S-CEReBrO：突破连续 EEG 监测的内存瓶颈

基于摘要分析。该研究针对 Transformer 型 EEG 基础模型在连续监测中注意力状态随信号时长增长、进而可能导致内存溢出的问题，提出由 CEReBrO 演进而来的 S-CEReBrO（Streaming CEReBrO）。其核心贡献是 Windowed Alternating Attention，将注意力计算分解到固定大小的时空窗口，使流式处理时仅保留当前活动窗口的注意力状态，从而使该状态的内存占用不随信号总时长增长。 机制上，研究将连续 EEG 的注意力计算限制在窗口内，以避免全局注意力持续累积状态。这里有界的是注意力状态，不能仅凭摘要推断整个处理系统的总内存恒定；窗口间信息传递、跨窗口长程依赖的保留方式、流式因果性及输出延迟均需核对全文。 作者报告，在摘要所述经验性扩展性评估中，该机制可处理的信号长度达到全自注意力的 100 倍、低秩线性注意力的 3 倍；在长上下文条件下，相比低秩线性注意力，其内存需求为对照的 55%，推理吞吐量为对照的 2.1 倍。具体硬件、窗口大小、输入配置及内存统计口径尚未验证，因此这些比例不能直接外推至任意部署环境。 作者报告，模型在超过 12,000 名被试、超过 25,000 小时的记录上进行预训练，并在 11 项下游任务中的 7 项达到作者所称的 SOTA，参数量最多减少 60%。摘要未明确任务名称、数据集、被试内或跨被试等划分协议、任务指标，以及参数减少对应的比较模型，因而尚不能判断具体收益及其跨任务一致性。 摘要称有配套代码仓库，但未提供仓库地址；权重可用性、预训练目标、实验协议、消融及统计信息尚未验证。复现时应重点核对效率与任务性能是否在一致条件下比较，以及固定窗口对长时间事件和跨窗口依赖的影响。连续 EEG 监测效率的提升并不自动构成在线 BCI 有效性的证据。