脉冲神经网络中的延迟：一种状态空间模型方法

基于摘要分析。本文研究如何在脉冲神经网络（SNN）中引入延迟，以增强对时间依赖的建模，提出通过额外状态变量使每个神经元访问有限长度输入历史的通用框架。主要研究对象是面向时序数据处理与神经形态计算的 SNN，而非 EEG 或 BCI 系统。 机制上，延迟使过去输入能够直接影响当前脉冲行为；该框架不依赖特定神经元模型，可集成至 Leaky Integrate-and-Fire（LIF）与 Adaptive LIF（adLIF）。作者分析延迟时长及相关可学习参数对性能的影响，并考察增加状态变量带来的网络架构权衡。摘要未给出具体状态更新方程、参数化方式、损失或训练策略，这些实现细节尚未验证。 作者报告，在 Spiking Heidelberg Digits（SHD）数据集上，该机制的性能与已有基于延迟的 SNN 相当，同时保持计算效率，较小网络中的收益尤其明显。摘要未提供具体指标、数值、数据划分、对照模型及计算成本测量口径，实验协议、消融及统计信息尚未验证，因而不能据此判断优势幅度或复现成本。 平台推测（待验证）：若 EEG 任务中的判别信息依赖有限时间范围内的输入历史，这种延迟状态机制可能为紧凑型时序模型提供可复用模块。其前提是将连续、多通道 EEG 转换为适合 SNN 的输入，并确定采样率、时间窗与延迟范围的对应关系；可复用的是状态化历史访问机制，需要改造的是输入编码与任务输出。低信噪比可能使历史状态累积噪声，被试差异、通道布局变化及小数据条件也可能使延迟参数难以稳定学习。可在固定 EEG 数据划分和训练设置下，对同一紧凑型 SNN 比较有无延迟机制，并同时记录任务指标、状态存储和推理开销，检验收益是否足以抵偿额外成本。相关 EEG 工作尚未检索确认，SHD 上的结果不构成 BCI 有效性证据。