编辑推荐：
这篇研究提出了一种名为QuanSort的基于脉冲神经网络（SNN）的峰电位分类（Spike Sorting）新方法。该方法针对可植入神经器件资源受限的挑战，设计了一种新颖的“模运算重置”（reset-to-mod）膜电位重置机制，显著增强了网络在量化（Quantization）操作下的数值稳定性。实验表明，即使在量化至16位整数时，模型仍能保持高分类性能，为大规模、低功耗的实时神经信号处理提供了高效稳健的解决方案。
背景
在神经科学研究中，峰电位分类（Spike Sorting）是一项从多单元神经记录中分离单个神经元活动的关键技术。随着记录技术发展至可同步采集数千个通道的大规模信号，对计算高效的峰电位分类方法的需求日益增长，尤其是在功耗和内存资源高度受限的脑植入式设备中。传统算法计算复杂度高，而神经形态计算范式，特别是脉冲神经网络（SNN），因其模拟生物神经元的稀疏、异步脉冲通信特性，在部署于神经形态芯片时具有天生的高能效优势，为低功耗峰电位分类提供了有前景的解决方案。
方法
本文提出的QuanSort是一个专为在神经形态芯片上进行能量高效片上计算而设计的SNN基峰电位分类器。其核心创新在于引入了一种称为“模运算重置”（reset-to-mod）的膜电位重置机制。
- •
传统重置机制：常见的膜电位重置机制包括“归零重置”（reset-to-zero）和“减法重置”（reset-by-subtraction）。前者在神经元发放后直接将膜电位设为零，丢弃了超阈值部分的信息；后者则减去一个固定的阈值（V）值。
- •
“模运算重置”机制：该机制可视为“减法重置”的变体，其放电量由膜电位与阈值之间的模运算决定。具体而言，它会释放累积膜电位中所包含的完整阈值单位（V）的最大整数倍，仅保留亚阈值的残差成分。因此，重置后的膜电位被显式约束在区间[0, V)内。
- •
理论优势：在韦尔差异范数（Weyl discrepancy norm）下，该机制从理论上保证了量化误差的有界积累。与“减法重置”在强输入下可能导致膜电位重置后仍高于阈值、引发重复发放不同，“模运算重置”通过限制残差膜电位来防止这种不受控制的放电，同时仍为后续积分保留亚阈值信息，从而贡献了更好的数值稳定性。
QuanSort基于一个两层全连接SNN构建。其工作流程分为预处理、编码和感知三个阶段。
- 1.
预处理：原始数据流经过滤波、峰电位检测和时间重新对齐后，被分割为固定长度的峰电位候选段，并进行降低位宽的量化。
- 2.
编码：量化后的整数值通过高斯局部感受野（Gaussian LRF）编码转换为适合SNN处理的脉冲序列。
- 3.
感知：编码层产生的事件流输入感知层，该层由整合发放（IF）神经元构成，执行模板匹配以聚类相似的峰电位模式。网络采用胜者通吃（WTA）策略选择活跃输出节点，并通过基于赫布（Hebbian）的学习规则更新层间突触权重。
结果
- •
重置机制比较：在模拟数据集上的实验表明，随着输入脉冲数量增加，“归零重置”和“减法重置”的累积残差持续上升且无明确上限，而“模运算重置”的归一化累积残差逐渐接近理论边界1，且四分位距（IQR）减小并趋于稳定，验证了其限制残差积累、增强稳定性的能力。
- •
位宽影响分析：在不同信噪比（SNR）的模拟数据集上评估存储位宽（4, 8, 16, 32, 64位）的影响。总体而言，随着存储单元长度增加，识别精度提升。在SNR为0.05、0.1、0.2的较简单数据集上，16位存储已达到较高的F分数（分别为0.9099, 0.9033, 0.8811）。对于SNR=0.4的挑战性数据集，F分数在64位时达到峰值0.8110。分析表明，在大多数实际场景下，32位存储已足够，高SNR场景下16位短整型可能也足够。波形重建分析显示，8位以上存储的波形与原始波形相关性均高于98.62%，但位宽降低会损失波形细节的平滑度和一些微妙特征（如预去极化阶段）。
- •
在真实数据集上的性能：在三个公开真实数据集（PAIRED_CRCNS_HC1, HYBRID_JANELIA, PAIRED_MEA64C_YGER）上，将QuanSort_16和QuanSort_32与基准方法（包括HerdingSpikes2, IronClust, Mountainsort4, Kilosort2, Tridesclous）及作者团队之前的SNN工作NeuSort进行比较。结果表明，QuanSort在所有数据集上都表现出良好的分类性能。与NeuSort相比，QuanSort_16和QuanSort_32性能略有下降但差异不大。在大多数指标和数据集上，QuanSort_16与QuanSort_32的差异无统计学显著性。QuanSort在捕获波形畸变方面继承了NeuSort的优势，在真实条件下展现了与竞争方法相当的分类能力。
- •
计算成本分析：硬件成本简化为节点数与位宽的乘积。分析显示，在相似节点规模下，QuanSort_32的硬件成本低于NeuSort（双精度，64位）的一半，而QuanSort_16的成本进一步降至约QuanSort_32的一半。节点数在方法间相近，但位宽对总硬件成本有主导性影响，这为生物启发神经形态架构的实际实现提供了理论支持。
结论
QuanSort通过结合“模运算重置”机制与SNN架构，成功地在计算精度与可植入脑机接口固有的严格功耗和内存限制之间取得了平衡。它提供了一种适用于神经形态硬件的、稳健且高能效的大规模峰电位分类解决方案。量化策略在保持高性能的同时大幅降低了硬件开销，使其特别适合于资源受限环境下的实时处理。尽管量化会引入误差并可能影响对细微波形差异的灵敏度，但通过适当的位宽设置和“模运算重置”等硬件感知机制，可以有效管理其影响。这项研究表明，即使在降低精度下运行，QuanSort仍然是神经形态系统上峰电位分类的一个实用且高效的解决方案。
