从0构建脉冲神经网络：用LIF神经元模型探索类脑计算

一个从零开始用Python实现的生物启发式脉冲神经网络(SNN)框架，采用泄漏整合发放(LIF)神经元模型，专为脑机接口(BCI)和EEG信号分类设计。

• 原作者/维护者: Eduardo79Silva
• 来源平台: GitHub
• 原始标题: spiking-neural-network
• 原始链接: https://github.com/Eduardo79Silva/spiking-neural-network
• 发布时间: 2026年6月13日

---

脉冲神经网络（Spiking Neural Network, SNN）是第三代神经网络，与传统的人工神经网络有本质区别。传统神经网络使用连续的激活值进行信息传递，而SNN通过离散的脉冲事件（spike）在神经元之间通信，并且运行在连续时间域上。这种机制使得SNN更加接近生物神经系统的真实运作方式。

SNN的核心优势在于其时间动态特性。每个神经元不是简单地输出一个数值，而是在接收输入信号后逐渐积累膜电位，当电位超过阈值时才会发放一个脉冲。这种时序敏感性使SNN特别适合处理时间序列数据，如EEG脑电信号、音频流和传感器数据。

---

本项目采用Leaky Integrate-and-Fire（LIF）神经元模型，这是神经科学中最经典且计算效率最高的神经元模型之一。LIF模型的核心思想可以用一个微分方程描述：

当神经元接收输入电流时，膜电位会逐渐上升；同时，由于离子通道的泄漏效应，电位也会以一定速率衰减。当膜电位达到阈值（v_th，通常为-55mV）时，神经元会发放一个脉冲，然后电位被重置到静息电位（v_reset，通常为-75mV）。

这种机制完美模拟了真实神经元的动作电位发放过程，但计算复杂度远低于更精细的Hodgkin-Huxley模型。对于需要实时处理的脑机接口应用来说，LIF模型提供了准确性与效率的最佳平衡。

---

该框架提供了模块化的SNN模拟环境，核心组件包括：

layer = SpikingLayer(
    num_inputs=5, num_neurons=5,
    tau=10.0, v_rest=-70.0, v_th=-55.0, v_reset=-75.0
)

每个SpikingLayer封装了一组LIF神经元，支持自定义时间常数（tau）、静息电位、阈值电位和重置电位。这种设计允许用户根据具体应用场景调整神经元的动态特性。

项目内置了三种实验模式：

• single: 单神经元实验，用于观察单个LIF神经元的响应特性
• population: 神经元群体实验，模拟大量神经元的集体行为
• pattern: 模式识别实验，测试网络对特定输入模式的响应

运行群体实验会生成两类关键图表：

脉冲栅格图（Raster Plot）：显示每个神经元在整个时间窗口内的脉冲发放时刻。这张图可以直观展示神经元群体的同步性和放电模式。

发放率图（Firing Rate Plot）：计算每个神经元随时间变化的平均发放率。这反映了神经元群体对持续输入的编码响应，是研究f-I曲线（输入-输出增益关系）的重要工具。

---