将基于深度学习的 EEG 解码器映射到低功耗神经形态芯片上的脉冲神经网络：可行性验证

基于摘要分析。研究面向可穿戴 BCI 中 EEG 解码准确率与功耗之间的权衡，核心贡献是展示用于运动想象 EEG 分类的连续值卷积神经网络可以直接映射为脉冲神经网络，并支持在 SpiNNaker 神经形态芯片上运行。 技术路径是将已有连续值深度学习解码器转换为脉冲计算形式，而非仅以脉冲神经网络替代任务描述。摘要未说明转换时的数值与脉冲表示对应关系、神经元模型、时间编码、训练方式或是否需要转换后校准，这些实现条件尚未验证。 作者报告，相对于转换前的网络，转换后的网络准确率下降为原文所述的“1.91%”。摘要未明确这是相对百分比还是百分点，也未提供转换前后绝对 Accuracy、数据集、被试数及被试内或跨被试等评估协议，因此不能据此推导具体分类性能或与其他方法直接比较。 研究的阅读价值在于考察 EEG 解码模型向神经形态硬件部署时的精度保持能力。摘要以神经形态硬件的低能耗优势作为动机，但未给出该解码器的实际功耗、能耗对照或推理延迟数值，故转换可行性与实际节能收益应分别核验。进一步复现需核对数据预处理与划分、原始卷积网络及转换配置、SpiNNaker 部署条件，以及精度、延迟和能耗的统一测量协议；实验协议、消融及统计信息尚未验证。