C3 Cube：无需训练、无需标签的心律失常检测神经网络

C3 Cube是一种受生物启发的脉冲神经网络架构，基于皮质共振原理实现零训练、零标签的心律失常检测，在合成ECG数据集上达到100%准确率。项目来源为GitHub（ModelingSolver/C3-Cube），状态为预印本，发布于2026年6月。核心创新在于其判别能力完全从结构动力学涌现，无需训练数据、优化过程或反向传播。

传统深度学习在医疗诊断依赖大量标注数据、计算资源和显式训练，限制了资源受限场景应用。C3 Cube提出问题：生物神经系统如何无逐样本监督完成分类？哺乳动物皮层依靠内在动力学（振荡节律、侧向抑制、时间门控）区分信号与噪声，能否实例化为无学习阶段的计算架构？

C3 Cube的基本单元是HyperNeuron（8个LIF神经元组成的人工皮质柱），模拟三种机制：时间滤波器（相干门控抑制噪声）、内部时钟（振荡器相位编码）、活动控制（侧向抑制防止失控）。27个HyperNeuron构成3×3×3空间晶格，输入信号经4个特征（峰值幅度、线性斜率、早期/晚期能量）压缩后注入，通过局部动力学触发级联共振实现分类，无学习分类函数。

在MIT-BIH风格合成ECG数据集（5类，750样本，二分类任务）中，C3 Cube零训练（lr=0.0）达到100%准确率（150测试样本零假阴假阳），与需500轮训练的监督MLP基线持平。共振分数显示清晰类别分离：正常心跳0.00-0.22，心律失常0.88-0.99，决策阈值0.76无模糊区域。

C3 Cube证明皮质共振原理（时间门控、相位耦合、侧向抑制）可实现医疗级心律失常检测，零训练下性能与监督MLP相当。挑战“智能必须来自学习”假设，展示结构优先方法的价值，为资源受限环境（边缘设备、隐私场景）的AI应用开辟新可能。

当前局限：合成数据集、样本量有限、手动特征选择、推理延迟高。未来方向：真实MIT-BIH数据验证、扩展多类别、优化延迟（C/FPGA）、形式化共振阈值与晶格几何关系。