HP-GSBS：利用可复用区间统计量加速贪心状态边界搜索

基于摘要分析。HP-GSBS 面向 Greedy State Boundary Search（GSBS）在识别相对稳定神经活动模式之间的转换时，反复评估候选边界造成的计算开销，提供一个通过复用区间贡献与相关统计量来加速搜索的开源 Python 软件包。其主要贡献是优化既有神经状态分段流程，而非提出新的 EEG 解码任务或分段目标。 机制上，软件围绕可复用统计量重组搜索，并结合流式候选缩减与局部细化，减少重复计算；CPU、PyTorch CUDA 和 Triton 后端采用一致的顺序分段决策。摘要未给出统计量的具体定义、缓存更新规则或各项优化的独立贡献，需结合全文与实现核对。 作者报告，在七种受控工作负载、每种两个实现实例的同输入比较中，中位加速倍数范围为 154–1730 倍；全部 168 次优化执行均复现原始边界及所选状态数，t-distance 的最大绝对差为 1.88×10⁻¹¹。这些结果支持所测条件下的输出一致性，但不能直接外推为任意数据规模或硬件上的加速保证。作者还报告使用四份固定 EEG 记录进行补充验证，并提供从输入到分段的完整应用示例；记录来源、采集条件、预处理和具体验证协议尚未验证。 软件另支持批处理、带版本标记的结果持久化及可选低内存执行，面向记录集合与较长输入。复现时需核对原始 GSBS 对照版本、软硬件环境、计时范围、输入规模及内存开销，并检查不同后端的数值一致性。完整实验协议、消融及统计信息尚未验证；摘要中的输出一致性证据不等同于对神经状态生理解释或 BCI 任务收益的验证。