SPAN：用于连续生物信号事件解码的集合预测适配

基于摘要分析。本文研究连续生物信号中同时预测事件类别、起点和终点的问题，提出时间集合预测框架 SPAN，将预训练生物信号基础模型适配为直接输出事件区间的解码器，而非先逐窗口分类，再经阈值化、平滑和合并形成事件。 机制上，SPAN 将不同生物信号骨干网络的 token 映射到共享的物理时间表示，并结合多尺度时间特征、锚点条件化查询和时长依赖注意力预测事件区间。其核心研究问题是：除预训练表示本身外，适配接口是否也是影响事件级解码质量的重要因素。具体损失函数、查询构造及训练与推理流程尚未验证。 作者报告，在固定预训练初始化、训练数据和事件评分器的配对协议下，使用六个公开 EEG 基础模型骨干、四项任务和三个随机种子，将 SPAN 与密集逐 token 微调基线 Dense-FT 比较：在全部 72 次随机种子匹配比较中，SPAN 的测试集事件 F1（IoU>0.5）均更高，各任务平均提升为 4.5–8.3 个百分点。作者还报告，在匹配的癫痫发作、运动想象和觉醒事件上，SPAN 降低了起点误差；摘要未给出误差数值。 在相同骨干特征上与普通集合解码器的进一步比较中，作者认为收益来自 SPAN 的组合设计，而不只是集合预测这一形式。作者同时指出，密集重叠的伪迹标注仍存在边界定位与事件碎片化困难，因此不能将总体收益等同于所有事件结构下均有可靠改善。 复现时需核对骨干与数据集名称、被试及数据划分、被试内或跨被试等评估协议、Dense-FT 的后处理设置、事件匹配规则及各模块消融。上述实验协议细节、消融及统计信息尚未验证；现有摘要支持其作为连续 EEG 事件解码适配方法的研究价值，但不足以确认其在未测试场景中的通用性。