用于手术阶段识别的神经有限状态机

基于摘要分析。该研究针对手术阶段识别（SPR）中预测碎片化、难以保持工作流顺序一致性的问题，提出 Neural Finite-State Machine（NFSM），将经典状态转移先验与神经网络结合，以增强手术视频阶段预测的时间连贯性。 机制上，NFSM 使用可学习的全局状态嵌入作为各阶段的标识，通过动态转移表建模阶段之间的演进，并采用重复帧填充支持未来阶段预测。作者将其设计为即插即用模块，可在不改变核心架构的情况下接入现有 SPR 流程。摘要未说明具体损失、转移约束形式、预测时域或训练与推理流程，这些内容尚待全文核对。 作者报告在多个基准上达到当时最优表现；其中，在 BernBypass70 上，相对摘要未具名的对照，视频级 Accuracy 提高 0.9 个百分点，阶段级 Precision、Recall、F1-score 和 mAP 分别提高 3.8、3.1、3.3 和 4.1 个点。摘要未提供绝对分数、数据划分及指标汇总方式，不能据此与其他协议直接比较。作者还报告消融支持各组件的有效性及对不同架构的适配性；具体实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移之处是对具有明确离散状态及转移规律的时序任务施加一致性约束，而非直接复用手术视频表征。若用于 EEG 状态序列解码，需要阶段或状态标注及可估计的转移结构，并改造前端特征提取与状态定义。低信噪比、跨被试转移差异、通道变化和小数据可能使转移先验过强，掩盖真实快速变化。一个可证伪的小实验是在同一 EEG 数据划分和相同编码器下，对比原始分类器、简单时序平滑与 NFSM，联合考察 F1、碎片化程度和转移检测延迟；尚未检索确认已有 EEG 相关工作。