探索用于边缘端多变量时间序列二分类的脉冲神经网络

基于摘要分析。本文研究边缘端多变量时间序列的逐步二分类，重点是在低误报率下维持较高精确率，提出以 Evolutionary Optimization of Neuromorphic Systems（EONS）训练稀疏、有状态脉冲神经网络（SNN）的通用框架。主要验证对象是低信噪比伽马射线能谱中的放射源检测，另以 EEG 癫痫发作检测探索框架的泛化性，并非直接验证 BCI 解码。 核心机制是通过 EONS 联合优化网络架构与参数，将输入编码为脉冲序列，再对单个输出神经元的脉冲计数设置阈值以生成预测；简单投票集成用于改善性能与稳健性。摘要未提供具体编码规则、优化目标、状态处理和阈值选择流程。 在采用应用特定优化的放射源检测中，作者报告所得 SNN 最少仅含 49 个神经元和 66 个突触；在每小时 1 次误报的工作点，TPR 为 51.8%，对照 PCA 为 42.7%、深度学习为 49.8%。三模型 any-vote 集成在同一误报率下将 TPR 提高至 67.1%。作者报告在 microCaspian 神经形态平台部署时功耗为 2 mW、推理延迟为 20.2 ms；测量边界和是否包含输入编码开销尚未验证。 对于 EEG 癫痫发作检测，作者报告未作领域特定修改的框架经集成达到 95% TPR、16% false positive rate，并称与近期深度学习方法相当且参数量显著减少。这里的 false positive rate 不能直接等同于每小时误报次数，也不能与放射源实验直接比较。EEG 数据集、被试数、被试内或跨被试划分、事件级或窗口级评估、对照方法及参数量统计均尚未验证；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其稀疏状态计算与脉冲计数判决可能适用于低功耗连续 EEG 监测，但癫痫发作检测结果不等于 BCI 任务有效。若进一步用于 BCI，需按任务改造输入编码与输出判决；低信噪比、通道差异及小数据可能使编码和阈值不稳定。一个可检验的小实验是在固定跨被试划分的公开 EEG 二分类任务上，对比单模型、投票集成及轻量基线，统一阈值选择规则并同时记录 TPR、误报和端侧开销。相关 EEG/BCI 工作尚未检索确认。