随着脑科学的发展与神经科学研究成果的积累,人们对生物神经系统的构造和运行机理有了更加全面和深入的认识。生物神经系统中发现的脉冲时间编码和信息处理机制激发了研究者们对脉冲神经网络的探索热情。由更具生物真实性的脉冲神经元模型为基本单元构成的脉冲神经网络,与基于脉冲频率编码信息的传统人工神经网络相比,拥有更加强大的计算能力,非常适合于对大脑神经信号进行处理和分析。研究者构建了不同的脉冲神经网络模型以及学习机制,这些计算模型在模式识别、决策及预测等方面取得了显著的效果。精准的癫痫脑电识别结果,对癫痫病患者的诊断和治疗具有非常重要的现实意义。传统机器学习技术对脑电数据进行处理、分类时,模式识别的准确性依赖于得到的特征值,而特征值的选取通常由使用的提取方法和研究者的个人经验所决定,有时这样的特征值并不能准确地表征脑电数据的内在属性。如何克服脑电信号识别中正面临的这种困难,从而进一步推动脑科学与神经疾病诊断技术的发展,是一个具有挑战性的研究方向。(1)针对前馈结构的脉冲神经网络,根据神经网络输出层神经元的期望脉冲序列,反向重建了隐含层神经元的期望脉冲序列,提出了基于期望脉冲序列重建的监督学习算法。该算法通过假设在脉冲神经网络结构中,输出层神经元和隐含层神经元之间存在反向连接的方式,得到神经网络隐含层神经元的期望输出。将所提算法应用于脉冲序列学习实验,结果表明所提算法能够达到较高的学习精度,具备良好的学习性能。与Multi-STIP算法相比,基于期望脉冲序列重建的学习算法所需要的迭代次数更少,且学习效果更加稳定。(2)应用波士顿儿童医院的CHB-MIT脑电数据集为研究对象,提出了基于脉冲神经网络的癫痫脑电分类模型,并对该数据集中脑电图样本的癫痫发作情况进行检测。模型主要包括:癫痫脑电数据的编码、脉冲神经网络监督学习训练以及对神经网络输出结果的处理。实验先在一个各类样本数目较为均衡的小数据集上进行三分类识别,即分为非癫痫发作期脑电信号、癫痫开始发作时脑电信号和癫痫发作期脑电信号三类,所提模型在训练集和测试集上分别获得了80.8%和73.6%的分类准确率。然后继续对患者真实脑电记录进行发病期判定,经处理后,所使用模型的识别准确率可高达95.38%。