A frugal Spiking Neural Network for unsupervised classification of multivariate temporal patterns

À mesure que les interfaces neuronales évoluent, la quantité et la complexité des données neuronales enregistrées augmentent considérablement, posant de nouveaux défis en matière de traitement des données. Ces interfaces fournissent une source d'information riche sur l'activité cérébrale, mais interpréter ces données en temps réel nécessite des algorithmes avancés capables de détecter et d'interpréter automatiquement les patterns. Étant donné l'ampleur des flux de données, où de nombreux patterns peuvent être difficiles à appréhender, un traitement entièrement non supervisé devient essentiel. Bien que les réseaux de neurones profonds (DNN) aient réalisé des progrès significatifs dans la reconnaissance de patterns dans des données statiques et séquentielles, ils présentent des limitations notables. Les DNN nécessitent de grands ensembles de données labellisées pour l'apprentissage, et leur consommation élevée en énergie les rend inadaptés aux applications avec des contraintes énergétiques, comme les implants cérébraux.Les réseaux de neurones spiking (SNN), également connus comme la troisième génération de réseaux de neurones, représentent une alternative prometteuse grâce à leur conception biomimétique, utilisant des neurones qui imitent le comportement dynamique des neurones biologiques par des potentiels de membrane évolutifs. Dans ce contexte, nous introduisons un SNN frugal à une seule couche, conçu spécifiquement pour l'identification et la classification non supervisées de patterns temporels multivariés dans des flux de données continus. Cette approche ne nécessite qu'un petit nombre de neurones, tout en se révélant très efficace pour reconnaître même des patterns temporels complexes et se chevauchant. Nous validons cette approche avec une variété de jeux de données, incluant des données simulées, des représentations cepstrales de Mel de sons de parole, des enregistrements neuronaux multicanaux et des jeux de données de tri de spikes. Notre modèle tire parti de mécanismes de plasticité inspirés biologiquement tels que la plasticité dépendante du timing des spikes (STDP), la plasticité à court terme (STP) et la plasticité intrinsèque (IP), permettant un apprentissage efficace. Ces résultats ouvrent la voie à des architectures SNN très frugaux, capables de réaliser une reconnaissance de patterns en temps réel, non supervisée, adaptée à une intégration future dans des plateformes matérielles ultra-basse consommation, comme les implants neuronaux intelligents.