NiSNN-A：带注意力的非迭代脉冲神经网络及其在运动想象 EEG 分类中的应用

基于摘要分析。该研究针对运动想象（MI）EEG 分类中准确率与低能耗需求的权衡，提出带注意力的非迭代脉冲神经网络 NiSNN-A。核心贡献是结合非迭代 leaky integrate-and-fire（NiLIF）神经元与基于序列的注意力机制，尝试缩小脉冲神经网络（SNN）与卷积神经网络（CNN）的准确率差距，同时保留能效优势。 机制方面，作者提出 NiLIF，以应对传统迭代 LIF 神经元在长时间步条件下的梯度问题；随后通过基于序列的注意力机制细化特征图。摘要未提供非迭代计算公式、梯度处理方式、注意力作用维度、损失函数及训练与推理流程，因此尚不能判断其计算优势如何随时间步数变化，也不能确定注意力模块引入的额外开销。 作者在 OpenBMI 和 BCIC IV 2a 两个 MI EEG 数据集上评估 NiSNN-A，报告其分类 Accuracy 高于所比较的其他 SNN 模型；相较对应 CNN 模型，作者报告能效提升至 2.13 倍，同时保持相近的 Accuracy。摘要未给出具体 Accuracy、被试范围、被试内或跨被试协议、数据划分及对照模型名称，故这些结果不能直接与其他论文的不同协议比较。 复现时需核对 EEG 预处理、输入编码、时间步设置、NiLIF 与注意力模块的独立贡献，以及能效指标的定义、估算或实测方式和运行硬件。摘要中的能效比较尚不能直接视为便携设备上的实测收益。实验协议、消融及统计信息尚未验证，代码与复现资源的可用性也尚未确认。