用于 EEG 听觉注意检测的低功耗轻量化脉冲 Transformer

基于摘要分析。该研究针对 EEG 听觉注意检测模型计算负担较重、难以部署到边缘设备的问题，提出二值化脉冲 Transformer，通过脉冲神经元与训练后权重二值化降低计算和存储成本，同时利用 Transformer 学习任务相关信息。 核心机制包含两个不同层面的压缩：脉冲神经元产生稀疏、二值的脉冲序列，作者据此提出降低计算功耗的设计；训练后量化则将全精度网络权重转为二值权重，以缩小模型体积。脉冲表示二值化与权重二值化并非同一操作，摘要未给出二者如何与 Transformer 运算结合，也未说明训练方法、量化细节、时间步设置及推理实现。 作者报告，在其所称的主流数据集上，模型性能可超过现有最先进模型；相对于对应的原始全精度网络，模型体积可缩小超过 21 倍。不过，摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、具体性能指标及对照模型，因此无法核对性能优势的幅度或适用范围。体积缩减也不能直接等同于同等比例的功耗或延迟改善。 复现与部署评估需核对数据划分、EEG 预处理、输入窗口、完整模型结构、二值化前后性能变化，以及目标硬件是否能利用稀疏脉冲和二值运算获得实际收益。低功耗结论采用实测还是计算估算、是否计入完整推理开销，均尚未验证；实验协议、消融及统计信息尚未验证。摘要未提供可确认的代码或权重信息。