DANCE：EEG 事件检测与分类

基于摘要分析。该研究针对连续 EEG 中事件起点未知、传统解码依赖已知起点对齐窗口的问题，提出深度学习流程 DANCE，将神经解码表述为集合预测问题，直接从原始、未对齐信号中联合检测事件并判断类别，面向端到端异步神经解码。 核心机制是把事件定位与分类纳入同一预测流程，而非仅对起点已知的片段进行分类。这一区别对应真实连续监测中缺少事件起点信息的条件；但集合元素如何表示、预测与标注如何匹配、损失函数、训练监督及推理流程均未在摘要中展开，尚未验证。 作者报告，在从文献整理的十个数据集上分别评估同一架构，事件类型覆盖认知、临床与 BCI 任务，持续时间从毫秒到分钟不等。作者报告其在多类任务上优于现有方法，在癫痫发作监测任务上达到新的最佳水平，并在 BCI 任务上达到使用已知事件起点的模型的 Accuracy。摘要未提供具体数据集名称、被试数量、划分协议、对照方法或指标数值；分别评估十个数据集不能据此解读为 Cross-dataset 泛化验证，也不能推断采用统一预训练模型。 复现时需核对连续信号的采样与分段方式、事件边界标注、检测匹配准则、误报与漏报统计，以及 BCI 的 Accuracy 是否在检测成功的事件上计算、是否包含背景时段。这些条件决定联合检测分类与起点已知分类的结果能否直接比较。实验协议、消融及统计信息尚未验证；摘要结果尚不足以确认真实在线 BCI 的性能、延迟或稳健性。