Este documento presenta un clasificador neuronal de picos interpretable (IpT-SNC) con pesos variables en el tiempo. IpT-SNC utiliza una arquitectura de red neuronal de picos (SNN) de dos capas en la que los pesos de las sinapsis se modelan utilizando funciones Gaussianas moduladas en amplitud y variables en el tiempo. La optimización de enjambre de partículas autorregulada (SRPSO) se utiliza para actualizar la amplitud, anchura y centros de las funciones Gaussianas y los umbrales de las neuronas en la capa de salida. IpT-SNC se ha desarrollado para mejorar la interpretabilidad de las redes neuronales de picos. Los pesos variables en el tiempo en IpT-SNC nos permiten describir la justificación detrás de las predicciones en términos de picos de entrada específicos. El rendimiento de IpT-SNC se evalúa en diez conjuntos de datos de referencia en el repositorio de aprendizaje automático de UCI y se compara con el rendimiento de otros algoritmos de aprendizaje. Según los resultados de rendimiento, IpT-SNC mejora el rendimiento de clasificación en conjuntos de datos de prueba desde un mínimo del 0,5% hasta un máximo del 7,7%. El nivel de significancia de IpT-SNC con respecto a otros algoritmos de aprendizaje se evalúa utilizando pruebas estadísticas como la prueba de Friedman y la prueba emparejada. Además, en el desafiante conjunto de datos del mundo real de la competencia IV de BCI (Interfaz Cerebro-Computadora), IpT-SNC supera a los clasificadores actuales en aproximadamente un 8% en términos de precisión de clasificación. Los resultados indican que IpT-SNC tiene un mejor rendimiento de generalización que otros algoritmos.