STSC-SNN：基于时空突触连接的脉冲神经网络时空卷积与注意力机制

脉冲神经网络（Spiking Neural Networks, SNNs）作为类脑计算中的一种算法模型，因其具备处理时序信息的能力、低功耗特性以及高度的生物合理性，近年来受到广泛关注。其在高效提取时空特征方面的潜力，使其特别适用于事件流数据的处理。然而，现有的SNN中大多数突触结构仍采用全连接或二维空间卷积形式，均难以充分捕捉时间依赖关系。针对这一问题，本文受生物突触的启发，提出一种新型的时空突触连接脉冲神经网络模型（Spatio-Temporal Synaptic Connection SNN, STSC-SNN），旨在增强突触连接的时空感受野，从而在不同网络层之间建立有效的时间依赖关系。具体而言，模型引入了时序卷积与时序注意力机制，分别实现突触的滤波与门控功能。实验表明，赋予突触模型时间依赖性可显著提升SNN在分类任务中的性能。此外，本文还系统研究了不同时空感受野对模型性能的影响，并重新评估了SNN中时序模块的设计有效性。所提出的模型在多个类脑计算数据集上进行了验证，包括DVS128 Gesture（手势识别）、N-MNIST、CIFAR10-DVS（图像分类）以及SHD（语音数字识别）。实验结果表明，该模型在几乎所有数据集上均达到了当前最先进的分类准确率。