在脑启发脉冲神经网络中将可解释 EEG 模式学习为动态时空簇与规则的深度学习方法

基于摘要分析。研究针对流式时空脑数据（STBD）的增量、在线学习与预测解释问题，提出在脑启发 Spiking Neural Network（SNN，脉冲神经网络）中分析动态神经元簇并提取时空规则的方法。其主要研究对象是认知任务期间健康对照与阿片类药物使用者的 EEG 分类，而非直接的 BCI 控制任务。 核心机制是在学习过程中追踪 SNN 内部形成的动态神经元簇，以多边形表征其随时间变化的大小与形状，并分析在特定空间和时间共同发生的脉冲驱动事件。作者据此识别重要 STBD 特征、进行特征选择，并提取用于解释输出预测的时空规则。摘要未提供具体网络结构、学习规则、聚类算法或规则提取公式，其实现细节尚未验证。 案例包括健康对照 21 人和阿片类药物使用者 18 人，均在执行认知任务时记录 EEG。作者报告，两组 EEG 的 SNN 模型呈现不同的动态簇变化趋势；据此选择一组标志性 EEG 特征后，分类 Accuracy 达到 92%，优于使用全部特征的分类。摘要未给出全特征基线数值，也未说明被试内或跨被试评估、训练测试划分及统计不确定性，因此不能据此确定提升幅度或跨被试泛化能力。 作者还将模型中对应相邻 EEG 通道的邻接簇区域描述为模糊边界，用于解释两组的脑区活动重叠。应区分模型内部的空间组织、通道邻接关系与真实脑区活动：这些解释是否具有稳定性及独立生理依据，需进一步核对。复现重点是 EEG 预处理、通道到 SNN 空间的映射、动态簇定义、特征选择与测试划分的关系，以及规则对预测的忠实性；实验协议、消融及统计信息尚未验证。