Page 55 - 《中国医疗器械杂志》2026年第2期
P. 55

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第2期

                                                    综     合     评    述



              “全或无”放电机制，提出了首个神经计算模型——                           范式从“单点计算”向“整体时空动态”表征转变。
              M-P模型，为整个领域的研究奠定了理论基础。                            传 统 前 馈 神 经 网 络 （ feedforward  neural  network,
                                    [13]
              1957年，ROSENBLATT 在M-P模型基础上进一                      FNN）采用层级式前馈连接，适用于处理静态输
              步引入了树突输入、膜电位整合与突触可塑性等关                            入；而CNN借鉴视觉皮层的感受野与局部稀疏
              键生物特性，提出了感知器模型。该模型建立了多                            连接机制，在结构上更贴近大脑的层级与拓扑特
              输入信号的加权求和、非线性激活与基于误差的权                            征 ，因而被广泛应用于图像任务中。
                                                                  [22]
              重学习机制，从而初步确立了类脑结构建模的基本                                随着对时空动态建模需求的提升，更复杂的网
              范式。随着模型架构与学习理念的持续发展，深度                            络拓扑结构被引入。例如，NeuCube模型采用三维
              神经网络（deep neural network, DNN）逐渐形成了               脉冲神经网络拓扑，通过刻画脑区空间分布（如不
              以误差反向传播与梯度下降优化相结合为核心的参                            同脑区神经元簇的位置关系）与时间依赖关系（如
                         [14]
              数更新方法 。                                           放电时序关联），实现对脑电（EEG）、功能磁共
                  近年来，研究重点逐渐转向结构上更贴近生物                          振成像（fMRI）等时空信号更精准的建模 。CP-
                                                                                                       [23]
              神经元的脉冲神经网络（spiking neural network,                CNN模型则以模块化拓扑为核心，将不同卷积的
              SNN）。SNN以离散脉冲序列作为信息编码与计算                          核组分工处理纹理、形状等特定特征，并通过跨模
              的基本单元，常采用LIF（leaky integrate-and-fire）            块连接完成特征整合，从而提升复杂场景下图像处
                                                                           [24]
                                                [15]
              或Hodgkin-Huxley等神经动力学模型 进行建模，                     理的鲁棒性 。CORnet系列模型进一步突破传统
              因而在动态时序信号处理方面表现出独特优势。相                            CNN的单向前馈限制，引入人类视皮层的反馈连
              较于传统ANN，SNN在能效优化、时序模式识                            接拓扑（如V1区向LGN的反馈投射），使高层特
              别、神经形态计算 以及模型可解释性提升 等方                            征能够调制低层特征，增强了时空特征的动态整合
                                                      [17]
                               [16]
              面展现出显著潜力。为进一步提升网络深度与性                             能力，例如其在视频序列任务中的运动轨迹追踪方
              能，SEW-ResNet在SNN中创新性地引入“残差学                       面表现优异 。
                                                                           [25]
              习”结构，通过spike-element-wise模块有效缓解深                      当建模目标从“局部脑区”扩展至“全脑连
              度SNN的梯度退化问题，成功实现了超过100层                           接”时，GNN凭借其对非欧几里得结构的良好适
              SNN的直接训练 。                                        配性，成为脑连接组拓扑建模的重要工具。脑连接
                             [18]
                  此外，一些研究致力于融合传统ANN与SNN                         组具有多尺度特性：在宏观尺度（脑区层面）呈现
              的优势，以提升建模的整体性能 。例如，混合                             “小世界”属性（即少量长程连接与大量局部连接
                                             [19]
              神经网络（hybrid neural network, HNN）        [20] 通过   并存）；在微观尺度（神经元层面）则体现为“模
              ANN侧重空间特征表征、SNN负责时序动态建模，                          块 化 ” 组 织 （ 功 能 相 关 的 神 经 元 形 成 集 群 ） 。
              并借助脉冲–速率编码/解码器、可微分脉冲生成                            GNN采用“节点–边”的拓扑表征方式，可直接处
              函数等接口模块，实现信息转换与梯度在两种网                             理不同尺度的连接组数据。例如，SW-HGL模型通
              络形态间的有效传递，从而改善ANN与SNN在表                           过信息提取模块在宏观和微观两个层级上提取代表
              示域（连续值 vs. 离散脉冲序列）与梯度传递（连                         性节点特征，并通过小世界脑连接构建模块重连功
              续可微 vs. 脉冲事件不可微）方面的兼容性问题。                         能网络，以同时保持高度聚类和短路径长度，再由
              进 一 步 地 ， Continuous  Thought  Machine（ CTM）      层级图学习模块在多尺度上融合图特征，从而在
              模型突破了传统SNN以单神经元离散放电为核心                            HCP数据集的多项认知分数预测任务中，相比多种
              的建模范式，从群体神经状态的连续时序演化与                             基线方法在 RMSE、MAPE和PCC等指标上均取得
              同步机制出发，将神经状态建模为可微的连续函                             更优表现 。同时，无标度网络 （即少数核心节
                                                                                              [27]
                                                                         [26]
              数，形成能够兼顾语义保持与行为生成的“思维                             点连接大量边缘节点）的特性也被用于刻画脑网络
              轨迹” 。这一思路为类脑网络的结构–功能深度                            的“中心–外围”组织结构，例如默认模式网络中
                     [21]
              融合提供了新路径，也为下一代动态神经计算模                             后扣带皮层的高连通度有助于提升关键信息的传递
              型指明了方向。                                           效率 。
                                                                    [28]
               1.2    神经网络拓扑建模                                      总体而言，神经网络拓扑建模正从局部连接向
                  类脑建模正逐渐从神经元层面的动力学模拟，                          全局结构不断演进，为类脑功能建模与结构–功能
              拓展至网络拓扑与连接规则的系统设计，推动建模                            耦合研究提供了多尺度基础。


                                                             169
   50   51   52   53   54   55   56   57   58   59   60