面向边缘设备的全脉冲多通道语音增强

该研究针对可穿戴与边缘设备上的多通道语音增强，提出全脉冲神经网络（SNN）框架，以利用麦克风阵列的空间信息，并考察增强质量与资源需求之间的权衡。基于摘要分析，研究对象是音频处理，而非 EEG 解码或 BCI 系统。 方法以紧凑的人工神经网络（ANN）为基线，通过漏积分发放神经元构建全连接 FC-SNN，并采用顺序脉冲编码。其动机是突破既有 SNN 语音增强方法主要局限于单通道、难以利用阵列空间多样性的限制。摘要未说明具体波束形成操作、输入表征、训练损失及 ANN 到 SNN 的转换或训练流程，尚不能据此还原实现。 作者报告比较了不同模型规模与脉冲序列长度下的增强表现，以 ANN 和经典波束形成方法为对照，并报告参数量与计算复杂度；还比较了 direct 与 rate 脉冲编码，指出事件驱动计算与增强性能之间存在权衡，并据此识别适合边缘设备的配置。摘要未提供数据集、噪声与阵列条件、评估指标或具体数值，因此无法量化相对收益，也不能将计算复杂度直接等同于实测功耗。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可借鉴的是多通道输入下脉冲编码、序列长度与模型规模的资源权衡，而不是将语音波束形成直接视为 EEG 算法。该机制原本依赖麦克风阵列的空间信息；若迁移至 EEG，需要重新设计信号表征、通道融合及任务监督。低信噪比、跨被试变化、通道布局差异和小数据可能削弱脉冲编码的信息保留能力。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，对比紧凑 ANN 和对应 FC-SNN，扫描脉冲序列长度，联合记录任务指标、计算复杂度及目标硬件上的实测能耗。已有 EEG 相关工作尚未检索确认。