用于时间序列的脉冲异质谐波谐振发放状态空间模型

基于摘要分析。本文研究资源受限场景中的超长时间序列分类与回归，提出二阶脉冲状态空间模型 S$H^2$RFSSM，将 Harmonic Resonate-and-Fire 神经元层与状态空间建模结合，并引入基于核的脉冲回归器。原论文的主要对象是传感器与通用时间序列任务，并非已验证的 EEG 或 BCI 方法。 机制方面，研究结合脉冲神经网络的稀疏事件处理与状态空间模型的长程序列建模能力。作者报告，S$H^2$RFSSM 消除了矩阵乘法，并观察到谐波谐振发放层中的异质性与离散化能够减少脉冲操作、改善性能。摘要未给出状态更新方程、核构造、脉冲编码、训练损失或梯度估计方式，因此尚不能确定这些设计各自如何贡献于效果与计算节省。 作者报告在覆盖传感器、时间序列分类与长期预测等任务的 17 个数据集上评估 Harmonic Resonate-and-Fire 层，S$H^2$RFSSM 的平均表现优于所比较的 Transformer 和一阶 SSM；作者还报告，基于核的脉冲回归器可建模长度达 50k 步的序列依赖。具体数据集、划分、指标、基线配置及统计信息尚未验证；摘要也未提供实际硬件能耗或延迟数据，不能将操作减少直接等同于部署能效提升。 平台推测（待验证）：若谐振动力学能够保留有用的节律信息，且脉冲编码能在不过度丢失弱信号的前提下降低计算量，该机制可能对应 EEG 长序列处理与端侧资源约束。可考虑复用状态更新与谐振层，但需改造多通道输入编码及任务输出；其对监督方式、训练数据规模和采样率的依赖尚不明确。低信噪比、跨被试频谱差异、通道变化及小数据训练均可能使优势失效。一个可证伪的小实验是在固定 EEG 数据划分和相近模型容量下，对比该模型与一阶 SSM，并控制异质性与离散化设置，同时测量任务指标和同一设备上的能耗、延迟。相关 EEG 工作尚未检索确认。