Antecedentes. Las interfaces cerebro-máquina (ICMs) ofrecen a los usuarios la capacidad de comunicarse directamente con dispositivos digitales a través de señales neuronales decodificadas con algoritmos basados en aprendizaje automático (ML). Las Redes Neuronales Espigadoras (SNNs) son un tipo de Red Neuronal Artificial (ANN) que opera con picos neuronales en lugar de salidas escalares continuas. En comparación con las ANN tradicionales, las SNNs realizan menos cálculos, utilizan menos memoria y imitan mejor a las neuronas biológicas. Sin embargo, las SNNs solo retienen información por cortos periodos, limitando su capacidad para capturar dependencias a largo plazo en datos variantes en el tiempo. Aquí, proponemos un nuevo SNN ponderado por picos con memoria a corto y largo plazo espigadora (swSNN-SLSTM) para un problema de regresión. La ponderación de picos captura la tasa de disparo neuronal en lugar del potencial de membrana, y la capa SLSTM captura dependencias a largo plazo. Métodos. Comparamos el rendimiento de varios algoritmos de ML durante la decodificación de movimientos direccionales, utilizando un conjunto de datos de grabaciones de microelectrodos de un macaco durante una tarea de joystick direccional, y también un conjunto de datos de código abierto. Así, cuantificamos cómo swSNN-SLSTM se desempeñó en comparación con modelos de ML existentes: un filtro de Kalman insípido, ANN basadas en LSTM y técnicas de SNN basadas en membrana. Resultado. El swSNN-SLSTM propuesto supera tanto al filtro de Kalman insípido, a la ANN basada en LSTM, como a la técnica de SNN basada en membrana. Esto muestra que la incorporación de SLSTM puede capturar mejor las dependencias a largo plazo dentro de los datos neuronales. Además, nuestro algoritmo propuesto swSNN-SLSTM muestra promesa en la reducción del consumo de energía y la disipación de calor en las ICMs implantadas.