PTS-SNN：用于高效语音情感识别的提示调优时移脉冲神经网络

语音情感识别（SER）广泛应用于人机交互，但传统模型的高计算成本阻碍了其在资源受限边缘设备上的部署。脉冲神经网络（SNN）凭借其事件驱动特性提供了一种节能替代方案；然而，其与连续自监督学习（SSL）表示的整合在根本上受到分布失配的挑战：高动态范围的嵌入会降低基于阈值的神经元的信息编码能力。为解决这一问题，我们提出提示调优脉冲神经网络（PTS-SNN），一个将冻结的 SSL 骨干网络与脉冲动态对齐的参数高效神经形态适配框架。具体而言，我们引入时移脉冲编码器（Temporal Shift Spiking Encoder），通过无参数的通道移位捕捉局部时间依赖，建立稳定的特征基础。为弥合领域差距，我们设计了情境感知膜电位校准策略。该机制利用脉冲稀疏线性注意力模块，将全局语义上下文聚合到可学习的软提示中，由其动态调节参数化漏积发放（PLIF）神经元的偏置电压。这种调节有效地将异构输入分布居中于响应发放范围内，缓解功能性静默或饱和。在五个多语言数据集（如 IEMOCAP、CASIA、EMODB）上的大量实验表明，PTS-SNN 在 IEMOCAP 上达到 73.34% 的准确率，与有竞争力的 ANN 相当，同时仅需 1.19M 可训练参数和每样本 0.35 mJ 的推理能耗。