《Neurocomputing》：Resource-efficient fully automatic spike sorter via scale-adaptive neuromorphic model
编辑推荐：
自适应脉冲分拣技术基于神经形态模型，通过动态调整计算节点数量实现高效资源利用和低能耗，实验验证其分类精度与基准方法相当，适用于大规模脑植入设备。
作者：Hang Yu、Jiayu Yu、Yu Qi、Gang Pan
单位：浙江大学计算机科学与技术学院，杭州，310027，浙江，中国
摘要
脉冲排序是从微电极阵列记录的单个神经元中分类脉冲事件的关键任务，在神经科学研究中具有重要意义。近年来，这些阵列的规模迅速扩大，现在可以包含数千个通道，这对传统的手动排序方法提出了重大挑战。因此，迫切需要有效且高效的自动脉冲排序技术。在本文中，我们提出了一种完全自动的脉冲排序方法，该方法利用具有自适应架构的神经形态模型，实现了高资源和能源效率。我们的脉冲排序器能够根据在线检测到的神经元的出现或消失动态调整计算节点的数量。通过保持最小数量的活跃节点，我们的方法最大限度地减少了能源使用和计算资源消耗。该方法的核心是基于脉冲神经网络的计算模型，该模型能够在神经形态硬件上实现超低能耗运行。实验结果表明，我们的方法达到了与基准方法相当的高脉冲排序精度。我们的方法提供了一种资源高效、完全自动的脉冲排序技术，特别适用于大规模神经信号处理，尤其是在脑植入设备的背景下。
引言
脉冲排序在神经科学研究中发挥着重要作用，它能够准确分类从信号通道记录的单个神经元产生的脉冲事件[1]。通过准确识别和分类这些神经元脉冲，脉冲排序技术为了解特定神经元类型的功能特性、它们的连接模式和时间动态提供了宝贵的见解。这些信息对于理解神经回路和揭示大脑功能的复杂性至关重要。
传统的脉冲排序方法主要依赖于人工检查或半自动流程。然而，微电子技术和纳米级结构的最新发展使得可以使用多达数千个通道的电极进行神经记录[2]，这使得手动脉冲排序几乎变得不切实际。大规模记录还导致了计算和信号传输方面的关键问题。数据量的增加导致了更高的处理和传输成本，这对于脑植入设备来说尤其具有挑战性。对于主要需要脉冲列信号的应用，片上脉冲排序被认为是一种减少传输带宽的潜在解决方案[3]。在这种系统中，脉冲排序直接在植入设备内部进行，只有检测到的脉冲事件才会被传输到下游组件。这种策略显著减少了需要传输的数据量，从而促进了无线操作。因此，关键挑战在于开发一种资源高效、完全自动的脉冲排序方法，适用于处理大规模记录的脑植入平台。
尽管概念上很简单，但要实现资源消耗最小的完全自动脉冲排序仍然具有挑战性。以往的努力主要集中在传输原始数据或部分处理结果[4]、[5]、[6]、[7]、[8]上。这些方法包括分析独立动作电位，以及尝试脉冲提取和分类[5]、[9]、[10]、[11]、[12]、[13]。最近在大规模脉冲排序技术方面的进展表明，这些方法能够在完全自主的情况下实现高精度[14]、[15]、[16]、[17]、[18]、[19]、[20]。然而，这些方法通常计算复杂度较高，在植入设备的功耗限制内实现快速通道扩展存在挑战。特别是，这些方法面临两个主要障碍：首先，复杂任务算法的实现会导致较高的硬件成本，需要在设备的有限空间内消耗更多计算资源；其次，神经细胞的温度敏感性和排斥反应[21]要求植入设备具有低功耗和紧凑的设计。因此，在功耗和电路面积之间找到最佳平衡仍然是一个关键的未解决问题。
脉冲神经网络（SNNs）为传统的人工神经网络（ANNs）提供了一个有前景的替代方案，通过生物启发的脉冲编码实现了低功耗和高效的动态信息处理。目前，许多针对SNNs的训练方法正在涌现[22]、[23]、[24]，各种应用正在尝试适应或直接实施这些方法[25]、[26]。特别是，像spike-transformer[27]和spikeGPT[28]这样的最新创新展示了SNNs在处理复杂任务方面的潜力。此外，还正在使用神经形态计算原理开发新的算法和硬件设计。这些进展突显了SNNs在边缘计算应用中的潜力。
在本文中，我们提出了AdaptSort，这是一种专为神经形态硬件设计的高资源效率和低能耗的新型脉冲排序方法。AdaptSort基于脉冲神经网络，利用了神经形态芯片的计算效率。此外，我们引入了一种自适应架构，可以实时动态调整计算节点的数量以适应活跃神经元数量的变化。这种自适应机制通过保持最小所需的节点规模来减少计算资源。实验结果表明，AdaptSort在分类精度上可与基准方法相媲美，同时大幅降低了硬件成本和能源消耗。
方法
AdaptSort的整体结构如图1顶部所示，是一个用于脉冲分类的两层网络。输入层（称为编码层）将输入的脉冲波形编码并传输到感知层，后者构成输出层。这两层是完全连接的，它们之间的权重使用Hebbian学习规则和赢家通吃（WTA）机制进行更新，具体细节在第2.2节中有描述。
实验与结果
我们使用合成数据和真实世界数据集评估了所提出的方法。基准脉冲排序器包括HerdingSpikes2[15]、IronClust[41]、Kilosort2[14]和Tridesclous[43]，这些是在自动脉冲排序领域广泛使用的代表性方法。我们还引入了一种基于脉冲神经网络的方法NeuSort[39]进行比较。我们的深入比较主要集中在NeuSort和AdaptSort上，因为它们在方法论上有直接的继承关系：
讨论
我们提出了AdaptSort，这是一种资源高效的脉冲排序框架，它在运行过程中能够自动调整其网络结构，从而在大规模多通道环境中大幅降低硬件开销。通过门控机制将输入脉冲与先验知识相结合，该模型能够自适应地重新加权传入信号，以指导突触更新。这些更新反过来调节神经元放电阈值，实现了最小化人工干预的自调节。
结论
本研究提出了一种完全自动的脉冲排序方法，该方法通过使用具有弹性可扩展结构的神经形态模型，在计算上非常高效。波形先验知识的整合显著提高了网络的硬件效率，并实现了输入脉冲的准确分类和识别。这种弹性可扩展结构能够根据神经元的外观和消失情况自适应地更新节点，保持了最小的节点规模，从而
作者贡献声明
Hang Yu：撰写——原始草案、软件、方法论、数据管理。Jiayu Yu：软件。Yu Qi：撰写——审稿与编辑、资源管理、概念化。Gang Pan：监督、项目管理、资金获取。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能会影响本文所述的工作。
致谢
本工作部分得到了STI 2030重大项目（2021ZD0200400）、中国浙江省重点研发计划（2023C03001）和中国浙江省自然科学基金（LR24F020002）的支持。
Hang Yu目前正在中国杭州浙江大学计算机科学与技术学院的脑机智能国家重点实验室攻读博士学位。他的研究兴趣包括神经信号处理、脑机接口和神经形态计算。
