事件驱动的Tempotron算法

1. 时间驱动的Tempotron学习算法

公式

突触前神经元输入一个脉冲会产生一个PSP（突触后电位），神经元的膜电位为所有突触前神经元产生的PSP加权和
$$V(t)=\sum _i{w}_i\sum _{t_i}K(t-t_i)+V_{rest}\text{\hspace{1em}(1.1)}$$
K表示归一化后的PSP核函数
$$K(t-t_i)=V_0(exp\frac{-(t-t_i)}{{\tau }_m}-exp\frac{-(t-t_i)}{{\tau }_s})\text{\hspace{1em}(1.2)}$$
学习规则
$$\Delta w_i=\{\begin{array}{rl}& \lambda \sum _{t_i<t_{max}}K(t_{max}-t_i),P^{+}误差\\ & -\lambda \sum _{t_i<t_{max}}K(t_{max}-t_i),P^{-}误差\\ & 0,其他情况\end{array}\text{\hspace{1em}(1.3)}$$
Tempotron对权重的更新需要神经元膜电位的峰值时刻$t_{max}$.编码思想，通过移动时间步，查找当前时刻前输入的全部脉冲，计算每个输入脉冲在当前时刻的PSP，然后对这些PSP根据突触权重进行加权求和，计算出每个时刻神经元的膜电位，从而找到膜电位的峰值时刻。

伪代码

Matlab代码

Vmax=0; tmax=0;   %初始化最大膜电位和最大膜电位的时间
fired=false;      
T = TTmax(pp);
firedAfferents=find(~cellfun('isempty', ptn(pIdx,:)));   %模式pIdx发放脉冲的突触前神经元
for t=dt:dt:T
	Vm = 0; 
    if fired==false 
    	tSearch=t;
    else
     	%若发射脉冲，关闭发射之后的其他输入
        tSearch=t_fire;
    end            
    for j=firedAfferents
    	%查找tSearch时刻之前输入的脉冲
    	Tsyn=find(ptn{pIdx,j}<=tSearch+0.1*dt);    % no cut window
        if isempty(Tsyn)
        	continue;
        else
        	%计算t时刻神经元的膜电位，即所有PSP的加权和
            sumK =sum(V0*(exp(-(t-ptn{pIdx,j}(Tsyn))/tau_m)-exp(-(t-ptn{pIdx,j}(Tsyn))/tau_s))); % the sum of kernel for No.j afferent
            Vm = Vm + weights(j)*sumK ;
        end
    end
    Vm = Vm + V_rest;     
    if Vm>=V_thr && fired==false % fire
    	fired=true;
    	t_fire=t;
    	Class_Tr(pp)=true;
    end
    if Vm>Vmax     
    	Vmax=Vm; tmax=t;    %更新峰值和峰值时刻
   end
end

结论：计算突触前神经元发放脉冲后的膜电位，并在此过程中记录下$t_{max}$

时间驱动的Tempotron的缺点

1. 每次移动一个时间步需要重新查找一遍输入脉冲。
2. 对每个满足条件的输入脉冲都要重新计算一次PSP。

2. 时间驱动和事件驱动为什么等价

指数相加可以转化为两个指数的乘法，因此可从上一时刻的电位直接计算当前时刻的电位，而不必从0开始。
将V(t)记作公式如下
$$V(t)=V_m(t)-V_s(t)\text{\hspace{1em}(2.1)}$$
其中
$$V_m(t)=V_0\sum _i{w}_i\sum _{t_i}exp(\frac{-(t-t_i)}{{\tau }_m})\text{\hspace{1em}(2.2)}$$
$$V_s(t)=V_0\sum _i{w}_i\sum _{t_i}exp(\frac{-(t-t_i)}{{\tau }_s})\text{\hspace{1em}(2.3)}$$
若在$\Delta t$的时间间隔内没有新的脉冲输入，那么$V_m(t+\Delta t)$可表示为
$$\begin{array}{rl}{V}_m(t+\Delta t)& =V_0\sum _i{w}_i\sum _{t_i}exp(\frac{-(t+\Delta -t_i)}{{\tau }_m})\\ & =V_0\sum _i{w}_i\sum _{t_i}exp(\frac{-(t-t_i)}{{\tau }_m})exp(\frac{-(\Delta t)}{{\tau }_m})\\ & =V_m(t)exp(\frac{-\Delta t}{{\tau }_m})\end{array}\text{\hspace{1em}(2.4)}$$
同理
$$V_s(t+\Delta t)=V_s(t)exp(\frac{-\Delta t}{{\tau }_s})\text{\hspace{1em}(2.5)}$$
当t时刻有新的脉冲从突触i输入时，$V_m(t)$和$V_s(t)$可以更新如下：
$$V_m(t)=V_m(t)+V_0{w}_t\text{\hspace{1em}(2.6)}$$
$$V_s(t)=V_s(t)+V_0{w}_t\text{\hspace{1em}(2.7)}$$

事件驱动的Tempotron学习算法

1. 计算每个脉冲输入时刻的神经元膜电位
   当t时刻有新的脉冲到来时，先计算新脉冲与上一个脉冲的时间间隔$\Delta t=t-t_{last}$,$\Delta t$时间内没有新的脉冲输入，用公式$(2.4)$,$(2.5)$计算t时刻前的膜电位，由于t时刻有输入脉冲，用公式$(2.6)$,$(2.7)$,$(2.1)$计算膜电位，从而得到每一个脉冲输入时刻的神经元膜电位，而不再是时间驱动方式中每一个dt时刻的神经元膜电位。
2. 计算峰值时刻的膜电位
   a) 伪脉冲
   PSP核函数图像如下
   

根据公式$(1.2)$，参数${\tau }_m$和参数${\tau }_s$确定，则PSP核形状确定，PSP到达峰值的时间也确定，记做$\Delta t_s$，神经元膜电位的峰值只有可能出现在某个输入脉冲的PSP达到峰值的时候，所以可以在每个输入脉冲后的$\Delta t$时间处添加一个伪脉冲，起定时作用，只用来标记峰值可能发放的时间。

伪代码