人类触觉感知依赖于分级处理：进入神经系统的输入由中间神经元融合以实现稀疏多模态编码，整合后的信号被发送到大脑以产生感知。复制这一从初级感官输入到高阶神经处理的路径——将信号高效地转换为外部环境的连贯表征——对于人工触觉系统至关重要。

本文通过在混合集成平台上将应变、压力和温度传感器与NbOxx忆阻器神经元集成，展示了人工多模态中间神经元（AMINs），实现了分级神经编码和高信息密度时间脉冲模式的生成。基于AMIN的处理生成具有宽时间动态的统一爆发脉冲序列，可编码物体尺寸、硬度和温度，并直接用作SNN的输入。在20类触觉物体识别任务中，硬件表征的AMIN编码模型结合软件SNN实现了90.5%的准确率，展示了所提出的触觉编码策略在紧凑、低功耗多模态触觉智能方面的潜力。

2026年7月31日，相关研究成果以Spinal-inspired artificial tactile interneuron with high-order burst spiking for intelligent edge interfaces为题发表在国际顶级期刊Nature Communications上，西湖大学朱博文研究员和西安电子科技大学王宏教授为论文共同通讯作者。

人类触觉系统整合多模态感官信息，在复杂动态环境中实现高效且鲁棒的感知，支持对物体属性和状态的精确识别。这种能力源于感觉神经系统对外部刺激的分级处理。在触觉感知过程中，初级感觉神经元将触觉刺激编码为周期性电脉冲，而脊髓中间神经元则将这些信息融合并整合为稀疏、结构化的高阶脉冲模式，从而抽象出触觉信息。这些整合后的信号最终被传递到大脑，形成统一的感知表征以进行物体识别和分类。复制这种分级整合和特征抽象对于旨在匹配生物感知能力的人工触觉系统至关重要。

许多尝试已经致力于模拟生物触觉神经元的多模态功能。现有的人工触觉系统集成独立传感元件，并采用一阶脉冲编码将模拟输入转换为独立的脉冲序列。然而，这种方法需要多个外部测量和读出路径，导致系统复杂度增加和读出功耗升高。尽管在多模态感知集成到单个初级感觉神经元方面已取得一些进展，但主流策略仍然依赖脉冲频率和脉冲幅度来编码不同的触觉模态。这种依赖两条不同解码路径的方式增加了处理复杂性，并进一步偏离了人工神经元基于时间的信号传递方式。

为模拟生物系统中高阶中间神经元的感觉处理，我们开发了人工多模态中间神经元（AMINs），其重现了脊髓中间神经元的整合和稀疏编码机制，实现了在单一稀疏脉冲序列中编码的高阶触觉特征提取。具体而言，该系统在混合集成平台上集成了垂直排列金纳米线（v-AuNWs）应变传感器、聚吡咯（PPy）基压力传感器、温度传感器和NbOxx忆阻器神经元，实现了无需模数转换的模态感知与融合。为确保信号分离，三个独立脉冲编码通道提供从2.9 kHz到3.98 MHz的宽带输出，各模态间具有清晰的频谱分离以消除信号串扰。结果，融合信号（Vfusionfusion）增加了信息密度，并被AMIN转换为具有兴奋性或抑制性极性的稀疏爆发脉冲模式。这些爆发中嵌入的多时间尺度时间特征使物体尺寸、硬度和温度的区分成为可能。为演示系统级能力，基于忆阻器的决策模块结合了包含类脑时间处理的脉冲神经网络（SNN），用于复杂触觉特征识别。在20类物体抓取任务中，AMINs-SNN系统达到90.5%的准确率，并表现出有效的模态解耦和鲁棒操作。重要的是，通过将生物可解释性与硬件紧凑性相结合，AMINs为神经形态机器人、虚拟现实和可穿戴触觉接口提供了一条实用路径。