NeurDuo-EEG：具有持续状态与显式记忆的长序列 EEG 基础模型

基于摘要分析。NeurDuo-EEG 针对现有 EEG 基础模型独立处理固定窗口、难以利用长时间尺度信息的问题，提出结合持续状态与通道级显式记忆的因果模型，通过多时间尺度记忆管理支持连续 EEG 建模。 机制上，作者指出，状态空间架构虽能持续递归处理信号，但长程信息仍隐式压缩于递归状态。NeurDuo-EEG 引入可学习的记忆整合与选择性检索，在固定大小状态下管理不同时间尺度的信息。摘要未给出记忆更新、检索规则、因果约束实现及具体损失形式，这些细节尚未验证。 预训练使用来自 17 个公开数据集的 3,955 小时 EEG，任务为多通道离散频谱编码的自回归预测。具体数据集名称、频谱编码生成方式、通道配置及预训练与下游数据的划分关系尚未验证。 作者报告，在三个短窗口任务和两个长序列任务组成的五项基准中，模型在四项上取得最佳表现，包括全部三个短窗口任务及癫痫发作检测。在摘要所述癫痫发作检测评估中，相对于最强的非 NeurDuo 基线，AUC-PR 从 0.285 提升至 0.471；具体数据集、被试划分与基线名称未提供，因此不能外推为跨被试或跨数据集收益。作者另报告睡眠分期表现具有竞争力。 流式推理方面，作者报告可用历史增长至一小时时，每个数据块的延迟近乎恒定，并指出 Small 变体仅含 4.7M 个骨干参数。硬件、数据块长度、实际延迟和总内存占用尚未验证。复现时应重点核对持续状态及显式记忆相对独立窗口处理的贡献、序列边界与状态重置规则，以及不同被试和会话下的适用性；实验协议、消融及统计信息尚未验证。摘要未提供代码或权重开放信息。