Los modelos de base entrenados en grandes cantidades de datos han demostrado un rendimiento impresionante en la captura de relaciones no lineales complejas y en la predicción precisa de respuestas neuronales. Debido a que las redes neuronales de aprendizaje profundo dependen de grandes cantidades de muestras de datos y un alto consumo de energía, los modelos de base basados en redes neuronales de disparo (SNNs) tienen el potencial de reducir significativamente los costos de cálculo al entrenar en hardware neuromórfico. En este documento, se propone un modelo computacional inspirado visualmente compuesto por un SNN y una red de estado de eco (ESN) para el reconocimiento de flujo óptico. El modelo SNN inspirado visualmente sirve como un modelo de base que se entrena utilizando plasticidad dependiente del tiempo de disparo (STDP) para extraer características principales. El modelo ESN toma decisiones de lectura para tareas de reconocimiento utilizando el método de regresión lineal. Los resultados muestran que STDP puede realizar funciones similares a la descomposición de matrices no negativas (NMF), es decir, generar lecturas dispersas y lineales superpuestas basadas en campos de flujo de base. Una vez que el modelo de base está completamente entrenado con suficientes muestras de entrada, puede reducir considerablemente las muestras de entrenamiento requeridas para el aprendizaje de lectura de ESN. Nuestro modelo de base propuesto basado en SNN facilita el aprendizaje de tareas eficiente y rentable y también podría adaptarse a nuevos estímulos que no están incluidos en el entrenamiento del modelo de base. Además, en comparación con el algoritmo NMF, el modelo de base entrenado utilizando STDP no necesita ser reentrenado durante el procedimiento de prueba, lo que contribuye a un rendimiento computacional más eficiente.