本文从认知神经科学方面入手，分析了 Spiking Neural Networks 这种新型生物神经样本学习 / 数据处理模型在模型、训练算法上面的优点和缺点，其中使用了概率模型和时间反向传播算法解决了部分难点，最后在神经元数据集上进行了对比实验.

Oct, 2020

本文提出了一种名为 “位置尖峰神经元” 的新型神经元模型，用于提取基于事件的触觉数据的特征，并探究了其在事件驱动触觉学习中的能力。作者将该模型应用于两个混合模型中，以捕捉事件驱动触觉数据中的复杂时空依赖性，并证明其在节能方面优于人工神经网络（ANNs）。

Oct, 2022

本文介绍了一个基于事件触觉感测器和多模式脉冲神经网络的事件驱动的视觉触觉感知系统，评估了其在两个机器人任务上的表现，并提供了可用于其他研究的数据集。

Sep, 2020

本研究提出一种新的神经元模型 “位置尖峰神经元”，用以提取事件数据特征，同时将其与时间尖峰响应模型相结合，以构建事件驱动触觉学习的混合模型。实验表明，该模型在提高触觉学习效果和节能方面有着显著的优越性。

Jul, 2022

本文提出了一种新型的尖锐图神经网络用于事件驱动的触觉物体识别，在两个触觉数据集上的实验结果表明，该方法在分类各种不同的家居物品时能够取得约 90％的高准确率。

Aug, 2020

本研究提出了一种新颖的算法，利用奖励调节行为、赫布规则和反赫布规则来识别动态数据集中时间间隔短的训练模式，该算法通过预处理将输入数据合理化并翻译成具有特征丰富但稀疏的脉冲时间序列数据，随后使用前馈式神经脉冲网络处理该数据以识别训练模式，并进行加权检查以确保已检测到正确的模式。

Jul, 2023

生物神经系统是计算机更快、更便宜和更能效的重要灵感源泉。神经形态学学科将大脑视为一个共同进化的系统，同时优化硬件和运行在其上的算法。本文提出了一个基于时空感受野的神经形态系统的有原则的计算模型，通过空间上的仿射高斯核和时间上的漏积分器和漏积分发放模型。我们的理论在空间和时间尺度变换上可证明是协变的，并与哺乳动物大脑的视觉处理有很多相似之处。我们将这些时空感受野作为事件驱动视觉任务中的先验知识，并展示这能够提高脉冲网络的训练效果，在事件驱动视觉中通常被认为是有问题的。本研究结合了尺度空间理论和计算神经科学的努力，寻找在神经形态系统中处理时空信号的理论基础，这对信号处理和事件驱动视觉具有直接的相关性，并且可以扩展到其他空间和时间处理任务，如记忆和控制。

May, 2024

智能系统在我们日常生活中变得越来越重要，需要新的交互方式。本文提出的脉冲卷积神经网络利用事件和深度数据进行手势识别，通过在嵌入式系统上进行离线训练和评估，并使用开源的神经形态计算框架 LAVA 进行模拟。研究结果表明，在深度信息和模态融合中，时间编码及不同编码的数据对网络性能和泛化能力有积极效果。

Jan, 2024

本研究提出了一种基于多模态对象识别的分析和数据驱动的方法，利用具有高分辨率触觉传感器的三指驱动夹爪进行压缩和释放探索过程（EPs），采集手指关节上的角度传感器获取触觉图像和动觉信息，然后，利用 LSTM 神经网络进行分类，最后通过贝叶斯和神经推理方法融合，对 36 种物体进行测试，结果表明贝叶斯分类器提高了物体识别能力并优于神经网络分类器。

Jun, 2023

本文介绍一种基于 AER 视觉传感器输出中的精确时间信息的突触神经元模型，在物体识别中可以实现高准确度，实验表明这种基于时间的计算方法可以比传统的时钟系统更为高效。

Aug, 2015