融合LSTM结构的脉冲神经网络模型研究与应用

SNN是更具生物可解释性的新型网络模型。针对传统SNN模型表征能力有限,难以应用于实际任务的问题,对SNN处理脑电识别任务进行了研究,提出具有长短期记忆结构的SNN模型。首先采用改进的BSA编码算法处理脑电信号;然后构建具有自适应阈值的脉冲神经元模型;在此基础上,基于PyTorch框架建立结合LSTM结构的SNN模型;最后使用替代梯度的方法克服了脉冲序列不可微分的问题,在保留神经元动态特性的同时基于反向传播方法直接训练SNN。实验结果表明,改进的BSA更具灵活性和可靠性,同时,融合LSTM结构的SNN模型提高了网络的表征能力,在脑电识别任务中取得了与传统深度学习模型可竞争的精度。