[论文解读] MetaSort: An Accelerated Approach for Non-uniform Compression and Few-shot Classification of Neural Spike Waveforms

Luca M. Meyer, Majid Zamani|arXiv (Cornell University)|Mar 8, 2026

Neural dynamics and brain function被引用 0

一句话总结

MetaSort 通过自适应水平截断压缩与潜在特征表示，以及利用几何数据结构的元迁移学习，联合解决神经脉冲波形的非均匀压缩与少样本分类问题。

ABSTRACT

Many previous works in spike sorting study spike classification and compression independently. In this paper, a novel algorithm is proposed called MetaSort to address these two problems. To deal with compression, a novel adaptive level crossing algorithm is proposed to approximate spike shapes with high fidelity. Meanwhile, the latent feature representation is used to handle the classification problem. Besides, to guarantee MetaSort is robust and discriminative, the geometric information of data is exploited simultaneously in the proposed framework by meta-transfer learning. Empirical experiments with in-vivo spike data demonstrate that MetaSort delivers promising performance, highlighting its potential and motivating continued development toward an ultra-low-power, on-chip implementation.

研究动机与目标

• 解决以高保真度压缩神经脉冲波形与用少量标记样本对其进行分类的耦合问题。
• 开发自适应水平截断算法以高效逼近脉冲形状用于压缩。
• 利用潜在特征表示进行分类。
• 通过元迁移学习引入几何信息以增强鲁棒性与辨别性。
• 展示超低功耗、片上实现的潜力。

提出的方法

• 提出用于高保真非均匀脉冲压缩的自适应水平截断算法。
• 使用潜在特征表示执行脉冲分类。
• 通过元迁移学习利用数据的几何信息以提高判别能力。
• 确保压缩-分类组合框架的鲁棒性与辨别性。
• 在体内脉冲数据上进行评估以验证性能与片上部署的可行性。

实验结果

研究问题

• RQ1 自适应水平截断是否能够实现神经脉冲波形的高保真非均匀压缩？
• RQ2 潜在特征表示能否实现对脉冲的有效少样本分类？
• RQ3 利用几何数据的元迁移学习是否提高方法的鲁棒性和辨别性？
• RQ4 该方法在实际设置中是否适合 ultra-low-power、片上实现？

主要发现

• 在体内脉冲数据上的经验性实验表明，MetaSort 在压缩和分类任务上都具有有前景的性能。
• 该框架同时利用潜在特征空间与几何信息来增强辨别性。
• MetaSort 展示在少样本条件下的稳健性能潜力。
• 该方法推动开发用于脉冲排序任务的超低功耗片上实现。