《Biomimetics》：Neuromorphic Cardiac Sensing: A Bio-Inspired Spiking Neural Network with Sensory-Adaptive Encoding for Energy-Efficient Arrhythmia Detection from ECG and PPG Signals
编辑推荐：
生命神经系统以工程化监测器无法企及的简洁性感知心血管节律：感觉受体对变化而非绝对水平进行编码，神经元通过稀疏的全或无事件通信，视网膜电路通过侧抑制锐化显著特征，注意力由新奇性分配。研究人员将这四项原理转化为BioSpike-Net，一种完全事件驱动的脉冲神经网
生命神经系统以工程化监测器无法企及的简洁性感知心血管节律：感觉受体对变化而非绝对水平进行编码，神经元通过稀疏的全或无事件通信，视网膜电路通过侧抑制锐化显著特征，注意力由新奇性分配。研究人员将这四项原理转化为BioSpike-Net，一种完全事件驱动的脉冲神经网络，用于从心电图(electrocardiogram, ECG)和光电容积描记图(photoplethysmogram, PPG)信号中进行心脏节律分类。感觉自适应脉冲编码器(sensory-adaptive spike encoder, SASE)通过机械受体启发的增益控制律将模拟波形转换为ON/OFF脉冲序列；自适应阈值泄漏积分发放(leaky integrate-and-fire, LIF)层对这些事件进行积分；侧抑制脉冲卷积强调局部显著的形态学特征；新奇性门控时间注意力机制将计算集中于每次心跳中最令人惊讶的部分。在MIT-BIH心律失常数据库、PTB-XL、CPSC-2018以及PhysioNet衍生的PPG语料库上评估，BioSpike-Net在MIT-BIH五类心律失常分类上达到97.6±0.3%准确率与95.8±0.4%宏F1，在PPG房颤检测上达到0.982 ROC-AUC，匹配或超过强循环、卷积及Transformer基线，同时每次推断估计耗能6.4 μJ——约为Transformer基线的1/27——得益于每时间步每神经元平均激活密度低于0.10脉冲。消融实验表明每项生物学原理均带来可量化且可解释的准确率-能耗收益，网络在加性噪声与运动伪迹下优雅退化。通过架构植根于生物感知的经济性，本研究为可持续、常开心脏监测提供了一条路径。
研究背景方面，心血管疾病是全球首要死因，连续心脏节律监测对其早期发现与管理至关重要。可穿戴设备使心电图(ECG)及日益普及的光电容积描记图(PPG)走出诊所，有望捕捉间歇性临床记录遗漏的短暂心律失常（尤其是房颤）。深度神经网络已在此类信号分类上达到或超越专家水平，但主流架构面向服务器级硬件，以密集浮点算术处理每个输入样本，能耗与多日电池寿命不兼容，且在动态记录常见的噪声与运动中表现脆弱。哺乳动物神经系统以全脑数瓦功率预算连续数十年监测心血管状态，依赖自适应编码、稀疏事件信号、侧向竞争与新奇驱动注意力等反复出现的设计原理，优先信息而非原始数据。脉冲神经网络(SNN)近期进展显示其不仅是生物合理模型，也是近传感器与边缘计算的实用载体，事件驱动SNN仅在输入变化时处理信息，可在新兴感官系统中实现低功耗近传感器计算，并在神经形态处理器上高效执行。现有SNN用于ECG分类的工作多聚焦脉冲分类器本身，缺乏将自适应编码、事件驱动积分、侧抑制与新奇引导资源分配联合嵌入端到端心脏感知架构的探索。该研究即在此基础上提出：自底向上用四项神经生理学原理构建的心脏感知网络，能否在匹配常规深度模型准确率的同时，逼近生物计算的能效经济。论文发表于《Biomimetics》。
关键技术方法上，研究人员在MIT-BIH心律失常数据库、PTB-XL、CPSC-2018及PhysioNet衍生PPG语料库上开展回顾性计算基准研究，所有数据按患者级划分防止主体泄漏，信号重采样至250 Hz、带通滤波0.5–40 Hz、z归一化、截取2.0 s窗口50%重叠。构建BioSpike-Net：SASE对波形差分并除慢速跟踪幅度得增益控制驱动，越±θe发ON/OFF脉冲，并行 tonic 通道补慢变病理；后续经三个侧抑制脉冲卷积(LI-SConv)块（因果1-D卷积驱自适应阈值LIF，膜电位阈值前减局部池化竞争通道活动，λ=0.25），由单隐藏层GRU作新奇性门控时间注意力（κ=4.0 softmax加权预测残差），末级LIF累积脉冲计数率解码。训练用AdamW+余弦衰减+替代梯度反向传播，能量估计基于45 nm CMOS的E_MAC=4.6 pJ与E_AC=0.9 pJ按实测脉冲密度分层累加。基线含双向LSTM、1-D CNN、1-D ResNet、紧凑Transformer及同深度率编码香草SNN，五折患者不交叠交叉验证。
研究结果部分，首先“网络学习稀疏可判别表示”：训练损失单调下降，首块LI-SConv脉冲密度从epoch 1约0.35降至epoch 80的0.083，稀疏性由梯度学习自发涌现而非显式正则；t-SNE显示五类AAMI及PPG二分类表征训练后聚团分离，最大残留混淆在形态相邻的室上性(S)与正常(N)跳之间。其次“BioSpike-Net匹配或超过常规基线”：MIT-BIH五类准确97.6±0.3%、宏F1 95.8±0.4%，超Transformer准确+1.5 pp（p<0.001, Cohen’s d=2.1）；PPG房颤ROC-AUC 0.982、平均精度0.976，四类指标（准确、宏F1、敏感、特异）五折均值均最高。其三“每项生物学原理各得其所”：替SASE为率编码掉2.5准确点且脉冲数近倍增；去侧抑制主要升能耗；去新奇注意力宏F1?1.8 pp且少数类敏感降；全去四原理退化为香草SNN。其四“事件驱动稀疏带来数量级节能”：层间脉冲密度0.091→0.058，估计单次推断6.4 μJ，约为Transformer(173.8 μJ)的1/27、ResNet(97.2 μJ)的1/15，居准确-能耗帕累托优角。其五“对噪声与运动鲁棒”：ECG加性噪声至0 dB SNR仅掉几点准确，LSTM/ResNet掉2–3倍；PPG运动伪迹混入至0.5比例优势依旧，SASE相对慢变幅度编码使慢腐化在入网前被归一。其六“习得表征与泛化”：同模态ECG迁移（PTB-XL训→MIT-BIH测）91.4%，反向90.8%；ECG→PPG粗映射(AAMI-S对AF阳性)73.2%远胜随机，但低于同模态，归为跨模态标签对齐粗粝之限。
讨论部分指出，四项可证伪预测均获支持：自适应编码提鲁棒与稀疏，事件驱动脉冲换数量级节能，侧抑制无偿增稀疏，新奇门控提少数类敏感；增益同源——仅在有信息处计算——故占帕累托角而非目标互易。失败模式有二：相位编码对慢于适应常数漂移的渐变病理（进展性缺血、慢ST漂移）衰减，并行低率tonic通道为部分补救；新奇门控放未知亦可能放大幸存编码的罕伪迹，侧抑制减未消。与既往SNN-ECG工作区别在全程生物模仿（编码、竞争、注意力、神经元一体），适配Loihi-2等通用神经形态处理器；对常开微焦级推断可数日电池或能量采集供电，减电子废与漏诊负担。
结论部分原文意译：研究人员表明，将生物感知四项确证原理——自适应编码、稀疏事件信号、侧抑制、惊喜驱动注意力——转入单一脉冲网络，得到的心脏节律分类器同时准确、鲁棒、节俭。MIT-BIH上BioSpike-Net达97.6±0.3%准确与95.8±0.4%宏F1，估计单次推断6.4 μJ，约Transformer基线1/27。每项生物学原理贡献可分离可解释收益，共同置网络于准确-能耗权衡优角，且在噪声与运动中优雅退化。床旁落地需片上能耗实测与前瞻性临床验证，此为优先下一步。
