ニューロンモデルがスパイクニューラルネットワークのパフォーマンスに与える影響：複雑性ベースの分類アプローチ

科学分野:

• 計算神経科学; 機械学習; バイオ信号処理

背景:

• スパイクニューラルネットワーク（SNN）は、時間処理能力により、バイオ信号処理の分野で有望視されています。SNNのパフォーマンスは、ニューロンモデルと学習規則の選択に大きく依存します。特にバイオ信号分類のためのSNNの標準化された評価フレームワークが不足しています。

研究 の 目的:

• バイオ信号処理におけるSNN分類パフォーマンスに、異なるニューロンモデルと学習規則がどのように影響するかを体系的に調査すること。新しい複雑性ベースの評価指標であるレンペル・ジヴ複雑性（LZC）をSNNに導入し、検証すること。多様な神経データ複雑性に対して最適なSNN構成を選択するためのガイドラインを提供すること。

主な方法:

• Leaky Integrate-and-Fire、メタニューロン、Levy-Baxter（LB）ニューロンの体系的な比較。スパイクタイミング依存可塑性、テンプトロン、報酬変調学習規則の評価。スパイク列の規則性と分類パフォーマンスの評価にレンペル・ジヴ複雑性（LZC）を統合し、合成データと実データ（MNIST）で検証しました。

主要な成果:

• SNNのパフォーマンスは、ニューロンモデル、学習規則、ネットワークサイズの相互作用によって強く影響を受けます。Levy-Baxterニューロンとtempotron学習は、複雑な時間パターンに対して優れたパフォーマンスを示しました。Leaky Integrate-and-FireニューロンとBio-inspired Active Learningは、計算コストが低く、効率的な分類を提供しました。

結論:

• 本研究は、バイオ信号分類のためのSNNにおけるニューロンモデルと学習規則の相乗効果の体系的なマッピングを確立します。LZCは、特にノイズが多い、または信号が弱い条件下でSNNを評価するための堅牢で解釈可能なベンチマークを提供します。複雑で変動する神経データを処理できる次世代SNNの設計のための実行可能なガイドラインが提供されます。