تُعدّ المستشعرات القائمة على الأحداث مناسبة جدًا للمعالجة في الزمن الحقيقي بفضل سرعتها العالية في الاستجابة وتمثيل البيانات الحسّاسة كفروقات زمنية متتالية. ومع ذلك، تُقلّل هذه الخصائص القيّمة، مثل النطاق الديناميكي العالي، عند تحويل البيانات إلى تنسيق مبني على الإطارات. ومع أن معظم الطرق الحالية إما تُدمج الأحداث في إطارات أو لا يمكنها التوسع عند معالجة البيانات الحسّاسة مباشرةً حدثًا بحدث. وفي هذا العمل، نعالج التحديات الأساسية المتعلقة بتوسيع نطاق النمذجة الحدثية الحدثية لتدفقات الأحداث الطويلة التي تُصدرها هذه المستشعرات، وهي مشكلة ذات صلة خاصة بالحوسبة الشبيهة بالدماغ. بينما يمكن للطرق السابقة معالجة ما يصل إلى آلاف الخطوات الزمنية، فإن نموذجنا، القائم على نماذج الحالة العميقة المتكررة الحديثة، يتوسع ليشمل تدفقات أحداث تصل إلى ملايين الأحداث خلال التدريب والاستنتاج. ونستفيد من مُعامِلات التمثيل المستقرة لتعلم الاعتماديات طويلة المدى، وقابلية التوازي على طول البُعد التسلسلي، وقدرتها على دمج الأحداث غير المتماثلة بفعالية، مما يمكّننا من توسيع النموذج ليتعامل مع تدفقات أحداث طويلة. ونُكمل ذلك بتقنيات جديدة مبنية حول الأحداث، مما يمكّن نموذجنا من تحقيق أداءً مُتساوٍ أو أفضل من الأداء القياسي في عدة معايير لتدفقات الأحداث. وفي مهمة أوامر الكلام الشبيهة بالنبضات، نُحسّن الأداء القياسي بنسبة كبيرة تصل إلى 7.7%، لتحقق 88.4%. أما على مجموعة بيانات DVS128-Gestures، فقد تحقق نتائج تنافسية دون استخدام الإطارات أو الشبكات العصبية التلافيفية. ويُظهر هذا العمل لأول مرة إمكانية استخدام معالجة بالكامل تعتمد على الأحداث باستخدام شبكات متكررة فقط لتحقيق أداءً قياسيًا في عدة معايير قائمة على الأحداث.