PocketTSLM：部署用于隐私保护型智能手机推理的端侧软提示时间序列语言模型

基于摘要分析。本文研究如何在消费级智能手机上直接处理生理时间序列，避免统计摘要丢失时间结构、原始样本文本化占用过多上下文，以及云端推理传输敏感数据的问题。作者提出 PocketTSLM，将 OpenTSLM SoftPrompt 部署到手机端，通过注入编码后的时间窗嵌入而非将时间序列转换为文本 token，实现完全本地推理。 核心贡献侧重移动端部署与验证，而非摘要已证实的新型 EEG 解码算法。作者使用基于 Apple MLX 的 Python 参考实现与 Swift 移植版本进行数值一致性核验，报告两者贪心解码的 token 序列完全一致；与 PyTorch 参考实现相比，答案也一致，但推理理由的措辞可能不同。这支持特定参考实现间的输出一致性，不等于验证答案的医学正确性。 在相同骨干模型的端侧上下文成本基准中，作者报告：按其基准输入格式，软提示所需的时间序列 token 数约为文本序列化方案的十二分之一，并降低提示预填充成本。摘要列出的输入包括用于睡眠分期的 Sleep-EDF 30 秒 EEG 片段，以及 ECG-QA 中包含 1,000 个采样点、时长 10 秒的 12 导联心电片段。作者报告，文本序列化基线在更长时间窗下超出手机的上下文或内存预算，但摘要未提供具体窗口阈值、机型、延迟、内存占用或任务性能。 作者称所有推理均在设备内完成，推理期间不传输健康数据；这一部署属性不应扩大为对整个数据生命周期的隐私保证。训练设置、数据划分、被试内或跨被试协议、睡眠分期指标、消融及统计信息尚未验证。其 EEG 证据目前限于所述睡眠分期输入场景，不能据此推断对其他 BCI 任务有效。