计算效率。这种平衡通过简化耦合微分方程组实现：(1) dv/dt = 0.04v
2 + 5v + 140 - u + I, (2) du/dt = a(bv - u)，其中v是膜电位，u是膜恢复变量，a、b、c、d是无量纲参数定义神经元类型和放电行为，I是输入电流。神经元放电后（v ≥ 30 mV），根据(3) v = c, u = u + d重置。
3.1.2. 积分点火（IF）
积分点火（IF）神经元代表最简单的阈值型脉冲神经元模型。它通过随时间累积输入电流提供生物神经元行为的抽象描述。IF神经元膜电位动态由(4) τ
mdV/dt = -V + RI控制，其中V是膜电位，τ
m是膜时间常数，R是膜电阻，I是输入电流。当膜电位V达到预定义阈值V
th时，神经元发射尖峰，膜电位重置为V
reset。
3.1.3. 漏积分点火（LIF）
漏积分点火（LIF）神经元通过引入膜泄漏动力学扩展了标准阈值型IF模型。IF模型通过整合输入直至达到阈值提供神经元行为的简化抽象，而LIF模型引入了衰减项模拟膜电位随时间的逐渐丢失。LIF神经元膜电位动态由(5) τ
mdV/dt = -(V - V
rest) + RI控制，其中V是膜电位，τ
m是膜时间常数，V
rest是静息膜电位，R是膜电阻，I是输入电流。当膜电位V达到预定义阈值V
th时，神经元发射尖峰，膜电位重置为较低值V
reset。由于其生物合理性和计算效率之间的平衡，LIF神经元是实际SNN实现中最广泛采用的模型。通过考虑跨神经元膜的无源电荷泄漏而不显式建模离子通道电导动态，LIF公式充当完全电导型模型和基本IF模型之间的中间表示。
3.1.4. 指数积分点火（EIF）
指数积分点火（EIF）是LIF模型的变体，融合了指数尖峰生成。该模型中的指数分量导致神经元膜电位在尖峰阈值前迅速飙升，由公式(6) τ
mdV/dt = -(V - V
rest) + Δ
Texp((V - V
T)/Δ
T) + RI解释，其中V
T是尖峰起始阈值，τ
m是膜时间常数，V
rest是静息电位，Δ
T是动作电位起始锐度。EIF是比标准LIF模型更具生物学真实性的实现，因为它更接近地模拟了生物神经元在放电前膜电压的尖峰行为，使其更适合需要更精确尖峰动态的模拟。
3.1.5. 自适应指数积分点火（AdEx）
自适应指数积分点火（AdEx）模型通过融合尖峰频率适应机制进一步增强了EIF公式的生物学真实性。它引入了适应变量w，该变量在每次尖峰事件后增加，反映神经元在快速连续激活后降低放电率的生物学倾向。此特征使AdEx模型特别适用于模拟表现出自适应放电行为的神经元群体，如那些参与感觉处理的神经元。AdEx神经元膜电位动态由(7) τ
mdV/dt = -(V - V
rest) + Δ
Texp((V - V
T)/Δ
T) - w + RI控制，其中V
T是尖峰起始阈值，τ
m是膜时间常数，V
rest是静息电位，Δ
T是斜率因子（电压在阈值附近增长的速度），w是适应变量，I是输入电流乘以膜电阻R。等式右侧第一项-(V - V
rest)模拟泄漏（膜电压衰减至静息状态的趋势），其他项表示神经元的尖峰行为（包括指数分量Δ
Texp((V - V
T)/Δ
T)、输入电流积分RI和适应分量-w，后者在神经元最近放电时减慢放电率）。适应变量w的时间动态由(8) τ
wdw/dt = a(V - V
rest) - w建模，其中τ
w是时间常数，a是阈值适应水平，并且在每次尖峰时w增加。
3.2. SNN架构
SNNs由通过突触使用离散事件驱动尖峰而非连续值激活通信的互连神经元组成。这种基于尖峰的计算实现了受生物启发的时间处理，同时仍提供计算效率的潜在增益。与传统人工神经网络（ANNs）类似，SNNs采用广泛的架构范式，如循环和卷积结构，这些结构改编自ANN对应物。本节重点介绍与近期生理信号分析工作最相关的SNN架构。
3.2.1. 循环脉冲神经网络（RSNN）
循环脉冲神经网络（RSNN）融合反馈连接，允许来自先前时间步的尖峰影响当前网络状态，从而实现时间记忆和序列处理。这些特性使RSNNs非常适合时间序列任务，如癫痫发作检测，其中长期时间依赖性至关重要。然而，RSNNs常面临训练困难（包括梯度消失），可能限制在更深架构中的可扩展性。
3.2.2. 卷积脉冲神经网络（CSNN）
卷积脉冲神经网络（CSNN）将卷积神经网络原理扩展到脉冲域，带来时空特征提取。这对于包含空间结构和时间动态的生理信号（如EEG、ECG和EMG）尤其有益。通过对离散尖峰操作，CSNNs支持异步事件驱动计算，使其非常适合低功耗实时应用。CSNNs是生理信号分析中最广泛采用的SNN架构之一。
3.2.3. Neucube
Neucube是一种用于时空数据建模的三维SNN架构，神经元空间组织以反映大脑生物结构。时间序列输入编码为尖峰序列，然后通过基于储备池的学习框架处理，随后进行监督分类。虽然有效捕获复杂时间依赖性，但Neucube模型通常产生较高计算成本并需要细致参数调整。
3.2.4. 脉冲可变投影神经网络（VPSNN）
脉冲可变投影神经网络（VPSNN）将可变投影层与SNN集成以执行紧凑、可解释的特征提取。输入信号投影到潜在空间然后编码为尖峰序列，允许对生理数据（如ECG信号）进行能效分类。已提出了包括卷积和时间VPSNN在内的多种变体以扩展该框架。
3.2.5. 二值化脉冲神经网络（BSNN）
二值化脉冲神经网络（BSNN）通过使用二值权重和激活降低计算和内存成本。这一设计选择使BSNNs对部署在资源受限的神经形态硬件上具有吸引力。
3.2.6. 多脉冲神经网络（MuSpiNN）
多脉冲神经网络（MuSpiNN）允许神经元对之间多个突触连接，使神经元能够响应突触前活动发射多个输出尖峰。此结构增强了表示能力并保留了全连接架构。
3.2.7. 混合配置
混合SNN架构将脉冲网络与互补模型（如支持向量机或循环-卷积结构）结合，以利用多种范式的优势。通常探索这些混合方法以在生理信号分类任务中提高鲁棒性和性能。
3.3. 编码方案
EEG、ECG和EMG等生理信号本质上是时间连续信号，需要高效编码策略将其转换为适用于SNN的离散尖峰序列。常用方法包括泊松编码、增量调制和基于排序的方法，这些方法大致分为两类：速率编码和时间编码。本节总结了在生理信号分析中广泛采用的编码方案。
3.3.1. 速率编码
速率编码通过尖峰频率表示输入强度，反映较强刺激引发较高放电率的生物学原理。此编码方案适用于连续值生理信号如EEG和ECG。速率编码的变体包括尖峰计数、尖峰密度和群体速率表示。其他基于速率的方法包括相位编码，其中尖峰相对于振荡参考信号的相位生成。基于相位的方法对EEG分析特别有用，其中跨频带的节律性振荡活动在表示神经状态中起核心作用。一种广泛使用的速率编码形式是泊松编码，其中尖峰以与输入幅度成比例的放电率概率生成。这种随机公式有效处理噪声信号，也已应用于基于EEG的癫痫发作检测和预测任务。速率编码方法通常易于实现并常表现出稳定训练行为，使其对连续值生理信号具有吸引力。然而，由于信息通过随时间累积的尖峰频率表示，这些方法可能需要更多尖峰和更长观察窗口，可能增加延迟并降低能效，相比稀疏时间编码方案。
3.3.2. 时间编码
时间编码通过尖峰的精确时间而非放电率编码信息。尖峰时间可相对于绝对时间参考或通过尖峰间关系表示，从而产生编码方案如时间到第一尖峰（TTFS）、尖峰间间隔（ISI）和潜伏期编码。时间编码策略对事件驱动生理信号特别有用，其中诊断相关信息可能包含在瞬时时间动态而非持续幅度变化中。例如，TTFS编码可通过允许较强刺激产生较早尖峰支持快速推理，而基于ISI的表示可捕获EEG和ECG信号中常见的节律性和振荡特征。一种突出的时间编码方法是增量调制，其中仅当输入信号超过预定义变化阈值时才生成尖峰。这种事件驱动策略减少冗余尖峰并提高能效。例如，Corradi等人采用增量调制用于神经形态硬件上的实时ECG心跳分类，展示了准确处理并降低功耗。还提出了更专业的时间编码策略。Tian等人引入时间高斯随机稀疏编码方案用于基于EEG的癫痫发作预测，将连续信号转换为时间依赖的二进制尖峰序列同时保持关键时间动态。此外，Banerjee等人提出了脉冲汉密尔顿（SH）编码，这是汉密尔顿ECG峰值检测算法在脉冲域的改编，利用自适应阈值IF神经元动态。由于时间编码方法通常产生稀疏尖峰活动，它们可显著提高能效并减少神经形态系统中的冗余计算。然而，这些方法通常对噪声和时间扰动更敏感，可能需要比传统基于速率的方法更精确的参数调整和同步。
3.3.3. 混合编码
混合编码方法结合了速率和时间编码的元素以利用其互补优势。混合编码方法对同时包含长期幅度特征和短期时间事件的生理信号可能特别有益。通过结合基于速率和基于时间的信息，这些方法可提高嘈杂生物医学环境中的鲁棒性，同时保持时间敏感性。例如，Zarrin等人采用混合编码方案用于基于EEG的癫痫发作检测，通过结合基于速率和时间特征实现改进分类性能。类似地，Mehrabi等人结合Delta-Sigma和基于速率的编码策略用于EEG癫痫发作检测，展示了混合尖峰表示可有效捕获瞬时和持续信号特征。尽管混合方法可能提高表示灵活性和分类性能，但由于同时处理多个尖峰表示，它们常引入额外架构复杂性和计算开销。总体而言，编码策略的选择高度依赖于任务，并可显著影响模型稀疏性、延迟、能效和分类性能。因此，编码应被视为SNN设计的组成部分而非简单预处理步骤。
3.4. 学习规则和训练方法
训练SNNs由于尖峰事件的不可微性（阻止传统反向传播的直接应用）仍是核心挑战。为应对此限制，提出了一系列生物启发、基于梯度的学习规则。这些包括局部可塑性机制、代理梯度方法、时间反向传播技术和ANN-to-SNN转换策略。本节总结了与基于SNN的生理信号分析最相关的训练方法。
3.4.1. 尖峰时序依赖可塑性（STDP）
尖峰时序依赖可塑性（STDP）是一种受生物启发的局部学习规则，根据突触前和突触后尖峰的相对时间更新突触权重。当突触前尖峰先于突触后尖峰时，通过长时程增强加强突触；当放电顺序反转时，通过长时程抑制削弱突触。
3.4.2. 基于反向传播的方法
已开发了几种反向传播的改编用于训练SNNs。通过时间反向传播（BPTT）将神经元膜电位视为可微状态变量，从而允许基于梯度的优化跨时间序列。在此基础上，时空反向传播（STBP）引入尖峰活动的代理导数，进一步允许梯度通过SNNs的空间和时间维度传播。STBP在基准数据集上展示强劲性能，超越竞争性SNN训练方法。
3.4.3. 代理梯度下降（SGD）
代理梯度下降通过用平滑可微近似替代尖峰函数解决其不可微性。这使得标准梯度下降技术可在训练期间应用，同时保持基于尖峰的前向动态。代理梯度方法已被证明可有效训练SNNs处理涉及生理信号分类的复杂时空任务。
3.4.4. 基于尖峰的隐式微分（SPIDE）
基于均衡状态的脉冲隐式微分（SPIDE）将隐式微分方法扩展到SNNs，在前向和后向传递中直接对尖峰事件操作。使用均衡状态公式和修改的重置动态，SPIDE允许完全事件驱动训练，减少近似误差和模拟步骤，从而有助于提高反馈SNNs的训练效率。
3.4.5. SpikeProp和多SpikeProp
SpikeProp是一种早期监督学习算法，使用梯度下降调整尖峰时间以最小化实际和目标尖峰时间之间的误差。多SpikeProp将该框架扩展为允许神经元发射多个尖峰，从而增加时间任务（如癫痫发作检测）中的表示能力和改进分类性能。
3.4.6. 直接转换方法
直接ANN-to-SNN转换提供替代训练策略，通过将预训练的人工神经网络映射为脉冲等价物，通常使用阈值型神经元模型。突触权重直接转移，随后使用SNN特定学习规则（如STDP或代理梯度方法）进行可选微调，以调整网络适应基于尖峰的计算。
4. 评估指标和验证协议
对SNN用于生理信号分析的评估通常依赖于性能指标，如准确率、灵敏度、特异性、F1分数和受试者工作特征曲线下面积（AUROC）。准确率提供分类性能的整体度量，而灵敏度和特异性分别量化模型正确识别正类和负类的能力。由于许多生理信号分析任务涉及类别不平衡（尤其在癫痫发作预测和心律失常检测等应用中），常额外报告F1分数和AUROC等指标以提供更全面的模型性能评估。因此，研究之间的比较应考虑多个评估指标而不仅仅是总体准确率。除性能指标外，验证协议的差异可显著影响报告结果。许多研究使用患者特异性评估，其中训练和测试数据来自同一受试者。虽然此方法有助于评估个性化诊断系统，但它通常受益于减少的受试者间变异，因此可能产生更高分类性能。相比之下，跨患者评估要求模型在多个未见受试者上进行泛化，通常被视为更具挑战性和更现实的部署性能评估。因此，患者特异性和跨患者研究之间的直接比较应谨慎进行。数据集选择、预处理方法和实验设计的差异进一步导致变异性。研究经常使用不同的基准数据集、记录持续时间、信号采集协议和预处理流程，所有这些都可能影响分类性能。在癫痫发作预测应用中，其他因素如发作前间隔定义、预测范围、发作期和后处理方法也可能影响报告结果。因此，不同研究报告的性能指标并不总是反映等效的实验条件。基于这些考虑，第5节回顾了近期基于SNN的EEG、ECG和EMG分析方法。
5. 近期工作与SNN方法在生理信号问题中的比较分析
5.1. EEG的问题与近期工作
本节考察近期基于SNN的EEG信号分类进展，特别强调在医学诊断和康复中的应用。对最新SNN方法在公共数据集和相同任务公式上的比较分析可实现跨方法性能的更公平评估。
5.1.1. 癫痫发作检测
在癫痫发作检测中，研究主要关注模型区分发作间期（非癫痫）和发作期（癫痫）癫痫样活动的能力。此任务由于EEG信号的非平稳特性（在这些生理状态间表现出显著变异性）而特别具有挑战性。为应对复杂性，研究了多种脉冲神经网络（SNNs）及传统深度学习模型。常用基准EEG数据集包括CHB-MIT头皮EEG数据库（22名难治性癫痫患者的表面EEG记录）、Freiburg癫痫发作预测项目数据库（21名药物难治性局灶性癫痫患者的侵入性EEG记录）和European癫痫数据库EPILEPSIAE（250名患者的侵入性和表面EEG记录）。其他数据集包括Bonn和PKU1st。这些数据集为评估基于SNN的检测模型的鲁棒性和泛化能力提供了标准化基础。相关研究总结显示：Shan等人提出全连接SNN与支持向量机（SVM）结合，使用泊松速率编码，STBP+SVM在CHB-MIT上达95.07%准确率。Chen等人提出脉冲卷积Transformer，结合卷积层和脉冲自注意力机制，在CHB-MIT上达94.9%灵敏度、99.3%特异性。Zhang等人提出基于EEG的循环卷积SNN（EESNN），使用LIF神经元和代理梯度+隐式微分，在CHB-MIT上灵敏91.67%、AUC 0.9864、GMean 94.38%、RAcc 94.42%。Yang等人提出深度SNN含新型脉冲ConvLSTM单元（SPCLU），使用代理梯度训练，在CHB-MIT、Freiburg和EPILEPSIAE上AUC分别为89.0%、92.7%和81.1%，内存和能耗显著降低。Ghosh-Dastidar等人引入多脉冲SNN（MuSpiNN）和Multi-SpikeProp算法，在Bonn数据集上准确率90.7–94.8%。Burelo等人定制SNN用于神经形态硬件检测头皮EEG高频振荡（HFOs），使用LIF神经元和非同步增量调制（ADM），在20例记录中达80%准确率、71%灵敏度、100%特异性。
5.1.2. 癫痫发作预测
癫痫发作预测要求区分发作前状态与发作间期活动，比检测更难，因为发作前与发作间期电生理差异更微妙。研究总结：Tian等人（2021）提出脉冲CNN（Spiking-CNN），使用时间高斯随机稀疏编码和ANN-to-SNN转换，在CHB-MIT上灵敏度95.1%、AUC 0.912。Tian等人（2023）提出NeuroCARE框架，使用稀疏高斯编码和自适应编码感知权重映射，在CHB-MIT上预测准确率91.4%、灵敏度92.7%、F1 95.1%，能耗降低超80%。Chen等人将脉冲卷积变换器用于预测，灵敏度96.8%、特异性89.5%、准确率93.1%。Al Musafir和Mesbah提出分级SNN（GSNN）在Loihi 2上实现，使用短时傅里叶变换（STFT）和MWV机制，准确率99.14%，吞吐量21.6段/秒，能耗25.104 mJ/输入。Zhu等人提出DELTAT-SNN框架，集成电平交叉（LC）采样和自适应时间步优化，在CHB-MIT上训练时间减少60.27%、时间步减少90%，延迟5.77 ms，功耗0.181 W，预测准确率93.97%。
5.1.3. 其他神经系统疾病
阿尔茨海默病（AD）诊断：Capecci等人使用NeuCube架构分析纵向EEG数据，发现神经连接性降低一致。ADHD诊断：Pedrollo等人使用NeuCube，二元分类最高72.0%准确率，多类分类68.0%。成瘾区分：Doborjeh等人使用NeuCube，GO/NOGO分类准确率90.91%（CO）、83.87%（MMT）、83.33%（OP），组间区分达100%。
5.2. ECG的问题与近期工作
5.2.1. 心律失常检测
ECG信号相比EEG更稳定，不易受噪声影响，电极放置标准化。常用数据集包括2017 PhysioNet/CinC Challenge、MIT-BIH心律失常和UCR ECG。研究总结：Feng等人提出14层深度CSNN，通过ANN-to-SNN转换，使用LIF神经元和泊松编码，在PhysioNet 2017上准确率84.4%、F1 70.7%、ROC-AUC 94.5%。Rana和Kim将12层ANN转换为6层SNN加注意力，在PhysioNet 2017和MIT-BIH上准确率85.8%和93.8%，F1 70.4%和85.4%。Banerjee等人使用脉冲汉密尔顿（SH）编码和LIF神经元，在五个数据集上SH-Reservoir和SH-Feed-Forward配置分别达80.0%、93.5%、86.4%、78.5%、93.7%和82.0%、92.8%、89.2%、77.0%、94.5%。Yan等人提出CNN-to-SNN转换流水线，使用IF神经元，在MIT-BIH上平均准确率~90%，功耗降至原始CNN的1%以下。Chu等人提出脉冲驱动rMLP，使用LC采样和STBP训练，在MIT-BIH上五类分类准确率98.22%，能耗0.75 μJ/分类。Xing等人提出轻量CSNN+通道注意力（CAM），使用LIF神经元，在MIT-BIH上准确率98.26%、灵敏度94.75%、F1 89.09%，能耗346.33 μJ/拍。Kovács和Samiee提出混合VPSNN，使用VP层和LIF神经元，VEB检测准确率97.16%、特异性99.60%、灵敏度94.72%，仅242个参数。Amirshahi和Hashemi使用STDP和R-STDP，LIF神经元，在MIT-BIH上准确率97.9%，能耗1.78 μJ/拍。Tian等人使用NeuroCARE，在MIT-BIH上准确率86.5%、灵敏度96.7%、F1 98.2%。Buettner和George在Loihi上实现ANN-to-SNN转换，准确率97.8%、F1 87.9%，动态功耗低但延迟较高。Loh和Gemmeke提出无损稀疏时间编码，在MIT-BIH上保持相同性能，功耗降低2.32倍，面积减少7.22倍。
5.2.2. 胎儿心律失常检测
Shekhawat等人提出二值化SNN（BSNN）配合动量搜索算法（MSA），在PhysioNet数据库中优于现有方法。
5.2.3. 睡眠呼吸暂停检测
Salam和Rafi将ECG信号转换为灰度图像，训练全连接SNN（LIF神经元、STDP），在PhysioNet Apnea-ECG上准确率89.2%、灵敏度87.27%、F1 87.96%。
5.3. EMG的问题与近期工作
SNN用于EMG诊断分类仍相对未充分探索。多数工作强调康复应用，特别是手势识别和肌电控制系统。Xu等人提出脉冲CNN（SCNN），使用事件驱动差分编码和LIF神经元，通过STBP训练，在6手势识别中比CNN功耗低约1/93。Behrenbeck等人实现NeuCube在SpiNNaker上，使用LIF神经元和STDP，sEMG手势分类准确率84.8%。Liu等人使用前馈SNN和群体编码、SpikeProp，8手势准确率96.5%，仅15个隐藏层神经元。Du等人提出SNN框架用于连续肘关节运动解码，使用LIF神经元和BPTT（SLAYER），性能与LSTM相当但计算更简单。Tieck等人提出SNN用于sEMG触发机器人手指运动，使用PES学习规则。Sun等人提出直接训练SNN（LIF神经元、自适应阈值时间对比编码），在HD-sEMG上准确率72.59%，LD-sEMG上48.66%，优于CNN和LDA，能耗低1–2个数量级。Ma等人实现基于液体状态机（LSM）的脉冲RNN在混合信号神经形态芯片上，手势分类准确率77.0%。
6. 讨论与结论
6.1. 总体趋势
基于调查文献，在SNN应用于生理信号分析中观察到几个统一趋势和领域特定区别。在EEG、ECG和EMG模态中，SNN已展现出有竞争力的诊断性能，并持续提供相比传统ANN显著的计算成本和能耗降低。然而，这些优势的实现机制和剩余挑战因任务和信号类型而异。一个突出模式是脉冲域中卷积架构的广泛采用。卷积SNN以及ANN-to-SNN转换的CNN在所有三种生理模态中占主导地位。编码策略成为SNN效率的关键且常被低估的决定因素。采用事件驱动时间编码的模型（如增量调制、电平交叉采样、稀疏高斯编码和脉冲原生信号采集）持续实现最大的能耗降低。而基于速率的泊松编码虽然常用于转换流水线，但通常需要更长模拟窗口以实现可比精度，部分抵消其计算优势。训练方法显示出对应用成熟度和任务复杂性的强依赖性。基于EEG的诊断任务（尤其癫痫检测和预测）越来越依赖代理梯度和时空反向传播方法以捕获微妙的发作前动态。ECG应用经常利用ANN-to-SNN转换策略，表明心脏信号相对稳定的形态结构和CNN基线的成熟度。基于EMG的系统常实现任务特定监督SNN或局部可塑性规则，优先考虑鲁棒性、低延迟和实时控制而非全局优化。最后，神经形态硬件平台在SNN生态系统中扮演微妙角色。虽然Loihi和SpiNNaker等设备实现原生事件驱动计算和超低功耗，但文献中许多能量增益源于算法稀疏性和编码效率而非硬件本身。
6.2. 使用SNN进行生理信号分析的当前挑战
6.2.1. 编码依赖性
SNN性能强烈依赖于输入编码策略。生理信号必须转换为离散尖峰序列，但编码方案的选择（基于速率、时间或混合）显著影响模型性能和计算效率。这种依赖性在研究间引入变异性，相同架构在不同编码方法下可能产生截然不同的结果。此外，编码方案常引入时间信息表示的隐式偏差，可能放大或抑制诊断相关特征。编码选择常被视为简单预处理步骤而非模型设计的组成部分，导致评估不一致和跨数据集任务的可重复性有限。
6.2.2. 评估标准化和基准化
尽管许多SNN模型报告了强劲性能，但评估协议明显缺乏标准化。数据集划分策略（患者特异性与跨患者验证）、指标定义和报告实践的差异阻碍了研究间的直接比较。此问题在基于EEG的应用中尤为突出，其中患者间变异性可显著影响报告性能。因此，在患者特异性设置下评估的模型可能相对于更临床现实的跨患者场景表现出夸大性能。没有标准化基准、评估流水线和报告指南，难以准确评估SNN诊断系统的泛化能力和实际应用性。
6.2.3. 有限的临床验证和转化
尽管在基准数据集上表现良好，SNN方法的临床转化仍然有限。大多数研究依赖公开数据集的回顾性评估，在真实临床环境中的验证极少。此差距引入数据集偏差、缺乏人口多样性以及对真实世界噪声和变异性鲁棒性有限等挑战。此外，医疗设备的监管批准途径需要严格的前瞻性验证、可解释性和可靠性保证，当前SNN框架尚未完全解决。因此，尽管SNNs展示出低功耗诊断系统的强大潜力，其在临床工作流程中的采用仍受限于验证、监管和信任相关障碍。
6.2.4. 实时约束和部署限制
尽管SNNs常被宣传为事件驱动高效，但在实际部署中实现真正实时性能仍是非平凡挑战。许多SNN模型需要多个模拟时间步以产生稳定输出，引入可能与时间敏感临床应用（如癫痫预测或心脏监测）不兼容的延迟。此外，尖峰编码、时间模拟和膜状态更新的计算开销可抵消理论效率增益，尤其在传统硬件上实现时。虽然神经形态平台提供低延迟推理路径，但其有限可用性和编程复杂性进一步限制了广泛采用。因此，存在时间分辨率、计算成本和推理延迟之间的权衡，必须为实时生理信号处理仔细平衡。
6.2.5. 数据可用性和模态特定碎片化
EMG领域凸显了当前SNN研究的希望和局限性，同时反映了数据可用性和模态特定碎片化中的更广泛挑战。尽管基于EMG的SNN方法展示强大能效和对电极位移的鲁棒性，该领域仍受限于可访问大规模标准化数据集有限以及缺乏一致评估框架。因此，该领域研究常在自定义或专有数据集上进行，限制了可重复性和跨研究比较。这种碎片化导致工程进展与临床验证诊断应用之间的差距，许多提议方法展示技术可行性但向真实临床环境的转化有限。
6.2.6. 患者隐私、数据安全和监管考虑
在医疗环境中部署SNN系统引入了与患者隐私、数据安全和监管合规相关的重要挑战。EEG和ECG等生理信号包含敏感生物识别信息，必须按照严格数据保护标准处理。将SNN模型集成到可穿戴或边缘系统引发了对安全数据传输、设备上存储和对对抗攻击脆弱性的额外担忧。此外，医疗AI系统的监管批准不仅需要高性能，还需要透明度、鲁棒性和可重复性。SNN的随机和事件驱动性质，加上编码和训练策略引入的变异性，可能使标准化和认证这些系统的努力复杂化。处理这些担忧对于确保在临床环境中安全伦理部署至关重要。
6.3. 建议和未来方向
6.3.1. 编码感知模型设计与评估
鉴于SNN性能对输入编码策略的强依赖性，未来工作应将编码视为模型设计的组成部分而非固定预处理步骤。标准化评估协议应包括跨多种编码方案（基于速率、时间和混合）在同一架构和数据集上的比较分析。此外，应进一步探索编码感知训练策略（编码参数与网络权重联合优化）。性能报告不仅
