Neuromorphic Intelligence in Practice: Applications of Spiking Neural Networks in Awake Neurosurgery, Eye-Tracking, and Autonomous Systems

Spiking Neural Networks (SNNs) are a brain-inspired computational paradigm known for their energy efficiency and natural suitability for temporal data processing. However, their practical adoption has been limited by training challenges and a historical focus on classification tasks. This dissertation bridges the gap between the theoretical potential of SNNs and their real-world application through a comprehensive investigation. First, it demonstrates the effectiveness of SNNs in a critical medical setting by developing a real-time patient state classification system for awake neurosurgery, achieving performance competitive with state-of-the-art recurrent models. It then explores low-latency human–computer interaction through a surrogate gradient-trained eye-tracking model. The core methodological contribution is the proposal and validation of a novel regression framework inspired by population coding. This approach enables SNNs to perform complex, multi-variable regression tasks, significantly extending their capabilities beyond classification. Finally, the practical applicability of neuromorphic principles is shown by implementing an SNN-based controller on a mobile robot, trained via imitation learning to replicate a classical control policy. Overall, this work shows that SNNs are evolving from theoretical constructs into versatile engineering tools, providing new applications, a key methodological advancement for regression, and practical validation in robotics.

Le Spiking Neural Networks (SNN) rappresentano un paradigma computazionale ispirato al cervello, apprezzato per l’elevata efficienza energetica e la naturale capacità di elaborare dati temporali. Tuttavia, la loro diffusione pratica è stata limitata dalla complessità dell’addestramento e da una prevalente applicazione a compiti di classificazione. Questa tesi mira a colmare il divario tra il potenziale teorico delle SNN e il loro impiego reale, attraverso un’indagine articolata su più livelli. In primo luogo, viene dimostrata l’efficacia delle SNN in un’applicazione medica critica: un sistema di classificazione in tempo reale degli stati del paziente durante neurochirurgia da sveglio, con prestazioni competitive rispetto a modelli ricorrenti allo stato dell’arte. Successivamente, viene esplorato il loro utilizzo in interazioni uomo-macchina a bassa latenza mediante un modello di eye-tracking addestrato con surrogate gradient. Il contributo metodologico centrale è la proposta e validazione di un nuovo framework di regressione ispirato al population coding, che consente alle SNN di affrontare problemi complessi e multivariabili, superando il tradizionale ambito della classificazione. Infine, l’applicabilità pratica dei principi neuromorfici viene dimostrata implementando un controllore basato su SNN su un robot mobile, addestrato tramite imitation learning per replicare una politica di controllo classica. Nel complesso, il lavoro evidenzia la maturazione delle SNN da modelli teorici a strumenti versatili per l’ingegneria reale, offrendo nuove applicazioni, un avanzamento metodologico per la regressione e una validazione concreta in ambito robotico.