SM-Former：用于脑听觉注意检测的脉冲对称混合 Branchformer

基于摘要分析。该研究面向从 EEG 中解码听者在复杂声学环境下注意对象的听觉注意检测（AAD），提出兼顾互补特征学习与能效的 S²M-Former，服务于神经引导助听设备的研究需求。原标题使用 SM-Former，摘要中的方法名为 S²M-Former，两者命名差异尚待全文核对。 核心机制是脉冲驱动的对称架构：并行设置空间分支与频率分支，采用镜像式模块设计，并通过作者称具有生物合理性的 token-channel mixers 促进分支间互补学习。另一项设计是以轻量一维 token 序列替代常规三维运算。摘要未提供具体脉冲神经元、训练损失、时间步设置及空间与频率表征的构造方式，相关实现尚未验证。 作者报告，在 KUL、DTU 和 AV-GC-AAD 三个 AAD 基准上，评估覆盖 within-trial（试次内）、cross-trial（跨试次）和 cross-subject（跨被试）三种设置，解码 Accuracy 与现有 SOTA 水平相当；摘要未列出各数据集、各设置的具体分数和划分细节。作者还报告，轻量一维序列设计使参数量减少 14.7 倍，脉冲架构相较近期 ANN 方法实现 5.8 倍能耗降低，并在参数效率和性能方面优于现有 SNN 基线；参数比较对象、能耗测量或估算方式及硬件条件尚未验证，因此这些倍数不能直接解读为实际助听设备上的部署收益。 摘要提供了代码仓库，便于后续核对实现。复现时宜优先确认各协议的试次与被试划分、决策窗口、参数统计口径，以及能耗比较是否计入预处理和推理全流程；实验协议、消融及统计信息尚未验证。