S²M-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 EEG 听觉注意检测（AAD），旨在兼顾互补特征学习与能效约束，以支持神经信号引导的助听设备。作者提出 S²M-Former，通过空间与频率并行分支的对称脉冲架构，以及轻量一维 token 序列，降低模型计算负担并维持解码性能。 核心机制是采用具有镜像模块设计的空间分支和频率分支，并利用作者称为具有生物合理性的 token-channel mixers 促进两类特征的互补学习。模型以轻量一维 token 序列替代传统三维操作，并采用脉冲计算架构。摘要未提供空间与频率特征的构建方式、分支交互细节、脉冲编码、损失函数或训练与推理设置，这些内容尚未验证。 作者报告，在 KUL、DTU 和 AV-GC-AAD 三个 AAD 基准上，使用 within-trial（试次内）、cross-trial（跨试次）和 cross-subject（跨被试）三种设置进行评估，获得与现有 SOTA 相当的解码 Accuracy；摘要未给出各数据集、协议对应的具体数值。作者还报告，相对于所述传统三维操作，参数量降低 14.7 倍；相对于近期 ANN 方法，能耗降低 5.8 倍，并在参数效率和性能方面优于现有 SNN 基线。这些倍率的具体对照模型、输入配置、统计口径和能耗估算或实测条件尚未验证，不能据此直接推断实际助听设备上的续航收益。 复现时应优先核对三种评估协议的数据划分、被试规模、解码时间窗，以及不同基线的输入与计算配置；同时检查双分支互补性、一维 token 替代和脉冲计算各自的贡献。作者提供了代码链接，但代码可用性、运行环境与实验一致性尚未验证；实验协议、消融及统计信息仍需结合全文确认。