CaMBRAIN：基于因果状态空间模型的实时、连续 EEG 推理

CaMBRAIN 面向长时、变长 EEG 的实时连续推理，提出基于 Mamba 的单向因果状态空间模型（SSM），并以多阶段自监督训练促进长程记忆保持。基于摘要分析，未取得论文全文。 研究针对两个问题：注意力机制随序列长度增长带来的二次计算开销，以及固定长度输入与滑动窗口处理对整段信号上下文理解的限制。CaMBRAIN 采用单向因果处理，旨在保持状态空间模型的线性时间复杂度。作者认为双向处理对流式 EEG 不必要且成本较高；这一判断应限定在在线、因果推理场景，不能据此认定双向方法对所有 EEG 任务均不适用。 训练方面，作者指出关键 EEG 事件可能仅持续不足一秒，却相隔数分钟，模型因而需要在持续处理时保留稀疏但重要的历史信息。作者认为现有信号重建类自监督目标未显式训练隐藏状态保持这些长程信息，因此设计多阶段自监督流程。摘要未披露各阶段任务、损失形式及状态更新细节，尚不能判断其如何避免历史信息衰减，或如何区分重要事件与噪声。 作者报告，在多个 EEG 基准上达到 SOTA，并相较 EEG 基础模型基线将持续计算开销降低至原来的约 1/6–1/158。摘要未提供基准名称、任务、指标、数据划分、被试内或跨被试协议，以及计算开销的具体定义、硬件与输入长度条件，因此这些结果暂不能用于跨协议比较，也不能直接等同于端到端延迟改善。 复现时需核对：训练与推理是否保持一致的因果约束，连续输入中的状态初始化与重置方式，长程记忆的评估与消融，以及计算比较是否采用相同任务和运行条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认其在具体 BCI 在线控制任务中的有效性。