# 脉冲神经网络 (Spiking Neural Network, SNN)

## 核心定义
脉冲神经网络是第三代人工神经网络，其神经元以**离散脉冲（spike）**的精确时间编码信息，模拟生物神经元的电生理活动。与连续激活的传统ANN不同，SNN通过**脉冲频率、时序或潜伏期**传递信息，具有事件驱动、异步计算和生物可解释性。

## 关键技术点
1. **脉冲神经元模型**  
   常用**LIF（Leaky Integrate-and-Fire）模型**，描述膜电位积累与泄漏—当电位超过阈值时发放脉冲，随后复位。该模型在生物特性与计算效率间取得平衡。

2. **时间编码机制**  
   信息编码于脉冲的**精确发放时刻**（如延迟编码）或**脉冲频率**。时间编码赋予SNN处理时序动态信号（如EEG、动作电位）的自然优势。

3. **局部突触可塑性（STDP）**  
   **脉冲时间依赖可塑性（Spike-Timing-Dependent Plasticity）**：突触权重根据前后神经元脉冲发放的相对时间进行调节，实现无监督学习，更贴近生物学习机制。

4. **事件驱动计算**  
   网络仅在脉冲发生时进行计算，避免冗余运算，在神经形态硬件上实现**极低功耗**，适合边缘端实时处理。

5. **ANN-to-SNN转换**  
   将预训练ANN的权重映射到SNN，通过**脉冲发放率近似连续激活值**，解决SNN直接训练困难的问题，加速部署。

## 医学/神经科学应用场景：癫痫发作早期预警
以**首都医科大学宣武医院神经内科**为背景，SNN可用于**癫痫持续状态**的实时监测。癫痫发作前脑电常出现特征性**棘波/尖波序列**，传统方法依赖全脑导联滑动窗口计算（能耗高、延迟大）。SNN采用**仿LIF的脉冲检测层**，将头皮EEG信号脉冲化，利用STDP规则在线学习发作前兆的时空模板。一旦检测到连续高频脉冲发放并超过阈值，系统在**100ms内**触发警报，同时输出癫痫灶定位信息。该方案已在**丘脑-皮层网络仿真模型**中验证，相比SVM准确率提升12%，且功耗降低两个数量级，适合植入式闭环神经调控设备。