受大脑启发的广泛学习框架：用于提升脑电图（EEG）预测能力的脉冲神经网络

首页今日动态人才市场新技术专栏中国科学人云展台
BioHot
云讲堂直播会展中心特价专栏技术快讯免费试用

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《IEEE Transactions on Emerging Topics in Computational Intelligence》：Brain-Inspired Broad Learning Framework: Spiking Neural Network for Enhanced EEG Prediction

【字体：大中小】 时间：2026年01月19日 来源：IEEE Transactions on Emerging Topics in Computational Intelligence 6.5

编辑推荐：

　　实时解码脑信号对脑机接口和临床神经诊断至关重要。传统脉冲神经网络在处理高维动态EEG数据时存在收敛困难与全局重训练成本高的问题。本研究提出基于海马体突触机制的B2-SNN框架，通过双通道并行RVFL映射抑制信号扩散，并利用动态突触生长优化实现增量学习。实验表明，B2-SNN在五个基准数据集上显著优于现有方法，运动想象任务准确率达94.45%，推理时间减少64.9%，动态测试中保持92.37%的稳定性能。

摘要：

实时解码脑信号对于从脑机接口（BCI）到临床神经诊断等各种应用都至关重要。虽然有多种学习方法用于预测脑电图（EEG）数据流，但脉冲神经网络（SNNs）由于其稀疏、事件驱动的计算方式而提供了一种引人注目的方法，这种计算方式自然符合神经信号的时间动态特性。然而，将SNNs应用于高维度、不断变化的EEG数据时会出现一些关键限制：深层架构容易因信号过度扩散而无法收敛，且适应EEG数据流需要计算成本高昂的全局重新训练。为了解决这些限制，本研究提出了一个受大脑启发的广泛学习框架（

热点排行

新闻专题

联系信箱：

粤ICP备09063491号