본 논문은 저전력 임베디드 시스템의 제약을 받는 음성 활성화 어시스턴트에서의 키워드 발견을 위해 시간 차 엔코더(TDE)의 성능을 탐구한다. TIdigits 데이터셋을 사용하여 포먼트 분해와 속도 기반 스파이크 인코딩을 통해 세 가지 스파이킹 신경망(SNN) 아키텍처(피드포워드 TDE, 피드포워드 CuBa-LIF, 순환 CuBa-LIF)를 비교 분석한다. 실험 결과, 피드포워드 TDE 네트워크가 높은 정확도(89%)와 낮은 시냅스 연산량을 보이며, 특히 순환 CuBa-LIF 네트워크에 비해 92% 적은 시냅스 연산을 수행하면서도 유사한 성능을 달성함을 보였다. TDE 네트워크의 결과는 데이터셋 내 키워드의 주파수 및 시간척도 특징과 높은 상관관계를 보이며 해석 가능성 또한 높다. 이는 TDE가 시공간 패턴의 확장 가능한 이벤트 기반 처리를 위한 유망한 뉴런 모델임을 시사한다.
