💻 computer science

HERO-SNN: A Homeostatic Eligibility-based Reward- Optimised Spiking Neural Network for Spatiotemporal Brain Representation: An EEG Case Study

Dieses Paper schlägt HERO-SNN vor, ein homöostatisches und belohnungsoptimiertes Spiking-Neural-Network-Framework, das aufgabenspezifisches Feedback mit lokalem spike-basiertem Lernen integriert, um die Klassifizierungsgenauigkeit und Interpretierbarkeit von spatiotemporalen EEG-Daten zu verbessern und dabei sowohl Standard-STDP als auch State-of-the-Art-Deep-Learning-Modelle in einer Havening-basierten Berührungs-Protokollstudie zu übertreffen.

Ursprüngliche Autoren: Maryam Doborjeh, Zohreh Doborjeh, Nikola Kasabov, Alexander Sumich, Nadja Heym, Tony Burgess

Veröffentlicht 2026-06-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Maryam Doborjeh, Zohreh Doborjeh, Nikola Kasabov, Alexander Sumich, Nadja Heym, Tony Burgess

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich Ihr Gehirn als eine riesige, geschäftige Stadt vor, in der Milliarden winziger Boten (Neuronen) ständig umherlaufen und sich gegenseitig Notizen zuwerfen. Diese Notizen werden in Form von elektrischen Funken oder „Spikes“ versendet.

Lange Zeit haben Wissenschaftler versucht, Computerprogramme zu entwickeln, die diese Stadt nachahmen. Sie erschufen ein System namens HERO-SNN. Betrachten Sie dies als einen digitalen Zwilling eines Gehirns, der lernt, indem er beobachtet, wie diese Boten miteinander interagieren.

Hier wird das System anhand einfacher Konzepte erklärt:

1. Das Problem: Der „Autopilot“ vs. das „Ziel“

Die Forscher begannen mit einer Standardmethode, um diese digitalen Gehirne zu lehren, genannt STDP.

Die Analogie: Stellen Sie sich eine Gruppe von Schülern in einem Klassenzimmer vor. Der Lehrer (STDP) sagt ihnen: „Wenn du deine Hand hebst, kurz nachdem dein Nachbar seine gehoben hat, bekommst du einen Goldstern.“ Die Schüler lernen, ihre Hände in spezifischen Mustern zu heben, basierend auf dem Timing.
Das Problem: Die Schüler sind sehr gut darin, Muster zu erkennen, aber sie wissen nicht, was sie eigentlich lösen sollen. Sie lernen auf „Autopilot“. Sie könnten ein Muster bilden, das zwar cool aussieht, aber nicht dabei hilft, die spezifische Frage des Lehrers zu beantworten (wie zum Beispiel: „Ist das ein glückliches oder ein trauriges Gesicht?“). Sie sind effizient, aber nicht unbedingt nützlich für die spezifische Aufgabe.

2. Die Lösung: Das „HERO“-System

Die Autoren entwickelten HERO-SNN, um dies zu beheben. Sie fügten dem Klassenzimmer einen „Coach“ hinzu, der Feedback gibt, basierend darauf, ob die Schüler die Antwort richtig oder falsch gegeben haben.

Das System arbeitet in drei Phasen:

Phase 1: Der Autopilot (Unüberwachtes Lernen)
Zuerst betrachtet das System Gehirndaten (wie EEG-Scans, welche wie Aufzeichnungen der elektrischen Aktivität der Stadt sind). Es lässt die Neuronen sich natürlich organisieren, genau so, wie die Schüler lernen, ihre Hände in Mustern zu heben. Dies baut eine Karte davon auf, wie der Informationsfluss im Gehirn verläuft.
Phase 2: Der Test (Überwachtes Lernen)
Als Nächstes versucht das System zu erraten, was die Daten bedeuten (z. B. „Wird eine Person berührt oder nicht?“). Es verwendet einen separaten Teil des Systems, um eine Vermutung basierend auf den in Phase 1 gelernten Mustern abzugeben.
Phase 3: Die „HERO“-Verfeinerung (Die neue Magie)
Dies ist die große Innovation. Wenn das System eine falsche Vermutung anstellt, geht der „Coach“ nicht nur zurück zur endgültigen Antwort, sondern geht zurück in die Stadt und sagt den spezifischen Boten: „Hey, der Weg, den ihr genommen habt, um zu dieser Antwort zu gelangen, war etwas daneben. Lasst uns die Verbindungen zwischen euch ein wenig anpassen.“
- Eligibility (Eignung): Das System identifiziert genau, welche „Boten“ (Synapsen) während des Fehlers aktiv waren. Es ist wie zu sagen: „Ihr drei wart diejenigen, die die falsche Notiz weitergegeben haben.“
- Reward (Belohnung): Es nutzt die Konfidenz der Vermutung, um zu entscheiden, wie stark die Änderungen vorgenommen werden. Wenn das System sehr sicher war, aber dennoch falsch lag, nimmt es eine größere Änderung vor.
- Homeostasis (Homöostase – Der Thermostat): Dies ist ein Sicherheitsventil. Wenn das System anfängt, zu aufgeregt zu werden (zu viele Funken fliegen herum) oder zu ruhig zu werden (niemand spricht), passt es die „Feuerschwelle“ (die Temperatur) an, um alles im Gleichgewicht zu halten. Es stellt sicher, dass die Stadt weder ausbrennt noch einfriert.

3. Der Realwelt-Test: Das „Berührungs“-Experiment

Um zu sehen, ob dies funktionierte, nutzten die Forscher echte Gehirndaten aus einer Studie über Havening.

Der Aufbau: Teilnehmer wurden mittels Gehirnscans untersucht, während sie entweder sanft berührt wurden (H+) oder einfach ohne Berührung waren (H-).
Das Ziel: Konnte der Computer den Unterschied zwischen dem „berührten“ Gehirn und dem „unberührten“ Gehirn erkennen, indem er nur die elektrischen Muster betrachtete?

4. Die Ergebnisse

Der alte Weg (Standard STDP): Das System lag in etwa 85 % der Fälle richtig.
Der HERO-Weg: Nachdem der „Coach“ und die Verfeinerungsschritte hinzugefügt wurden, lag das System in 91 % der Fälle richtig.
Vergleich: Es übertraf auch andere populäre Computermodelle (wie CNNs und LSTMs), die normalerweise für diese Art von Daten verwendet werden.

Das Wesentliche

Das Paper behauptet, dass durch das Hinzufügen einer „Feedbackschleife“, die es der internen Verdrahtung des Gehirns ermöglicht, sich basierend darauf zu ändern, ob es die Aufgabe richtig oder falsch löst, das System viel besser darin wird, komplexe Gehirnsignale zu verstehen.

Es ist, als würde man einen Schüler, der gut darin ist, Muster auswendig zu lernen, einen Tutor geben, der ihm hilft, sich speziell auf die Muster zu konzentrieren, die für die Prüfung relevant sind. Das Ergebnis ist ein intelligenteres, genaueres und stabileres digitales Gehirn.

Hinweis: Das Paper hat dieses System streng getestet, um die Klassifizierung von „berührten“ vs. „unberührten“ Gehirndaten zu klassifizieren. Es behauptet nicht, dass dieses System derzeit Krankheiten diagnostizieren, Patienten behandeln oder für andere medizinische Zwecke eingesetzt werden kann; es beweist lediglich, dass die Methode bei dieser spezifischen Klassifizierungsaufgabe besser funktioniert.

Technisches Resümee: HERO-SNN

Problemstellung

Spatiotemporale Hirndaten, wie Elektroenzephalographie (EEG) und funktionelle Magnetresonanztomographie (fMRT), weisen komplexe zeitliche Dynamiken und verteilte räumliche Aktivitäten auf, die eine Herausforderung für die Modellierung darstellen. Während Spiking Neural Networks (SNNs) einen biologisch plausiblen Rahmen zur Darstellung dieser Dynamiken durch spike-basierte Verarbeitung bieten, operieren standardmäßige unüberwachte Lernmechanismen wie die Spike-Timing-Dependent Plasticity (STDP) rein auf Basis lokaler Spike-Zeitmessungen. Infolgedessen sind die durch STDP erlernten internen Repräsentationen aufgabenagnostisch; sie erfassen allgemeine Signal korrelationen, richten sich jedoch nicht explizit an Klassifizierungszielen oder Verhaltensrelevanz aus.

Wenn STDP-trainierte SNNs mit überwachten Readout-Schichten gekoppelt werden (z. B. deSNN), bleibt die interne Konnektivität nach dem unüberwachten Training statisch. Dies bedeutet, dass das Netzwerk zwar dominante Signalcharakteristika bewahren kann, aber daran scheitert, subtile, diskriminative Muster zu erfassen, die für spezifische kognitive oder klinische Zustände entscheidend sind. Zudem beeinflusst das Klassifizierungsergebnis die interne synaptische Struktur nicht, wodurch eine Lücke zwischen unüberwachter spatiotemporaler Repräsentationslernung und aufgabengesteuerter Optimierung entsteht. Bestehende überwachte oder reinforcement-basierte SNN-Methoden opfern oft die biologische Plausibilität (Lokalität), um die Aufgabenleistung zu steigern, oder sie versäumen es, interne Repräsentationen basierend auf Aufgabenergebnissen zu verfeinern.

Methodik: HERO-SNN

Um diese Einschränkungen zu adressieren, schlagen die Autoren HERO-SNN (Homeostatic Eligibility-based Reward-Optimised Spiking Neural Network) vor. Dieses Framework erweitert die bestehende NeuCube-Architektur durch die Einführung einer dritten Lernphase, welche die interne synaptische Konnektivität basierend auf der Aufgabenleistung verfeinert und dabei das lokale Spike-basierte Lernen beibehält. Die Methodik besteht aus drei distinkten Phasen:

1. Unüberwachtes spatiotemporales Lernen

Datenkodierung: EEG-Signale werden mittels einer schwellenwertbasierten temporalen Kodierungsmethode in Spike-Züge umgewandelt. Ein Spike wird generiert, wenn die Änderung der Signalamplitude einen vordefinierten Schwellenwert ( $\theta$ ) überschreitet.
Netzwerk-Mapping: Input-Features (EEG-Kanäle) werden basierend auf anatomischen Koordinaten (z. B. Talairach-Atlas) auf ein 3D-SNN-Reservoir abgebildet. Das Netzwerk wird mit einer „Small-World“-Konnektivität initialisiert, die biologische Systeme mit einer Mischung aus exzitatorischen und inhibitorischen Verbindungen imitiert.
STDP-Lernen: Die synaptischen Gewichte werden mittels unüberwachter STDP-Regeln aktualisiert, was es dem Netzwerk ermöglicht, sich gemäß den temporalen Korrelationen in den Eingangsdaten selbst zu organisieren.

2. Überwachtes Lernen (deSNN)

Nach dem STDP-Training werden die synaptischen Gewichte im Reservoir eingefroren.
Ein Dynamic Evolving Spiking Neural Network (deSNN) wird trainiert, um die gelernten spatiotemporalen Muster mit Klassenlabels zu assoziieren. Prototyp-Neuronen werden für jede Klasse erstellt, und die Verbindungen werden mittels Rank Order (RO) Learning initialisiert, wobei frühere Spikes eine höhere Bedeutung zugeschrieben wird.

3. Aufgabenbezogene Verfeinerung (HERO-SNN)

Diese neuartige Phase führt eine Feedbackschleife ein, bei der die Klassifizierungskonfidenz die internen synaptischen Aktualisierungen moduliert. Der Prozess umfasst:

Forward Propagation & Konfidenzberechnung: Trainingsproben werden erneut durch das trainierte SNN geleitet. Ein temporäres Output-Neuron schätzt den Klassen-Konfidenzvektor ( $p_c(s)$ ), indem es das aktuelle Spike-Muster mit den gespeicherten Prototyp-Neuronen vergleicht.
Optimierungssignal: Ein skalarer Optimierungssignal ( $O$ ) wird als Differenz zwischen der Konfidenz der wahren Klasse und der vorhergesagten Klasse berechnet. Dieses Signal gibt an, ob die interne Repräsentation die korrekte Aufgabenergebnisse unterstützt oder damit in Konflikt steht.
Eligibility Traces: Um zu identifizieren, welche Synapsen zur aktuellen Entscheidung beigetragen haben, wird für jede Synapse ein Eligibility Trace ( $e_{ij}$ ) aufrechterhalten. Dieser Trace zeichnet die aktivierten Synapsen während der Spike-Propagation der replizierten Probe auf.
Synaptische Verfeinerung: Die synaptischen Gewichte werden unter Verwendung des Optimierungssignals und des Eligibility Trace aktualisiert: $\Delta w_{ij} = \eta \cdot O(s) \cdot e_{ij}(t)$ . Dies stärkt oder schwächt selektiv jene Synapsen, die an aufgabenrelevanten Pfaden beteiligt sind.
Homöostatische Regulation: Um instabile Netzwerkdynamiken (z. B. übermäßiges Feuern oder Verstummen) durch wiederholte Gewichtsupdates zu verhindern, passt ein homöostatischer Mechanismus die Feuerschwelle ( $V_{th}$ ) jedes Neurons an. Wenn ein Neuron über einer Zielrate feuert, erhöht sich sein Schwellenwert (reduziert die Erregbarkeit); feuert es unter der Zielrate, sinkt der Schwellenwert. Dies gewährleistet ein spärliches, stabiles Spiking-Verhalten bei gleichzeitiger Adaptionsfähigkeit.

Zentrale Beiträge

Aufgabenbezogene interne Verfeinerung: Im Gegensatz zu hybriden Ansätzen, bei denen nur die Readout-Schicht überwacht wird, ermöglicht HERO-SNN die Verfeinerung der internen spatiotemporalen Repräsentationen des SNN basierend auf Aufgaben-Feedback.
Integration von lokalen und globalen Signalen: Das Framework überbrückt erfolgreich die Lücke zwischen lokalen biologischen Lernregeln (STDP, Eligibility Traces) und globalen Aufgabenobjektiven (Klassifizierungs-Konfidenz), ohne die Spike-basierte Lokalität aufzugeben.
Homöostatische Stabilität: Die Einbeziehung der homöostatischen Schwellenwert-Adaption stellt sicher, dass das Netzwerk während des Verfeinerungsprozesses stabile Feuerdynamiken beibehält und so die Instabilität verhindert, die oft mit belohnungsmodulierter Plastizität einhergeht.
Interpretierbarkeit: Durch die Verfeinerung spezifischer Pfade basierend auf der Aufgabenrelevanz verbessert das Modell die Interpretierbarkeit der internen neuronalen Repräsentationen.

Experimentelle Ergebnisse

Das Framework wurde mit einem Benchmark-EEG-Datensatz aus einer Havening-Interventionsstudie validiert, der zwischen einem pflegenden Berührungsprotokoll (H+) und einem Protokoll ohne Berührung (H−) unterscheidet.

Datensatz: 276 spatiotemporale EEG-Proben (64 Kanäle, 512 Zeitpunkte) von 23 Teilnehmern, aufgeteilt in Trainings- und Testsets auf Teilnehmer-Ebene, um die Generalisierbarkeit zu gewährleisten.
Leistung:
- HERO-SNN erreichte eine Klassifizierungsgenauigkeit von 91,30 % (F1-Score: 0,91).
- Das Baseline-Modell STDP+deSNN (oh、ne Verfeinerung) erreichte 84,62 % Genauigkeit.
- Dies entspricht einer 11 %igen Verbesserung der Genauigkeit gegenüber dem standardmäßigen unüberwachten Ansatz.
- HERO-SNN übertraf State-of-the-Art Deep-Learning-Modelle, einschließlich CNN (83,64 %) und LSTM (69,05 %), unter denselben Bedingungen des Teilnehmer-Splits.
Analyse: Die Ergebnisse zeigten, dass der Verfeinerungsprozess zu lokalisierten Änderungen der Konnektivität führte, wobei aufgabengerechte Synapsen selektiv gestärkt wurden, während die durch STDP gelernte Gesamtstruktur erhalten blieb.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass die direkte Einbeziehung von Aufgaben-Feedback in die Anpassung interner spatiotemporaler neuronaler Repräsentationen sowohl die Klassifizierungsleistung als auch die Interpretierbarkeit des Modells signifikant verbessert. Die Autoren führen aus, dass HERO-SNN demonstriert, dass SNNs über das rein unüberwachte Struktur-Lernen hinausgehen können, um eine aufgabenspezifische Optimierung zu erreichen und dabei die biologische Plausibilität durch lokale Lernregeln und homöostatische Regulation zu wahren.

Die Studie legt nahe, dass dieser Ansatz besonders wertvoll für hochdimensionale, verrauschte Hirnsignale (wie EEG) ist, bei denen relevante Informationen oft schwach ausgeprägt und verteilt sind. Durch die Verfeinerung der internen Konnektivität, um diskriminative Muster besser zu erfassen, überwindet das Modell die Grenzen der Standard-STDP, die oft daran scheitert, interne Repräsentationen mit spezifischen kognitiven oder klinischen Zuständen in Einklang zu bringen. Die Autoren positionieren HERO-SNN als ein robustes Framework, das für andere Arten von spatiotemporalen Daten, wie fMRT-Zeitreihen, für Anwendungen in der psychischen Gesundheit und Neurologie anwendbar ist.