脉冲神经网络
模拟生物神经元'积累-发放'机制的神经网络，神经元仅在膜电位超过阈值时发放离散脉冲，其余时间静默，具有稀疏计算特性，与事件相机输出天然契合，适用于低功耗边缘推理场景
时间轴 (近 90 天)
脉冲神经网络用简单电路模拟生物神经元，通过时序编码实现复杂计算。
SNN具有事件驱动计算特性，没有脉冲时神经元不消耗计算资源，因此在神经形态芯片（如Intel Loihi）上运行时功耗极低。
该研究的核心做法是：用生物物理仿真生成具有已知AD病理特征的神经活动数据，再训练SNN从EEG中识别对应的疾病签名。
SNN的内部动力学比传统CNN更难解读，而医疗诊断场景对模型决策的可解释性有刚性需求。
EEG提供毫秒级的群体电活动记录，SNN专门擅长从精细时间结构中提取模式，两者结合同时回应了成本与时间分辨率两个维度。
SNN神经元维护膜电位，当电位累积超过阈值时发放脉冲，随后进入不应期，这一机制直接借鉴了生物神经元的LIF模型。
SNN的训练难度更高，因为脉冲发放过程不可微，通常需要借助代理梯度或基于STDP的无监督规则来训练。
一项在Reddit社区引发讨论的研究提出将脑电图（EEG）与脉冲神经网络（SNN）结合，并借助生物物理仿真来学习阿尔茨海默病的疾病特征。
脉冲神经网络中的神经元只有在膜电位累积超过阈值时才发放离散脉冲，其余时间保持静默
一个9.3万参数的紧凑脉冲神经网络建模推理能耗比对照方案低15倍，代价是宏观F1下降0.073
还有 1 条时间轴事件
全部知识事实 (11)
脉冲神经网络用简单电路模拟生物神经元，通过时序编码实现复杂计算。
50%待验证SNN具有事件驱动计算特性，没有脉冲时神经元不消耗计算资源，因此在神经形态芯片（如Intel Loihi）上运行时功耗极低。
50%待验证该研究的核心做法是：用生物物理仿真生成具有已知AD病理特征的神经活动数据，再训练SNN从EEG中识别对应的疾病签名。
50%待验证SNN的内部动力学比传统CNN更难解读，而医疗诊断场景对模型决策的可解释性有刚性需求。
50%待验证EEG提供毫秒级的群体电活动记录，SNN专门擅长从精细时间结构中提取模式，两者结合同时回应了成本与时间分辨率两个维度。
50%待验证SNN神经元维护膜电位，当电位累积超过阈值时发放脉冲，随后进入不应期，这一机制直接借鉴了生物神经元的LIF模型。
50%待验证SNN的训练难度更高，因为脉冲发放过程不可微，通常需要借助代理梯度或基于STDP的无监督规则来训练。
50%待验证一项在Reddit社区引发讨论的研究提出将脑电图（EEG）与脉冲神经网络（SNN）结合，并借助生物物理仿真来学习阿尔茨海默病的疾病特征。
50%待验证脉冲神经网络中的神经元只有在膜电位累积超过阈值时才发放离散脉冲，其余时间保持静默
50%待验证一个9.3万参数的紧凑脉冲神经网络建模推理能耗比对照方案低15倍，代价是宏观F1下降0.073
50%待验证神经形态系统通常采用脉冲神经网络（SNN），用离散的脉冲事件而非连续浮点数传递信息
50%