NeuroDETR：用于异步 EEG 事件检测的多尺度离散时空标记化

基于摘要分析。该研究面向连续 EEG 中的异步事件检测，目标是在推理时不依赖预先给定的事件边界，同时识别事件类别并估计起止时间。作者提出 NeuroDETR，通过多尺度离散时空标记化与事件感知特征细化，从持续背景活动中提取事件相关模式。 核心机制包括多尺度时间码本与 Spatial-Pyramid VQ：前者用于捕获短暂响应和持续动态，后者分层编码 EEG 通道间的空间结构，两类互补表征共同构成紧凑的事件记忆，用于联合分类事件与估计起止边界。在标记化之前，FOCAL 事件感知稀疏注意力模块利用预测的事件存在情况，引导时间特征细化和空间聚合，以突出可能包含事件的时段，同时保留连续记录中的上下文。摘要未给出事件存在预测的监督方式、码本学习目标、联合检测损失或具体推理流程，不能仅凭 NeuroDETR 名称推断其检测器结构。 作者报告，在覆盖多种范式的八个 EEG 数据集上取得当前最佳性能，但摘要未列出数据集名称、被试规模、数据划分、对照方法、检测指标或具体数值。因此，这一结论尚不能用于判断被试内、跨被试或跨会话条件下的效果，也不能据此确认其在线检测能力。 全文核验重点包括：事件类别与边界的标注及评估协议，FOCAL 对预测误差的敏感性，多尺度时间码本和空间层级编码各自的贡献，以及连续背景活动中的误检、漏检和边界定位表现。实验协议、消融及统计信息尚未验证；代码、预处理要求和复现资源也尚未确认。该工作的研究对象直接涉及 BCI 所需的连续 EEG 事件识别，但摘要中的结果并不等同于已验证的实际交互或长期监测性能。