神经源编码 (NSC) 是一种利用 (深度) 神经网络的建模能力进行源编码的技术。其目标是将数据转换为低熵空间，然后可以使用经典的熵编码方案对其进行编码。在本文中，我们的目标是研究 NSC 在所谓的神经传感器网络中的使用，即一种由一组无线传感器节点组成的身体传感器网络，这些节点记录不同头皮位置的大脑活动，例如通过脑电图 (EEG) 传感器。所有节点都以无线方式将其数据传输到融合中心，然后由给定的深度神经网络对联合传感器信号进行推理。NSC 参数和推理网络是联合学习的，从而针对给定应用优化了准确性和比特率之间的权衡。我们在模拟 EEG 传感器网络中的运动执行任务上验证了此方法，并将得到的权衡与通过将传输数据直接量化为低位精度获得的权衡进行了比较。我们证明，对于非常低的位深度，NSC 比直接量化产生更有利的权衡，并且在所研究的脑机接口 (BCI) 任务中，可以在准确度损失很小的情况下获得较大的带宽增益。