脉冲神经网络为脑机接口“抗噪”：Frontiers in Neurorobotics 2026 论文深度解读

作者：李丽（Timedoo 医学编辑部）｜发布日期：2026 年 11 月 11 日｜领域：脑机接口、神经工程

关键要点

• 研究对象：罗马第一大学（Sapienza）与日本东北大学团队在 Frontiers in Neurorobotics 发表的论文，比较脉冲神经网络与同等规模卷积网络在脑电运动想象解码中的抗干扰能力。
• 最突出的结果：在全通道标准差为 1 的高斯噪声下，卷积基线从 61.52% 跌至 25.49%（接近 25.00% 的随机水平），两种脉冲模型仅分别下降 0.48% 与 0.80%。
• 代价与边界：干净数据上脉冲模型准确率低约 2.4 至 3.2 个百分点；单通道缺失时脉冲模型同样明显掉点，并非免疫。
• 附带收益：按 45 纳米硬件代理估算，算术能耗由每次试验 113.2 微焦降至 30.6 至 47.2 微焦。
• 证据级别：公开数据集（9 名健康受试者）上的离线基准，加预录脑电回放驱动机械臂，尚无在线闭环与患者数据。

论文信息速览

文中数据均引自该论文及其公开报道，百分比口径保持与原文一致；凡由 Timedoo 编辑部自行计算或推算的数值，文中会明确标注。

背景：脑机接口走出实验室，最先遇到的是噪声

脑机接口（Brain-Computer Interface，BCI）把神经活动模式翻译成控制外部设备的指令，应用方向涵盖神经康复、辅助沟通和人机协作。在各种非侵入式记录手段中，脑电图（Electroencephalography，EEG）因便携、成本较低、安全性好而最为常用。其中，运动想象（Motor Imagery，MI）范式要求受试者在不实际运动的情况下想象肢体动作，例如移动手臂或抓握物体，这种心理演练会激活协同的感觉运动网络。

问题在于，头皮脑电信号本身十分微弱，在真实环境里容易受到环境电磁干扰、电极位移和用户不自主运动的污染，眼电、肌电与心电还会带来与运动想象频段部分重叠的生理伪迹。实验室里表现良好的解码器，一旦遇到这些干扰，性能可能迅速恶化。这正是该研究关注的工程难题：能否从模型结构本身获得更强的抗干扰能力，而不是只依赖更复杂的预处理。

研究设计：用“同容量对照”排除参数规模的干扰

研究团队以一个紧凑的一维卷积基线网络 ConvShallowNet 为参照，构建了两个结构对应的脉冲版本（ConvShallowNetSpiking），分别采用标准的泄漏积分发放（Leaky Integrate-and-Fire，LIF）神经元和自适应泄漏积分发放（Adaptive LIF，ALIF）神经元。关键的设计在于容量匹配：卷积基线有 43,624 个可训练参数，脉冲版本为 43,264 个，差异仅来自只有非脉冲模型使用的批归一化统计量。因此，鲁棒性差异难以归因于参数量或网络深度。

评测采用 BNCI 2014-001 数据集。该数据集即 BCI Competition IV 的数据集 2a，包含 9 名健康受试者的 22 通道脑电，任务为想象左手、右手、双脚和舌头运动四类；每名受试者在不同日期完成两次实验，每次 288 个试次。信号采样率 250 Hz，经 0.5 至 100 Hz 带通滤波，并使用 50 Hz 陷波滤波去除工频干扰。研究者把所有受试者与会话的数据合并，按 70%、15%、15% 划分训练、验证和测试集，并保证各模型输入张量与尺度一致，以排除受试者间、会话间分布漂移的混杂影响。

核心数据：干净数据略逊，受扰之后反超

干净数据与全通道高斯噪声

在未受干扰的数据上，卷积基线平均准确率为 61.52%，LIF 模型为 58.34%，ALIF 模型为 59.12%，四分类随机水平为 25.00%。基线仅有小幅优势，但在全通道注入标准差为 1 的白高斯噪声后，局面完全逆转。

卷积基线的准确率几乎回落到随机猜测，而两个脉冲模型基本保持原有水平。

通道缺失：电极脱落的模拟

当干净数据训练的模型遭遇单个通道被完整删除（模拟电极脱离头皮或失效）时，卷积基线在整个电极阵列上平均损失 41.84% 的解码准确率；LIF 与 ALIF 脉冲模型分别损失 28.78% 与 33.07%。如果只在单个通道叠加高斯噪声，基线平均下降 4.61%，在关键电极位置最高可达 19.08%，而两个脉冲模型的平均降幅分别仅为 0.01% 与 1.32%。

在受损数据上训练、在干净数据上测试

研究还模拟了“校准数据本身就在不理想条件下采集”的情形，即用带噪或缺通道的数据训练，再用干净信号评估。

这是全文差距最悬殊的一组结果：在缺少某一电极的数据上训练后，再面对完整的 22 通道输入，卷积基线平均下降 36.00%，两个脉冲模型几乎不受影响。

半仿真的生理伪迹

除了人为构造的高斯噪声，研究还引入了半仿真的生理污染：来自眼电图的真实眼动波形、来自肌电图的真实肌肉信号，以及合成的心电图波形。这些伪迹的时频结构与运动想象频段有部分重叠，处理难度更高。在全电极污染、信噪比 0 dB 的条件下，ALIF 模型与卷积基线的相对下降幅度如下。

可以看到，脉冲模型在所有伪迹类别上的降幅都更小，但肌电与混合伪迹下它依然下降近半，说明“更抗噪”与“不受影响”之间仍有明显距离。

机制解读：阈值，是天然的“低通门”

论文把鲁棒性归因于脉冲神经元的事件驱动非线性。在脉冲网络中，卷积特征图先被 LIF 单元转换为稀疏的二值脉冲序列，LIF 单元在此起到阈值元件的作用：突触输入必须越过阈值电位才会触发脉冲，因此持续的背景波动和低于阈值的噪声，在传到下游各层之前就被滤除。相比之下，连续激活的网络会把幅度变化逐层传递并放大。

类似的阈值机制解释也出现在其他生物信号解码研究中，例如 Nature Communications 上关于高密度肌内微电极阵列解码手指力量的脉冲神经网络研究，作者同样推测，阈值动力学会削弱微小的输入扰动。需要注意的是，这属于对机制的合理解释，而非本文数据已经直接证明的因果结论。

能耗与机械臂验证：从“能抗噪”走向“能驱动”

稀疏二值运算还带来计算成本上的潜在收益。脉冲网络的第二个卷积层处理的是离散二值事件而非浮点数，把每次试验 1800 万次乘加（Multiply-Accumulate，MAC）运算转为只需累加的运算。基于常用的 45 纳米硬件代理，估算的算术能耗从每次试验 113.2 微焦降至 30.6 至 47.2 微焦，按这组数字折算约降低 58% 至 73%（降幅由 Timedoo 编辑部据原数据计算）。该 45 纳米代理的数据来源可参见 Horowitz 在 ISSCC 2014 的经典综述。这仍是理论估算，并非在神经形态芯片上的实测功耗。

在系统层面，作者把脉冲解码器嵌入端到端的“解码到执行”流程，通过机器人操作系统 2（ROS 2）控制 Franka Emika Research 3 机械臂。系统回放预先录制的脑电流，将运动想象类别映射为高层运动学动作，包括笛卡尔空间的圆周运动、抓取放置、向前推动，以及用三次样条插值生成的倒水轨迹。据报道，机械臂完成了全部指令任务，未出现通信故障或控制器异常，说明该解码器能满足机器人接口的时间约束。

编辑部解读：如何看待这组结果

第一，优势集中在“受扰后的稳定性”，而不是“精度”。干净数据下脉冲模型反而低约 2.4 至 3.2 个百分点，这意味着它更像是为复杂环境准备的稳健方案，而非全面替代。

第二，噪声强度需要结合信号尺度理解。标准差为 1 的高斯噪声对应多大的信噪比，取决于输入张量归一化后的幅度，读者不宜把“标准差为 1”直接等同于某个真实环境下的干扰水平；论文强调各模型输入张量与尺度一致，对比本身是公平的，但绝对数值不应外推。

第三，样本与划分方式限制了外推。数据集共 9 名受试者、每人 2 次会话、每次 288 个试次，合计 5184 个试次（编辑部据数据集规模计算），15% 测试集约为 780 个试次；在受试者混合划分下，同一人的数据可能同时出现在训练与测试中，所得准确率不能与跨受试者评测直接比较。基线与脉冲模型在干净数据上约 3 个百分点的差距，在这一测试规模下也应谨慎解读，需要更多重复实验确认。

第四，作者明确指出了局限：主要评估依赖合成的高斯噪声和程式化的通道删除；只涵盖单个四分类运动想象基准；不涉及跨受试者校准，也未覆盖 P300 或稳态视觉诱发电位等诱发电位范式；人的闭环适应没有评估。机械臂验证采用预录脑电回放，因此也不等同于在线实时控制。

总体来看，这项研究的价值在于用严格的同容量对照提供了一个清晰的架构层面证据：在脑电解码中引入事件驱动的阈值非线性，可以显著降低模型对噪声、缺通道与伪迹的敏感度。对于想把脑机接口用于家庭康复、助行或人机协作的团队，它提示了一个值得继续验证的方向，但距离临床级应用，还需要在患者数据、在线闭环、神经形态硬件实测等方面补足证据。本文为科研解读，不构成任何医疗建议。

常见问题

脉冲神经网络（SNN）是什么？它和常见的卷积神经网络有什么不同？

脉冲神经网络是一类以离散“脉冲”事件传递信息的神经网络，神经元的膜电位累积到阈值才会发放脉冲，因此计算是事件驱动、稀疏的二值信号。常见的卷积神经网络则在各层传递连续的浮点激活值。Wolfgang Maass 于 1997 年将脉冲神经网络称为“第三代神经网络模型”。

这项研究由谁完成，发表在哪里？

论文题为《Noise resilience in brain decoding driven by spiking neural networks for responsive robot control》，作者为 Martina Doku、Mitsuhiro Hayashibe 与 Alessandro De Luca，研究团队来自罗马第一大学（Sapienza University of Rome）与日本东北大学（Tohoku University），发表于 Frontiers in Neurorobotics 第 20 卷，DOI 为 10.3389/fnbot.2026.1931325。

脉冲神经网络在干净的脑电数据上比卷积网络更准吗？

不是。在未受干扰的数据上，卷积基线的平均准确率为 61.52%，略高于 LIF 脉冲模型的 58.34% 与 ALIF 脉冲模型的 59.12%，差距约 2.4 至 3.2 个百分点。脉冲模型的优势体现在受到噪声、通道缺失和伪迹干扰之后的稳定性，而不是干净数据上的精度。

在高斯噪声下，两类模型的表现差多少？

在所有通道注入标准差为 1 的白高斯噪声后，卷积基线准确率从 61.52% 降至 25.49%，相对下降 58.56%，接近四分类 25.00% 的随机水平；LIF 与 ALIF 脉冲模型仅分别下降 0.48% 与 0.80%，准确率仍为 58.06% 与 58.65%。

电极脱落或通道缺失时，脉冲神经网络还能工作吗？

表现更好，但并非免疫。对干净数据训练的模型突然删除单个通道，卷积基线平均损失 41.84% 的解码准确率，LIF 与 ALIF 分别损失 28.78% 与 33.07%。若在缺失通道的数据上训练、再用完整 22 通道测试，基线下降 36.00%，而 LIF 与 ALIF 仅下降 0.72% 与 0.34%。

为什么脉冲神经元对噪声更不敏感？

论文将其归因于事件驱动的阈值非线性：卷积特征图经泄漏积分发放（LIF）单元转换为稀疏二值脉冲序列，输入必须越过阈值才会触发脉冲，因此持续的背景波动与低于阈值的噪声在传到后续层之前就被滤除。

脉冲网络能降低多少计算能耗？

按 45 纳米硬件代理估算，脉冲网络的第二个卷积层把每次试验 1800 万次乘加运算转为仅累加运算，估算算术能耗从每次试验 113.2 微焦降至 30.6 至 47.2 微焦，折合降低约 58% 至 73%（降幅为 Timedoo 编辑部据原数据计算）。这是理论估算，并非神经形态芯片上的实测功耗。

这项研究已经可以用于临床或患者康复了吗？

目前还不能。研究使用的是 9 名健康受试者的公开数据集，机械臂验证采用预先录制的脑电回放，未评估人在回路中的闭环适应，也未涉及患者人群或监管路径。它为面向真实环境的鲁棒解码器提供了架构层面的证据，距离临床应用仍有较长验证路径。

参考文献与资料来源

• Doku M, Hayashibe M, De Luca A. Noise resilience in brain decoding driven by spiking neural networks for responsive robot control. Frontiers in Neurorobotics. 2026;20:1931325. DOI：10.3389/fnbot.2026.1931325（本文解读的原始论文）
• Tangermann M, Müller KR, Aertsen A, et al. Review of the BCI Competition IV. Frontiers in Neuroscience. 2012;6:55. DOI：10.3389/fnins.2012.00055（BNCI 2014-001 / 数据集 2a 的来源）
• Maass W. Networks of spiking neurons: The third generation of neural network models. Neural Networks. 1997;10(9):1659-1671. DOI：10.1016/S0893-6080(97)00011-7
• Neftci EO, Mostafa H, Zenke F. Surrogate gradient learning in spiking neural networks: Bringing the power of gradient-based optimization to spiking neural networks. IEEE Signal Processing Magazine. 2019;36(6):51-63. DOI：10.1109/MSP.2019.2931595
• Horowitz M. 1.1 Computing’s energy problem (and what we can do about it). 2014 IEEE International Solid-State Circuits Conference (ISSCC). DOI：10.1109/ISSCC.2014.6757323（45 纳米能耗代理的常用出处）
• A lightweight spiking neural network for EEG-based motor imagery classification. Neural Networks. 2025;191:107741. PMID：40578216，DOI：10.1016/j.neunet.2025.107741
• Spiking neural network decoders of finger forces from high-density intramuscular microelectrode arrays. Nature Communications. 全文：nature.com/articles/s41467-026-74243-1
• Bioengineer.org（转载自 Scienmag）. Spiking Neural Networks Protect Brain Computer Interfaces from Severe Signal Noise. 2026 年 11 月 9 日：bioengineer.org
• Frontiers in Neurorobotics 文章列表页（确认论文题名、作者与录用信息）：frontiersin.org/journals/neurorobotics

李丽｜Timedoo 医学编辑部编辑

聚焦医药、生物研究与临床前沿，擅长行业观察与分析，追踪期刊论文、临床试验进展、药械审批和产业动态。

发布平台：Timedoo（www.timedoo.com）。本文为基于公开论文的科研解读，不构成医疗建议；如涉及诊疗，请咨询专业医务人员。