面向边缘端多变量时间序列二分类的脉冲神经网络探索

基于摘要分析。该研究面向多变量时间序列的逐步二分类，重点关注低误报率条件下的检出能力，提出使用 Evolutionary Optimization of Neuromorphic Systems（EONS）联合优化脉冲神经网络（SNN）架构与参数的通用框架。主要验证对象是低信噪比 gamma-ray 光谱中的放射源检测，并以 EEG 癫痫检测补充检验跨任务适用性。 核心机制是将输入编码为脉冲序列，以稀疏、有状态的 SNN 处理时间信息，再对单个输出神经元的脉冲计数施加阈值形成预测；框架还引入简单投票集成以改善性能与稳健性。具体编码方式、状态更新、进化优化目标及阈值选择流程尚未验证。 在采用任务特定优化的放射源检测中，作者报告网络可小至 49 个神经元、66 个突触；在误报率为每小时 1 次的条件下，SNN 的真阳性率（TPR）为 51.8%，对照 PCA 与深度学习基线分别为 42.7% 和 49.8%。三个模型构成的 any-vote 集成在相同误报率下达到 67.1% TPR。作者还报告在 μCaspian 神经形态平台部署时功耗为 2 mW、推理延迟为 20.2 ms；这些硬件结果来自放射源检测验证，不能直接视为 EEG 部署结果。 在 EEG 癫痫检测中，作者报告无需领域特定修改的同一框架，其集成达到 95% TPR、16% 假阳性率，并称性能与近期深度学习方法相当且参数量显著减少。摘要未提供 EEG 数据集、被试数、被试内或跨被试划分、检测窗口及假阳性率的统计单位，因此该结果不能与每小时误报次数直接比较；参数量对照、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：脉冲编码、稀疏状态处理与输出计数阈值可作为低功耗 EEG 连续检测的候选模块，但需要针对采样率、通道布局与幅值归一化核对或改造。低信噪比、跨被试差异、通道变化及小数据条件可能削弱编码稳定性和阈值泛化。一个可检验的小实验是在固定的跨被试 EEG 划分上，对比单模型与投票集成在匹配误报率下的 TPR，并分别测量参数量和实际部署功耗；该假设不代表已验证的 BCI 效果，其他相关 EEG 工作尚未检索确认。