脑机百科消息(bciwiki.com)，一套结合深度学习与模糊逻辑的神经尖峰分类系统，在大鼠与猴的四个神经记录数据集上实现96.4%的分类准确率和45.2毫秒的平均延迟，相关研究由Firas Almukhtar发表于2026年9月24日的《Applied Computational Intelligence and Soft Computing》。
该系统的主干是一个双输出的卷积神经网络—双向长短期记忆网络（CNN-BiLSTM）架构，同时完成神经元归类和事件条件下的波形形态估计。在此之上叠加三种软计算方法：用多目标帕累托筛选选择网络架构，用区间二型模糊隶属函数量化隐空间结果的有效性，用模糊自适应阈值在信号质量不确定时检测尖峰。作者称多任务损失函数的设计依据是互信息下界，该下界在常规有界性假设下推导。
测试数据包括大鼠皮层、海马CA1区和猴运动皮层记录。全监督条件下，系统分类准确率为96.4%，精确率为94.8%，平均延迟为45.2毫秒，作者认为这满足闭环神经假体控制的计算需求。仅用10%标注数据时准确率为88.9%，据作者表述，与无监督方法的现有最佳水平在统计上相当，同时能提供校准后的置信度评分和竞品流程所没有的波形估计。
作者同时列出局限：该框架在具备校准数据的前提下可用于急性临床场景，但用于临床仍需前瞻性验证；对于跨多个电极记录到的神经元，单电极处理可能造成12%的过度拆分。