Table 1 GHA-basedspike feature extraction

Neuronal spikes, $\overrightarrow{\mathsf{\text{x}}}\mathsf{\text{(i)}}$;

Initial synaptic weight, $\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(1)}}$;

Learning rate, η ;

Output:

Principal components of neuronal spikes, $\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(N)}}$;

1. Initialize synaptic weight $\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(1)}}$ and learning rate η, j = 1

2. Calculate the mean vector of the aligned spikes

    $\overrightarrow{\mu }={\sum }_{\mathsf{\text{i}}=1}^n\overrightarrow{\mathsf{\text{x}}}\mathsf{\text{(i)/n}}$

3. Zero-mean transformation

    $\overrightarrow{\mathsf{\text{x}}}\mathsf{\text{(i)}}=\overrightarrow{\mathsf{\text{x}}}\left(\mathsf{\text{i}}\right)-\overrightarrow{\mu }1\le \mathsf{\text{i}}\le \mathsf{\text{n}}$

4. Perform Hebbian learning on zero-mean data

    $\overrightarrow{\mathsf{\text{y}}}\mathsf{\text{(j)}}=\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(j)}}\overrightarrow{\mathsf{\text{x}}}\mathsf{\text{(i)}}$

    $\mathsf{\text{LT(j)}}=\mathsf{\text{LT}}\left[\overrightarrow{\mathsf{\text{y}}}\mathsf{\text{(j)}}{\overrightarrow{\mathsf{\text{y}}}}^{\mathsf{\text{T}}}\mathsf{\text{(j)}}\right]$

    $\mathsf{\text{dW(j)}}=\eta \left(\overrightarrow{\mathsf{\text{y}}}\mathsf{\text{(j)}}{\overrightarrow{\mathsf{\text{x}}}}^{\mathsf{\text{T}}}\left(\mathsf{\text{i}}\right)-\mathsf{\text{LT(j)}}\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(j)}}\right)$

    $\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(j + 1)}}=\overrightarrow{\mathsf{\text{W}}}\mathsf{\text{(j) + dW(j)}}$

5. If j= N, the algorithm stops, otherwise j = j+ 1, go to step 4