يمكن استخدام شبكات العصبونات النابضة (SNNs) في الأنظمة ذات الطاقة المنخفضة والأنظمة المدمجة (مثل الرقائق العصبية الجديدة) بسبب طبيعتها القائمة على الأحداث. كما أنها تتميز بانخفاض تكلفة الحساب مقارنة بشبكات العصبونات الاصطناعية التقليدية (ANNs)، مع الحفاظ على خصائص ANNs. ومع ذلك، لم يتم دراسة الترميز الزمني في طبقات شبكات العصبونات النابضة التلافيفية وأنواع أخرى من SNNs بعد. في هذا البحث، نقدم رؤى حول استخراج الخصائص الزمانية-المكانية لشبكات SNNs التلافيفية من خلال تجارب مصممة لاستغلال هذه الخاصية. أظهرت الشبكة التلافيفية السطحية للعصبونات النابضة تفوقًا على أفضل الأساليب المستخدمة في استخراج الخصائص الزمانية-المكانية مثل C3D و ConvLstm والشبكات المشابهة. علاوة على ذلك، نقدم هندسة عميقة جديدة للعصبونات النابضة لمعالجة المشكلات الواقعية (وبشكل خاص مهام التصنيف) والتي حققت أداءً أفضل مقارنة بالأساليب الأخرى لـ SNNs على مجموعات البيانات NMNIST (99.6%) و DVS-CIFAR10 (69.2%) و DVS-Gesture (96.7%) وعلى أساليب ANNs في مجموعتي بيانات UCF-101 (42.1%) و HMDB-51 (21.5%). يجدر الذكر أيضًا أن عملية التدريب تم تنفيذها بناءً على تباين انتشار الخلفيات الزمانية-المكانية الموضح في البحث.