文章导读

在数字信号处理领域，滤波是基础且关键的技术。然而，随着计算系统功耗需求的激增，传统数字采样方式在能效上的局限性日益凸显。神经形态采样 (又称时间编码) 作为一种受神经科学启发的低功耗编码方式，通过将模拟信号转化为脉冲序列 (即“脉冲流”)，显著降低了信号采集与传输的能耗。然而，目前针对神经形态采样的信号处理技术仍处于空白，尤其是如何直接对脉冲流进行滤波操作而无需重构原始信号，成为亟待解决的难题。来自英国帝国理工学院的Daniel Coca教授团队在 Journal of Low Power Electronics and Applications 上发表题为”Signal Filtering Using Neuromorphic Measurements”的研究论文，提出一种新型滤波方法，绕过了传统流程中复杂的信号重构步骤，实现了从输入脉冲流到输出脉冲流的直接映射。

研究内容

神经形态采样的核心设备是积分触发模型 (Integrate-and-Fire, IF)，其通过动态积分与阈值触发的机制，将连续信号编码为离散脉冲时间序列。传统方法需先将脉冲流重构为模拟信号，再进行滤波与重新采样，但这一过程依赖信号带宽、平滑性等先验假设，且计算复杂度高。本文的创新点在于建立了输入脉冲流与滤波器输出脉冲流之间的直接数学关联，提出了无需信号重构的滤波框架。

研究团队首先定义了输入信号与滤波器输出的积分辅助函数，通过分析积分方程的特性，证明了输出脉冲时间可通过迭代算法精确逼近。该方法的核心在于构造一个与滤波器响应相关的连续函数，并利用不动点定理确保迭代收敛性。理论分析进一步表明，输出脉冲时间的估计误差仅由神经形态采样参数决定，且可通过调整模型参数无限缩小。

为验证方法的有效性，研究团队设计了多组数值实验。在低通滤波实验中，针对带宽受限信号，直接滤波法与间接重构法的输出脉冲间隔误差分别为0.49%与0.75%，而计算时间仅为后者的四分之一。更值得注意的是，在输入为随机噪声 (无带宽限制) 的场景下，直接法仍能以0.6%的误差预测输出脉冲流，且计算效率提升2.5倍。实验还表明，当采样密度低于奈奎斯特率时，传统方法因重构条件不满足而失效，而直接法依然保持稳定，误差边界严格受理论保证。

此外，研究团队探索了该方法在非理想场景下的鲁棒性。例如，针对小波滤波器与宽带噪声的组合，直接法在输出脉冲时间预测中表现出3%以内的误差，且计算耗时仅为传统方法的十分之一。这一结果突显了该方法在复杂信号处理任务中的潜力，尤其是在实时性要求高或信号特性未知的场景中。

研究总结

本文提出的神经形态直接滤波方法，突破了传统信号处理依赖重构的局限，通过数学映射实现了脉冲流到脉冲流的高效转换。理论证明与实验验证表明，该方法在计算速度、适用性及抗噪性上均优于现有技术，为低功耗神经形态计算系统的实际应用奠定了基础。未来研究可进一步探索高阶插值、多通道非线性滤波等扩展方向，并推动硬件实现以适配边缘计算需求。

原文出自 JLPEA 期刊：https://www.mdpi.com/2590532

期刊主页：https://www.mdpi.com/journal/jlpea

JLPEA 期刊介绍

主编：Davide Bertozzi, University of Manchester, UK

期刊旨在发表低功耗电子方向的创新研究和重要成果。期刊范围涵盖的主题包括但不限于新兴电子器件和工艺技术、模拟、数字和混合信号 VLSI 电路、架构和系统设计、SoC 和嵌入式系统、能量采集和无电池系统、综合和优化工具，以及用于低功耗设计的 CAD 工具和方法。目前被 Scopus、ESCI 等数据库收录。

2023 Impact Factor：1.6

2023 CiteScore：3.6

Time to First Decision：20 Days

Acceptance to Publication：2.7 Days