Resumo Técnico: Codificação e Decodificação de Sinais Temporais com Wavelets Passa-Banda de Spiking

Declaração do Problema

A conversão analógico-digital (ADC) no processamento de sinais digitais geralmente depende da amostragem uniforme de Nyquist-Shannon, que amostra sinais indiscriminadamente, independentemente do seu nível de atividade, levando à ineficiência. Em contraste, os sistemas sensoriais biológicos utilizam representações esparsas de spikes acionadas por eventos, emitidas apenas quando ocorrem mudanças na entrada. Embora o hardware neuromórfico vise explorar essa eficiência energética, falta atualmente um framework de processamento de sinais principiado para codificação baseada em spikes. Abordagens existentes, como modelos probabilísticos orientados à neurociência ou moduladores sigma-delta de canal único, frequentemente carecem de garantias formais de processamento de sinais, capacidades multi-escala ou limites de reconstrução estáveis. Há uma necessidade específica de uma estrutura de wavelet onde os coeficientes sejam emitidos como eventos de spike em vez de amplitudes contínuas, preservando a covariância de escala e as propriedades de multi-resolução da teoria clássica de wavelets, enquanto produzem saídas esparsas e acionadas por eventos.

Metodologia

Os autores propõem reclassificar codificadores de spikes como estruturas de wavelet causal-temporal com larguras de banda quantitativas e limites de erro de reconstrução. A metodologia envolve dois componentes principais:

1. Famílias de Wavelets Causal-Temporais: O artigo introduz duas famílias de wavelets de spiking baseadas na diferença de representações de espaço-escala:

   • Diferença de Exponenciais Truncadas (DoE): Construída a partir de um único integrador com vazamento por escala.
   • Diferença de Núcleos Limite Causal-Temporais (DoT): Construída encadeando integradores com vazamento para recuperar a covariância de escala e as propriedades de suavização em cascata da Gaussiana, mantendo a causalidade.
   • Ambas as famílias são derivadas tomando diferenças adjacentes de representações de espaço-escala ($L(t; \sigma_k) - L(t; \sigma_{k-1})$), garantindo que os núcleos passa-banda resultantes tenham média zero e satisfaçam os critérios de admissibilidade de wavelet.

2. Codificação e Decodificação de Spiking:

   • Codificação: As respostas contínuas de wavelet passa-banda são quantizadas em trens de spikes assinados usando um modelo de neurônio Integrar-e-Fogo com Vazamento (LIF). Para capturar a polaridade, a integração é dividida em partes positiva e negativa, gerando spikes quando o potencial de membrana cruza um limiar $\theta_{thr}$.
   • Decodificação: A reconstrução é alcançada passando os trens de spikes esparsos através de núcleos de reconstrução (integradores com vazamento) e somando as saídas dos canais. Como o operador de estrutura dual não possui solução de forma fechada para implementações de spiking, os autores empregam uma abordagem de mínimos quadrados para aprender pesos ótimos para cada canal, ajustando a reconstrução à saída original da análise de canal.

Contribuições Principais

O artigo faz três contribuições principais:

1. Duas Famílias de Wavelets de Spiking: A definição de wavelets DoE e DoT como codificadores causal-temporais e covariantes de escala. O artigo fornece uma análise teórica das representações subjacentes não de spiking, provando que elas formam estruturas supercompletas e não apertadas.
2. Limites Formais: A derivação de limites de estrutura ($A$ e $B$) para ambas as variantes analógica e de spiking. Crucialmente, os autores derivam um limite de erro de reconstrução de forma fechada (Equação 32) para o caso de spiking, demonstrando que o erro é linear no limiar de spike $\theta_{thr}$ e converge geometricamente com o número de canais.
3. Validação Experimental: Experimentos de reconstrução em conjuntos de dados de ECG (MIT-BIH) e áudio (LibriSpeech). Os resultados mostram que as wavelets de spiking alcançam erro quadrático médio normalizado (nRMSE) comparável às transformadas de wavelet contínuas (como Morlet) e transformadas de wavelet discretas, apesar do erro de quantização adicional inerente ao spiking.

Resultados

• Precisão de Reconstrução: No conjunto de dados de ECG MIT-BIH, a wavelet DoT de spiking alcançou um nRMSE de 0,058, superando a linha de base Morlet não causal (0,060). No conjunto de dados de áudio LibriSpeech, a DoT de spiking alcançou 0,064, igualando a linha de base Morlet.
• Características de Erro: O erro de reconstrução foi observado como linearmente dependente do limiar de disparo $\theta_{thr}$, confirmando os limites de erro teóricos.
• Causalidade vs. Desempenho: As wavelets de spiking causal (DoE e DoT) performaram competitivamente contra wavelets contínuas não causais (Morlet) e significativamente melhor do que a wavelet Szu causal, que sofreu uma penalidade de desempenho de 3 a 6 vezes devido às restrições de causalidade em frameworks tradicionais.
• Sobreposição de Canais: O estudo notou que aumentar o número de canais ($K$) reduziu o erro para DoG não causal, mas aumentou o erro para DoE/DoT causal devido à alta coerência de canal e má condição do sistema linear, destacando uma compensação entre densidade de escala e estabilidade de reconstrução.

Significado e Alegações

O artigo alega estabelecer um framework de processamento de sinais principiado para ADC baseada em spikes que preenche a lacuna entre eficiência biológica e rigor matemático. Seu significado reside em:

• Mapeamento Neuromórfico Direto: As operações (integradores com vazamento e limiar) mapeiam diretamente para primitivas encontradas em hardware neuromórfico, posicionando wavelets de spiking como um bloco de construção fundamental para conversão analógico-digital acionada por eventos.
• Garantias Teóricas: Ao contrário de modelos probabilísticos ou de teoria da informação de spikes anteriores, este trabalho fornece limites de estrutura formais e garantias de erro de reconstrução que valem para qualquer entrada de energia finita, sem suposições sobre estatísticas de sinal ou esparsidade.
• Multi-Resolução Causal: Estende com sucesso máquinas de codificação temporal para estruturas supercompletas e multi-escala, mantendo a causalidade temporal, uma propriedade frequentemente perdida em abordagens clássicas de wavelet ou difícil de alcançar no processamento de sinais causal.

Os autores concluem que essas wavelets DoE e DoT de spiking oferecem um método de codificação contínua e esparsa com garantias de reconstrução prováveis, adequado para processamento de sinais de baixa energia e baixa latência em plataformas neuromórficas.